

在“AI参与科研边界院士对话”中,中国工程院院士、中国科学院光电技术研究所所长罗先刚表示:“AI改变的是科研的执行层,尚未触及提问层”。
这一判断首先来自对AI在科研流程中实际作用的界定。罗先刚指出,AI能大幅压缩参数迭代和重复仿真时间,显著提升验证效率,但其前提是已被给定明确目标函数。换言之,AI擅长在目标清晰、评价标准明确的条件下加速执行,而不是自行决定科研要解决什么问题。
效率提升发生在执行层从科研流程看,参数迭代、重复仿真、验证优化属于典型执行环节。这类工作目标相对明确、反馈链条较短,适合由AI参与。罗先刚的判断并未否定AI的价值,而是把讨论从“AI能否做科研”拉回到“AI在科研链条的哪一层发挥作用”。在目标函数给定的前提下,AI对执行层的改变是直接的:压缩迭代时间、减少重复仿真、提升验证效率。
对通信行业研发而言,这一判断同样有现实指向。通信技术研发涉及大量方案仿真、参数调整和验证迭代,AI可以在明确目标下提升这些环节的效率。但技术路线如何选择、指标体系如何设计、关键问题如何提出,仍需要人来完成。执行效率越高,前端问题定义是否准确,越会影响后续结果。
提问层仍是人的位置罗先刚强调,科研最关键的是提出问题和确定目标函数,这一步AI无法替代。由此看,AI参与科研的边界并非简单的“能”或“不能”,而是存在层次差异:执行层可以借助AI提效,提问层仍需人主导。
这也意味着,面对AI工具,科研组织和行业研发更应重视问题定义能力。目标函数如何确定、问题边界如何划定、验证标准如何设定,决定了AI能在多大程度上发挥作用。这一判断落到科研人员和产业研发者身上,真正需要持续投入的,仍是提出好问题、定义好目标的能力。
天顺优配提示:文章来自网络,不代表本站观点。