当AI开始自己搞科研，人类该做什么？

3月25日，2026中关村论坛年会上，月之暗面创始人杨植麟的一番话，让在场的科研人员和投资人沉默了几秒。

他说：“未来一年，AI不会只是帮我们写代码、做PPT了——它会自己设计实验、调参数、找漏洞，甚至提出新的模型架构。而我们，从‘动手做’变成‘管资源’。”

这不是科幻片的台词。这正在发生。

研究员的新工具：不是键盘，是“Token”

过去，科学家靠论文、实验记录本、编程环境推进研究。现在，杨植麟说，未来顶尖研究员的标配，是一大堆“AI Token”——不是聊天用的，而是像燃料一样，用来驱动AI去跑实验、试模型、生成数据。

想象一下：你不是自己写代码训练一个新模型，而是告诉AI：“帮我找一个比Transformer更省算力、效果更好的结构，预算50万Token，两周内出报告。”

AI会自己拆解任务：生成100种可能的网络结构，模拟训练，对比性能，筛选出前三名，再自动写论文草稿。你只需要决定：哪个方向值得继续投钱。

这不是理论。2024年底，DeepMind的AlphaDev已经用AI发现了比C++标准库更快的排序算法；2025年初，斯坦福团队用AI自主优化了LLM的注意力机制，性能提升18%，人类研究员只做了最终验证。

效率的“奇点”：AI在加速自己

过去，AI进步慢，是因为人太慢。一个博士生要花半年调参，一个团队一年才能发一篇顶会论文。

但现在，AI可以同时跑上千个实验，24小时不休息，还能互相学习、复用成果。一个AI在凌晨三点发现了一个新训练技巧，凌晨四点就告诉另一个AI：“试试这个。”

这不是线性进步，是指数级滚雪球。当AI能自我优化研发流程，它的进化速度，就不再受人类作息、精力、认知局限的束缚。

微软研究院2025年内部报告曾透露：他们用AI代理进行模型架构搜索，原本需要6个月的探索周期，现在压缩到11天。其中80%的工作，人类没有参与。

大厂已经悄悄行动

杨植麟不是一个人在喊。整个行业，正在从“AI助手”转向“AI同事”。

腾讯的“小龙虾（WorkBuddy）”不再只是帮你写邮件，它能自动分析周报数据、识别项目风险、协调跨部门会议，甚至替你写技术方案初稿。内部测试显示，工程师每周节省了近8小时重复性工作。

阶跃星辰的StepClaw，已接入多个云平台，能自主调用算力、部署实验、监控训练过程，失败了自动换方案，成功了自动生成技术文档。它的目标不是“辅助”，是“接管”。

就连OpenAI的内部团队，也在用AI代理管理模型训练流水线——人类只在关键节点介入。

未来实验室的样子

未来的顶尖实验室，可能没有深夜加班的程序员，没有堆满咖啡杯的工位。

取而代之的，是一排排屏幕，显示着AI代理的运行状态：哪个在跑实验，哪个在读论文，哪个在和另一个AI吵架——因为它们对“最优结构”有不同看法。

研究员的KPI，不再是写了多少行代码，而是：

• 你调度了多少AI资源？
• 你提出了多少好问题？
• 你判断了哪些方向值得赌？

换句话说：你不再靠双手干活，而是靠眼光和判断力，指挥一支由AI组成的“无人科研舰队”。

开源，是这场变革的命门

月之暗面说要和开源社区合作，不是客套话。

如果只有大公司能用AI搞研发，那技术垄断就不可避免。但开源模型、开源工具链、开源实验数据，能让更多人加入这场游戏。

就像当年Linux让普通人也能参与操作系统开发，今天的AI研发开源，正在让高校、独立研究者、小团队，也能用AI“杠杆”撬动顶级成果。

你不需要买千万级算力集群。你只需要一个好问题，和一百万Token。

我们正站在一个分水岭上

十年前，我们教AI认猫；五年前，我们教AI写诗；现在，我们正在教会它——如何做研究。

这不是工具的升级，是生产方式的重构。就像工业革命中，工人从手工纺纱变成看管机器。

未来五年，最值钱的不是会写代码的人，而是能提出“值得让AI去探索”的问题的人。

当AI开始研究AI，我们不是被取代了——我们只是换了一种方式，参与这场伟大的探索。

而你，准备好了吗？