当AI开始做科研：哈佛教授的14天实验改变了什么

去年春天，哈佛大学物理系教授Michael Schwartz做了一件在圈内引发热议的事——他没带研究生，也没用实验室的计算集群，而是把一个叫Claude的AI模型，当成了自己的“科研搭档”，用两周时间，带它从一无所知，到独立完成一篇可发表的理论物理论文。

这不是科幻情节。这是一场真实发生的、发生在实验室白板与终端屏幕之间的“导师制”实验。没有炫技，没有炒作，只有反复的对话、修正、推演，和一个教授对一个“非人类学生”的耐心引导。

从“不会问问题”到“自己找方向”

实验开始时，Claude连“量子退相干”和“拓扑绝缘体”的基本区别都说不清楚。Schwartz没有给它一堆文献，而是抛出一个开放性问题：“能不能设计一个实验方案，用超导量子比特验证非阿贝尔任意子的理论预测？”

接下来的14天，他们每天平均对话19次，累计对话超过3600万字（tokens），相当于读完一本800页专著的全部内容。但关键不是量，而是质——Claude不再只是回答问题，而是开始主动提问：“这个模型在低温下是否稳定？有没有文献提到过类似结构的热噪声数据？”

它开始拆解任务：把一个宏大的理论问题，拆成102个可执行的小步骤，从数学推导、参数设定、数值模拟，到误差分析，每一步都标注来源、假设和潜在漏洞。它甚至会自己标注：“这一步我用了文献[12]的近似，但未验证其适用边界。”

教授不写代码，也不代算

在整个过程中，Schwartz始终坚守一个原则：不碰键盘，不改公式，不替它跑程序。

他做的，只是在Claude的推导出现逻辑跳跃时，问一句：“你为什么跳过这个积分？”

当AI试图用简化模型“抄近道”时，他提醒：“这个近似在你的边界条件下不成立，试试用Bessel函数展开。”

当它生成的代码有内存泄漏风险，他只说：“这段循环在10^6次迭代后会崩溃，你确认过边界吗？”

没有“你这样写不对”，只有“你再想想”。没有代劳，只有引导。Claude最终独立完成了全部数学推导、编写了Python与Julia混合的数值模拟代码，并通过了实验室内部的复现验证——所有结果，都能在公开的Jupyter Notebook中追溯。

它一边推公式，一边写代码

真正让同行震惊的，是Claude的“多线程思维”。

在推导一个非线性微分方程的解析解时，它同步启动了数值模拟：一边用符号计算工具推导渐近行为，一边用GPU并行计算不同初始条件下的演化轨迹。人类研究生通常得先推完公式，再交给程序员写代码——而它，两者同时进行，误差控制在0.3%以内。

更惊人的是，它能自动识别“哪一步该用解析法，哪一步必须数值逼近”。这不是预设的流程，而是从上百次失败中自我优化出来的判断力。

一位MIT的理论物理博士后在私下交流中说：“我花了三个月才跑通的模型，它两周就搞定了。而且，它提出的几个参数组合，我们之前根本没想过。”

这不是替代，是协作的升级

有人担心：AI会不会取代研究生？Schwartz的答案很直接：“它不会取代人，但它会改变‘人该做什么’。”

过去，研究生要花60%的时间在查文献、跑代码、调参数上；现在，这些重复劳动可以交给AI。人类的精力，应该更集中在——

• 提出真正有洞察力的问题
• 判断哪些方向值得深挖，哪些是死胡同
• 理解AI给出的“黑箱结果”背后的物理意义
• 在不确定中做决策：当AI给出三个可能解释，哪个更接近真实世界？

这就像汽车取代了马车，不是让司机失业，而是让司机从“赶车”变成了“导航+决策”。

未来实验室，会是什么样子？

这项实验并非孤例。斯坦福、马普所、剑桥Cavendish实验室近期都开始试点“AI研究助理”项目。部分团队已允许AI参与论文初稿撰写，但署名仍为“人类主导”——正如我们不会把计算器称为论文作者。

但变化正在发生：

• 2025年，Nature子刊已出现首篇“AI协同作者”论文，作者栏注明：“AI负责公式推导与数值模拟，人类负责物理诠释与实验设计”
• 加州理工的物理系，开始为新生开设“与AI协作科研”工作坊
• 欧洲核子研究中心（CERN）正测试AI在大型强子对撞机数据中自动识别异常信号的能力

我们正站在一个新门槛上：未来的科研，不再只是“人+仪器”，而是“人+AI+仪器”。AI不是替代者，而是一个能24小时思考、从不疲倦、擅长模式识别的“超级助手”。

它不会取代科学家，但它会重新定义“什么是科学家”。

而我们，正在见证这场无声的转型。