一个让人不安的问题
三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」
一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」
这些话支撑了一个多世纪的科学叙事：科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。
但现在，一个让人不安的问题出现了：
当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？
专业能力的本质是什么？
我们先拆解一下「专业能力」到底指的是什么。
狭义地说，专业能力是：在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。
医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。
化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。
计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。
但注意，这些能力有一个共同特征：它们本质上是在一个已知空间内做搜索和匹配。
医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。
化学专家设计合成路线，是在分子结构和反应规则之间做映射。
AI 的强大之处恰恰在于：这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。
发现问题比解决问题更稀缺
物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」
这句话的潜台词是：科学的核心能力是找到正确的问题，而不是解答问题。
一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。
一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。
但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。
AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」
GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。
那么，问题来了：
如果 AI 什么都会，我们人类在科研中的独特价值是什么？
想象力的胜利
答案是：发现问题，提出问题，构建问题。
这不是一个乐观的愿景，而是一个正在发生的现实。
2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。
2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。
2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。
这些案例都在指向同一个事实：AI 擅长解决已被定义的问题，但不擅长定义问题本身。
而定义问题，恰恰需要的是想象力，而不是专业能力。
你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。
你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。
你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」
提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。
一个思想实验
想象两个科学家：
科学家 A：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。
科学家 B：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。
今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。
科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」
科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」
这两类问题，AI 更擅长回答哪一类？
答案显而易见：AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。
因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。
专业能力的「浪费」
说到这里，我想提出一个可能有点反常识的观点：
我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。
一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。
不是说知识本身没有价值。知识是提出好问题的基础。
但知识的垄断权被打破了。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。
这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。
然后 GPS 出现了。
你说，船长还需要那么专业吗？
答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。
科研的民主化
当专业能力的门槛降低，科研会发生什么？
门槛降低，但贡献的上限会更高。
历史上每一次知识门槛的降低，都带来了更多创新。
活字印刷术让更多人能读书，而不是只有僧侣和贵族。
互联网让更多人能获取信息，而不是只有图书馆和学术机构。
AI 让更多人能调用专业知识，而不是只有院士和教授。
但这里有一个微妙的转折：门槛降低带来的，不是平均水平的提升，而是天才密度的增加。
人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。
牛顿在二十多岁发明了微积分，发现了万有引力定律。
爱因斯坦在二十六岁的时候发表了相对论。
香农在二十多岁建立了信息论的基础。
当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。
一个预言
我有一个没有证据支撑但坚信的判断：
在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。
不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。
当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。
当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。
当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。
写在最后
我们这一代人，经历了一次前所未有的认知革命。
工业革命把「体力劳动」变得廉价，机器比人更能搬东西。
信息革命把「记忆」变得廉价，电脑比人更能存信息。
AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。
但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。
科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。
如果你是一个历史专业但对量子计算好奇的人，去研究它。
如果你是一个艺术家但对基因编辑有想法的人，去想象它。
如果你是一个程序员但对经济学感兴趣的人，去建模它。
AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。
这是科研的未来。也是人最不会被替代的部分。
]]>
