跑完一个完整社科研究流程后，我确认科研生产方式真的变了

这篇文章没有工具推荐，没有操作教程。只是一个正在用AI跑科研的高校教师，想把最近半年的观察和判断说清楚。

这个寒假，我做了一件以前想都不敢想的事。

我用AI跑完了一个完整的社科研究流程。从文献检索、结构化精读、方法矩阵构建，到数据清洗和回归分析，每一个环节AI都插了一脚。不是试玩，是真的在推项目。四千多个数据文件，六百多个处理脚本，四个并行子课题。

做完之后我有一个很强烈的感觉：科研的生产方式要变了。

我跟身边几个同事聊了聊这件事。大多数人的反应是沉默。不是那种"我不感兴趣"的沉默，是那种"我知道你说的可能是对的，但我不想接这个话题"的沉默。

后来我想明白了。他们不是没意识到，是不愿意直面。

变化已经发生了

在聊科研之前，我想先带你看几个其他学科的事情。

2020年，DeepMind的AlphaFold攻克了困扰生物学界50年的蛋白质结构预测难题。以前一个蛋白质的三维结构，实验室可能要花几个月甚至几年才能解出来。AlphaFold把这个时间压缩到了分钟级。到今天，它已经预测了超过2亿种蛋白质结构，全球超过300万科学家在用这个数据库。哈萨比斯拿了诺贝尔化学奖。

你可能觉得，这是生命科学的事，跟我有什么关系。

那再看一个。2025年底，一个叫DeepScientist的AI系统做了一件事：在AI文本检测这个任务上，它用两周时间验证了1000多个假设，实现了人类研究者三年才能达到的进展。不是辅助人类做研究，是它自己设定目标、自己迭代、自己超越了人类此前的最好成绩。

天气预报领域也在发生类似的事。Google DeepMind的GraphCast，能在1分钟内生成10天的全球天气预报，在超过90%的测试案例中胜过欧洲中期预报中心用了几十年的传统数值模型。

材料科学更夸张。MIT的研究团队用扩散模型预测材料合成路径，一分钟内能生成上千种合成方案，把原本靠试错的过程直接跳过了大半。

斯坦福搭了一个虚拟AI实验室，让多个AI科学家分工协作，设计出了92个全新的纳米抗体候选分子，实验验证显示对多个新冠变异株都有结合活性。这项工作后来发在了Nature上。

你看，生命科学、气候科学、材料科学，实验范式已经被改写了。

那社会科学呢？

很多社科学者的反应是：我们研究的是人，不是蛋白质。AI能帮实验科学加速，但社科研究的核心是理论洞察和因果推断，这些AI做不了。

这话对了一半。理论洞察确实是人的活。但你仔细想想，一个社科研究者的日常工作里，有多少时间花在理论洞察上？文献检索、数据清洗、跑回归、整理三线表、格式排版、引文核验，这些环节跟你研究的是人还是蛋白质没有任何关系，它们跟效率有关。

而这些环节，恰恰是AI已经能做得又快又好的部分。

四层变化，科研的生产方式正在被改写

最近读到一篇文章，把2026年AI领域的变化拆成了四层：大脑变了、手脚长出来了、能组队了、会进化了。拿来对照我在科研场景里的体感，几乎一一对应。

先说大脑变了。

去年的AI模型，你让它帮你读论文，它能给你总结摘要、提取关键词，但你问它"这篇论文的内生性处理干净了吗"，它大概率答不上来。今年不一样了。Claude Opus 4.6有100万token的上下文窗口，你可以把一整篇论文连同参考文献全部喂进去，它能理解方法论逻辑，能判断变量选择是否合理，能指出论证链条里的薄弱环节。

我在做文献精读的时候，让AI逐篇抽取核心观点、研究方法、理论依据、因果机制，准确率大约在85%。剩下的15%确实需要我自己判断，但那85%的工作量以前是纯手工的。模型从"翻译机"变成了"能读懂方法论的研究助手"，这个跳跃是质变。

然后是手脚长出来了。

以前AI再聪明，它也被困在一个对话框里。你问它问题它能答，但它没法替你去操作Zotero、没法替你跑Stata、没法替你读本地硬盘上的文献。

现在这个限制被打破了。AI Agent可以直接跑在你的电脑上，连接你的文献管理工具、你的数据分析软件、你本地积累的所有笔记和数据。你跟它说"帮我把这批面板数据按省份合并，缺失值用线性插值处理"，它自己写脚本、自己跑、自己检查结果。

复旦大学的CFFF平台已经在做这件事了，这是国内高校规模最大的云上科研智算平台，总算力28 PFlop/s，覆盖文理医工各学科，2025年升级到2.0版本后上线了47个学科模型和超过4万个科学数据集。这不是实验室里的概念验证，是全校在用的生产系统。

更让我兴奋的是，能组队了。

一个AI Agent再强，你同时只能跟它做一件事。读文献的时候没法跑数据，跑数据的时候没法写综述。你是整个系统的瓶颈。

2026年这个限制也被打破了。多个Agent可以同时存在、各自独立工作、还能互相协调。一个负责文献检索和精读，一个负责数据预处理和回归分析，一个负责图表生成。它们并行推进，互不干扰。

FutureHouse做了一个更极端的案例：四个AI科研Agent分工协作，Crow负责通用文献检索，Falcon负责深度文献分析，Owl负责查重验证，Phoenix负责化学实验规划。在药物发现的基准测试中，这套系统的文献综合能力已经超过了博士研究者。

你可能觉得这离社科还很远。但你想想，如果你手上有三个子课题，每个子课题的文献检索、数据清洗、初步回归可以同时推进，你只需要在关键决策点介入判断，这意味着什么？

最后一层，会进化了。

以前每次对话结束，AI就忘了你是谁。你踩过的坑、摸索出的方法、积累的经验，下次开一个新对话全部归零。

现在不一样了。你可以把项目的规范、你的研究偏好、你踩过的坑全部写进一个本地文档，AI每次启动都会读。方法论可以被封装成可复用的模块，一次踩坑，全局受益。你在文献精读环节摸索出的结构化抽取模板，可以直接用在下一个项目上，不用从头教AI。

这四层叠在一起，效果是乘出来的。单个Agent的产出质量已经接近专家水平，它还能操作你电脑上的各种工具，再加上多个Agent同时干活、经验可以沉淀复用，你算算这个乘数。

为什么多数学者选择沉默

说到这里，你可能会问：既然变化这么明显，为什么大多数学者还是不动？

我观察到三个原因。

第一个是评审体系的隐性排斥。你用AI辅助做了文献综述，投稿的时候敢写吗？大概率不敢。因为你不知道审稿人怎么看这件事。有些期刊已经明确要求披露AI使用情况，但"披露"和"接受"是两回事。很多审稿人看到"AI辅助"四个字，第一反应是怀疑，而不是好奇。"你这是AI写的吧"，这句话在学术圈里不是提问，是指控。

在这种氛围下，即使你用了AI，你也会选择不说。用了但不说，说了怕被质疑，这就形成了一个沉默螺旋。大家都在用，但没人愿意公开讨论怎么用、用到什么程度。

第二个是路径依赖。现有的方法还能发论文，为什么要换？

这个逻辑在短期内是成立的。你用传统方法做文献综述，花三个月，发了一篇C刊，没有任何问题。你的同事也是这么做的，你的学生也是这么学的，评审专家也是按这个标准来评的。整个系统是自洽的。

问题在于，当有人用AI把同样的工作压缩到两周，剩下的时间用来多做两个稳健性检验、多跑一组异质性分析，产出质量开始拉开差距的时候，这个自洽就会被打破。只是这个打破不会发生在明天，可能是两年后，可能是三年后。但它一定会来。

第三个原因最深层，也最难说出口：学科自尊。

社科学者花了十年甚至二十年，练出了一套手艺。怎么读论文、怎么找Gap、怎么设计研究、怎么写综述，这些能力是一篇一篇论文磨出来的。现在你告诉他，AI两周能做到他三个月的工作量，他的第一反应不会是"太好了我可以更高效"，而是"那我这十年练的东西算什么"。

直面AI对科研的冲击，意味着承认自己过去积累的一部分"手艺"正在贬值。说到底，这是个身份认同问题，比技术问题难多了。

我完全理解这种感受，因为我自己也经历过。第一次看到AI生成的文献精读笔记质量接近我手写的85%的时候，说实话，心里是不舒服的。

但后来我想通了一件事。AI接管的是那些重复性的、规则明确的环节。真正让一个学者成为学者的东西，AI做不了：提出有价值的问题、在矛盾的证据中做出判断、构建别人没想到的理论连接。AI把你从流水线上解放出来，让你去做更多真正需要你的事情。

手艺没有贬值，是在重新定价。

站在未来回望

国务院去年发了一份《关于深入实施"人工智能+"行动的意见》，明确提出"推动哲学社会科学研究方法向人机协同模式转变"。李国杰院士预判，AI驱动的"第五范式"在10到20年后可能成为主流研究范式。

这些信号已经足够清晰了。

去年看到AI改变材料学和生命科学的实验范式时，我就有一个预感。现在轮到我自己的学科了，我正在经历这个变化。

也许十年后回看2026，这就是科研范式转换的起点。实验科学先感知到了，社会科学正在到来。它会不会来，已经不是问题了。问题是你选择在哪个位置迎接它。

你可以继续用现有的方法做研究，短期内不会有任何问题。但如果你愿意花一点时间了解一下AI能做什么、不能做什么、边界在哪里，你可能会发现，你的研究可以做得更深、更快、更有意思。

后面我会单独写一篇，拆解我自己的AI科研工作站是怎么搭起来的。从文献到数据到论文，每一层具体怎么落地。

---