Phoenix Yin(@Phoenixyin13):今天在耶鲁夜行，线上和同学聊到一个有趣的问题，关于当前 AI 时代科研认知体系最核心的二分法问题，工程优化和与范式定义。我认为，对于 99% 甚至 99.99% 的常见工程实践、特定区域或既定框架下的问题解决，AI 的高维度信息压缩与检索效率可以轻松碾压常规人类。但当涉及到Out-of-Distribution、提出全新范式、定义时代问题时，AI 无法凭空产生这种具有必要性与审美的转向。在此，我重新下一个定义，科研的本质是筛选能够定义新问题的人才。随着工具化 AI 的普及，大量做增量实验、拼接现有方法的Paper Maker将会被极速平庸化或取代。 Paper是要发的，这是trade-off，但是必须在过程中对于领域frontier有所思考。不久的将来，Thinker + Doer的价值不仅没有降低，反而被大幅放大。顶尖科研人员的作用，是在信息极其繁杂、AI 只能做局部优化的迷雾中，凭直觉、洞察与审美划定下一个战场。我也和同学说到很现实的问题。当我们在早期尝试去 Define New Questions 时，因为你的观点不在当前主流数据集或同行评审的高概率分布里，必然会遭遇大量的Reject、阻力与压力。但这也正是从 0 到 1与从 1 到 100的分水岭。学术话语权与科研审美的确立，恰恰建立在经历这些阻力后成功拓展了人类认知边界的过程上。所以，当你站在高点位的时候，不可拘泥于局限于paper maker，如有余力，请开始定义、寻找新的问题。

2026.07.23 01:29

今天在耶鲁夜行，线上和同学聊到一个有趣的问题，关于当前 AI 时代科研认知体系最核心的二分法问题，工程优化和与范式定义。我认为，对于 99% 甚至 99.99% 的常见工程实践、特定区域或既定框架下的问题解决，AI 的高维度信息压缩与检索效率可以轻松碾压常规人类。但当涉及到Out-of-Distribution、提出全新范式、定义时代问题时，AI 无法凭空产生这种具有必要性与审美的转向。在此，我重新下一个定义，科研的本质是筛选能够定义新问题的人才。随着工具化 AI 的普及，大量做增量实验、拼接现有方法的Paper Maker将会被极速平庸化或取代。 Paper是要发的，这是trade-off，但是必须在过程中对于领域frontier有所思考。不久的将来，Thinker + Doer的价值不仅没有降低，反而被大幅放大。顶尖科研人员的作用，是在信息极其繁杂、AI 只能做局部优化的迷雾中，凭直觉、洞察与审美划定下一个战场。我也和同学说到很现实的问题。当我们在早期尝试去 Define New Questions 时，因为你的观点不在当前主流数据集或同行评审的高概率分布里，必然会遭遇大量的Reject、阻力与压力。但这也正是从 0 到 1与从 1 到 100的分水岭。学术话语权与科研审美的确立，恰恰建立在经历这些阻力后成功拓展了人类认知边界的过程上。所以，当你站在高点位的时候，不可拘泥于局限于paper maker，如有余力，请开始定义、寻找新的问题。

Forward to community