引言：AI时代的”常识陷阱”

人工智能正在全方位重塑科学研究的图景。大模型精准输出各类知识结论，算法高效推演事物发展趋势，海量数据生成看似确凿无疑的研判结果。但一场深刻的认知悖论随之显现：AI在大幅提速科研流程、降低科研门槛的同时，也催生了新型”常识陷阱”——它将人类过往的已知知识编码为标准化、无偏差的答案，让研究者不自觉地以AI的算法推断，替代亲身实验、实地观测与独立思辨判断。

AI大模型的核心逻辑，是对人类既有共识与存量数据的编码、整合与复刻，仅能适配、推演常规规律，却无法识别、捕捉共识边界之外的特殊异常与未知现象。以智能气象预报系统为例，依托数十年气象大数据训练的模型，对常规天气的预测准确率极高，但面对样本稀缺、毫无规律的极端强对流天气，往往会出现预判失灵。究其根源，算法会将这类罕见特例默认为”低概率无效事件”，直接纳入常规认知之外的盲区。

更隐蔽的危机在于，AI的标准化输出自带权威滤镜。相关研究证实，当研究者获取AI给出的精准结论时，自身的思辨、求证与质疑思维会显著弱化，逐渐将算法推断等同于实验实证结果。原本需要反复论证、反复核验的科学常识，如今仅凭”AI判定”便被奉为既定真理。这是科研领域前所未有的困境：技术工具不再仅仅替代重复性科研劳动，更开始侵蚀、替代人类核心的科研判断能力。

纵观科学发展史，所有颠覆性的科学突破，皆源于对固有常识的质疑与突破，而非对既定共识的盲从。倘若科学研究的本质，只是对存量数据的重组与再推演，AI终将凭借算力优势全面超越人类；但倘若科学的核心根基，是研究者直面世界、对接自然的直接经验、现场感知与独立判断，那么AI永远只能充当辅助工具，无法取代人类科研主体。本文核心论点为：科学的本质根植于经验，那些无法被代码编码、无法被算法还原的直接感知与现场判断，是AI永远无法替代的科学核心根基。

一、经验的退场：科学认识论的深层转向

1.1 从直接经验到仪器读数的认知偏移

西方传统知识论长期秉持”理论优位”的认知范式，将可命题化、体系化的理论视为核心知识，将实践积累的直接经验归为理论的次级应用，长期遮蔽了一个核心事实：人类一切科学知识的源头，从来不是抽象的理论推演，而是人类身体介入世界、与客观事物交互实践所生成的直接经验。

《何为科学》一书作者亚当·弗兰克明确指出，现代科学最大的认知盲点，便是遗忘了直接经验是科学知识的本源与坚实支撑。自17世纪以来，显微镜、望远镜等科学仪器的普及，让人类的认知场景从自然现场转移至标准化实验室。科研实践逐渐演变为依托仪器观测、量化测量，将具象现象转化为抽象概念，再通过数据建模完成理论固化。久而久之，人们将算法模型、数据结论等同于客观真实，彻底舍弃了人类对物质世界最本源的直观感知与现场体验。

北京大学周程教授进一步指出，现代科学体系本身建立在一系列未经实证的基础信念之上——”世界是物质的，物质是运动的，运动是有规律的，规律是可以认识的”。这套基础性信念构成了现代科学的认知框架，却从未得到绝对确凿的科学证明，也从根源上弱化、遮蔽了直接经验在科学认知中的核心价值。

1.2 默会知识：无法编码的科学经验

波兰尼在《个人知识》中提出的”默会知识”概念，历经半个多世纪的沉淀，成为解读AI时代科学本质的关键密钥。其核心论断直指科学经验的核心特质：我们知道的多于我们能言说的。

这类”只可意会、不可言传”的默会知识，正是科学实践中无法被标准化、代码化、数据化的经验性判断。资深实验员仅凭仪器异响感知设备故障、面对反复实验失败坚持重试的科研直觉、依托长期实操经验校准实验参数的精准判断，皆是典型的默会知识。这类知识从未载入操作手册、无法被完整记录归档，只能依靠研究者长期深耕科研、反复对接实验现场、持续与客观世界交互积累而成。

遗憾的是，现代科研体系正在系统性遗忘、消解这类核心经验知识。河南大学张宝明教授指出，从传统技术到现代科学的转型过程中，人类经验的身份发生根本性反转——从科研创新的核心驱动力，沦为被理性理论、数据模型系统性遮蔽的次要要素。古希腊时期，科学与人文同源共生、浑然一体，自然探索根植于直观经验；而现代科学过度推崇理性范式与量化标准，将”理性”等同于”合理”，彻底消解了直接经验在科学认知中的本源地位。

1.3 “替代经验文化”的全面蔓延

当下社会正在形成一种普遍性的”替代经验文化”：人类逐渐放弃自身的直观感知与现场判断，转而依托数据、算法、工具认知世界、判定事物。周程教授举例佐证：人们不再依靠身体体感判断冷暖，而是盲从天气预报的量化数据；不再依托空间感知辨识方位，而是完全依赖导航算法指引方向。

这种认知偏移深刻渗透到科研领域，演变为科研经验的持续萎缩。当代研究者愈发习惯于直面数据报表、算法模型、模拟结果，而非亲临实验现场、观测真实现象、捕捉细微异常。人工智能的普及进一步加剧了这一危机：学界普遍将AI生成的输出结果直接等同于客观现实，却忽略了算法背后的模型筛选、价值预设、语境适配等主观偏差，彻底割裂了科学认知与真实世界的经验联结。

张宝明教授精准总结这一时代困境：人工智能时代，知识极速膨胀，人类经验却持续萎缩。AI让知识获取变得零门槛、高效率，消解了学术探索的神秘感与深耕价值，但知识的易得性绝不等于认知的深刻性。当AI将”乡愁”拆解为冰冷的经纬度坐标，便彻底剥离了人类望月思乡的身心体验与情感共鸣。这正是科学主义过度量化、简化生活世界与科研实践的典型弊端。

二、可重复性危机：经验缺失的量化实证

如果说第一章从哲学维度阐释了直接经验退场的深层危机，那么全球科研领域频发的可重复性危机，便为”经验缺失导致科研失准”提供了扎实的量化证据。诸多实证研究表明，科研经验的匮乏、现场判断的缺失、过度依赖算法数据，并非抽象的理论命题，而是直接导致科研结论失真、实验无法复现、学术成果失效的核心诱因。

2.1 SCORE项目：社科研究近半数无法复现

2026年4月，美国国防部高级研究计划局（DARPA）主导的”开放研究与证据的系统化信心”（SCORE）项目，在《自然》刊发系列重磅研究成果。该项目历时7年，集结865名科研人员，对62种主流期刊的3900篇经济学、教育学、心理学、社会学社科论文开展系统性核验，从数据分析可再现性、研究稳健性、实验可复制性三大维度，全面检验现有社科研究的可信度。

这项大规模、全覆盖的实证研究，得出了极具警示性的结论，精准暴露了当代社科研究的经验缺失问题。

其一，数据分析可再现性严重不足。研究团队抽检600篇论文的原始数据分析流程，发现仅有145篇论文公开了完整、可核验的研究细节，仅53%的数据分析结果能够被精准复现。大量研究因作者未完整留存操作流程、数据参数、分析细节，后续核验者只能依靠猜测还原实验过程，最终导致结果偏差、复现失败。项目负责人Tim Errington强调，数据共享不充分、方法说明不透明，是数据分析失效的核心诱因。

其二，研究结论稳健性存疑。团队对100篇核心论文开展差异化分析核验，在更换合理统计模型、优化分析维度后，四分之一的研究结论出现波动，更有2%的研究得出与原文完全相反的结论。这意味着诸多社科研究的结论高度依赖研究者的单一操作选择，缺乏基于经验判断的稳健校验，极易因分析视角微调而彻底推翻原有成果。

其三，实验可复制性大幅偏低。团队对164项核心研究开展全流程独立重复实验，从零完成数据采集与分析，最终仅有49%的研究在统计学层面具备可复制性，与全球同类复盘研究结论高度契合。斯坦福大学学者John Ioannidis表示，该研究规模空前、结论真实，精准印证了学界长期存在的科研可信度危机。

值得关注的是，项目团队同步开展了AI预测论文可复制性专项竞赛。2025年首轮竞赛中，AI模型对研究可复制性的预判准确率低于随机猜测水平；第二轮竞赛中，最优模型准确率虽提升至68.5%，但仍存在显著偏差。Errington坦言，AI具备辅助评估科研可信度的潜力，但距离落地应用、精准研判仍有极大差距。

2.2 果蝇免疫研究：大量未核验成果暗藏失真风险

2026年1月，瑞士洛桑联邦理工学院（EPFL）ReproSci项目发布生命科学领域复盘成果。研究团队对1959—2011年400篇果蝇免疫研究论文、1006项核心研究主张开展回溯核验，精准揭示了实验经验缺失带来的科研隐患。

数据显示，仅61%的研究主张可被有效验证，7%被直接证伪、无法重复。看似优于社科领域的复现率背后，隐藏着极易被忽视的漏洞：24%的研究主张从未经过独立核验，长期处于未被挑战、未被验证的空白状态。团队针对性核验45项未被挑战的经典研究主张，结果显示，其中84%（38/45）的主张在独立验证中无法复现。大量依托单一实验经验、缺乏交叉核验的研究，长期作为有效学术成果留存，严重干扰科研推进。

研究同时发现，高影响力期刊、顶尖科研机构更易刊发存在争议、后续被证伪的研究成果。不可重复性并非集中于新手研究者，博士生与博士后的研究失误率基本持平，并未随从业年限、发文数量增长而降低。唯一显著差异在于：具备多团队实操经验的课题组负责人，研究不可重复率大幅降低。这一结果充分印证，早期系统的科研实操训练、现场经验积累，是保障研究严谨性的核心关键。

2.3 多分析师研究：同源数据，结论相悖

2025年2月，《BMC生物学》刊发的一项大规模”多分析师”对照研究，直观展现了研究者主观经验判断对科研结论的决定性作用。246名生态学者组成174个独立研究团队，依托完全一致的公开数据集，针对两项核心科学问题开展独立分析。

首个问题聚焦蓝山雀雏鸟生长与同胞竞争的关联。同源同质数据下，各团队结论完全分化：5个团队判定无关联，5个团队得出混合结论，64个团队证实同胞竞争会抑制雏鸟生长，且各团队的结论确定性、效应强度各不相同。

第二个问题关于草覆盖率对桉树幼苗存活率的影响，分歧更为极端：18个团队证实杂草覆盖抑制幼苗存活，6个团队认为可提升存活率，31个团队判定二者无任何关联。

同源数据、无客观误差、无操作失误，却诞生完全相悖的科研结论。究其根源，并非数据或算法问题，而是研究者的经验性主观选择：离群值取舍、统计模型适配、缺失数据填补、干扰变量控制等细微操作，均依托研究者个人科研经验与现场判断。这些看似微小的个性化决策，层层叠加放大，最终导致结论彻底分化。欧洲商业管理学院心理学家Eric Uhlmann总结，该研究直观证明了研究者的经验判断、主观抉择，是科研成果成型中不可替代的核心变量。

2.4 学界调研：可重复性危机的制度与认知根源

2024年11月，《公共科学图书馆·生物学》刊发一项覆盖全球的横断面调研，精准呈现了科研从业者对可重复性危机的真实认知。研究团队从MEDLINE数据库随机抽取400种期刊，向23234名研究者发放问卷，回收1630份有效样本，数据极具代表性。

调研结果显示，72%的研究者认可生物医学领域存在可重复性危机，其中27%判定危机程度严重，仅有5%的研究者认为该领域超80%的研究成果可稳定复现，学界对科研可信度的焦虑已成共识。

关于危机成因，62%的研究者明确指出，学术发表压力是导致研究失真、无法复现的首要诱因，选择性报告、统计效力不足紧随其后。反观学术不端、偶然误差等显性因素，影响占比极低，仅为20%、36%。这意味着可重复性危机并非源于个体道德失范，而是学术评价体系催生的系统性问题。

制度层面的短板进一步加剧危机：仅16%的科研机构建立了完善的重复性研究保障机制；67%的机构重原创发文、轻成果核验，83%的研究者认为重复研究更难获取经费支持。学界普遍认知危机、知晓诱因，却缺乏对应的制度支撑，最终导致经验性严谨研究被边缘化，快餐式、高风险的速成论文成为主流。

三、AI介入科研：经验流失的隐性认知代价

可重复性危机的核心本质，是科研实践中直接经验、现场判断、实操积累的缺失。而AI全面介入科研全流程，进一步放大了这一缺陷：研究者将文献梳理、数据分析、模型推演、代码编写等核心认知环节批量”外包”给AI，看似提升了科研效率，实则系统性剥夺了自身积累实操经验、锤炼思辨判断的机会，催生了不可逆的科研认知退化。

3.1 MIT脑电实验：AI依赖引发的认知退化

2025年麻省理工学院媒体实验室发布的预印本研究，从神经科学维度证实了AI过度依赖的认知代价。研究团队选取54名18—39岁受试者，分为ChatGPT辅助组、纯搜索引擎组、纯自主思考组，开展为期四个月的对照写作实验，全程通过EEG监测受试者脑区神经活动。

实验数据显示，依托ChatGPT完成任务的受试者，大脑有效活跃神经连接从79个降至42个，降幅达47%。AI将任务完成效率大幅提升的同时，显著降低了人类的记忆投入、逻辑推演与深度思辨，直接造成认知参与度大幅下滑。

南京航空航天大学李博涵副教授解读该研究时指出，长期依赖AI辅助完成脑力任务，会持续弱化大脑深度思考与批判性思维能力，形成难以察觉的”AI脑雾”，让研究者逐渐丧失独立研判、自主思辨的核心能力。研究者同时强调，该研究仍处于预印本阶段，脑连接数量下降不等同于认知能力彻底退化，也可能是认知负荷优化的结果，无需过度悲观解读。

3.2 AI使用的倒U型效应：赋能与替代的边界失衡

AI并非科研的对立面，合理使用可实现高效赋能，过度依赖则会造成认知反噬。2025年发表于《清华大学教育研究》的一项基于955份研究生调研数据的实证研究（郭仕豪、朱德玲，南京大学教育研究院），精准揭示了生成式AI使用的倒U型非线性影响：适度支持性使用可提升科研效率、启发研究思路，过度替代性使用则会抑制科研能力成长。

研究明确两大核心机制：其一，知识习得与启发存在边际收益递减规律，AI可快速降低基础科研门槛、拓宽知识边界，但过度依赖会让研究者丧失深度钻研、自主探索的动力；其二，人机认知边界决定使用效果，清晰认知AI”工具属性”、坚守人类科研主体地位的研究者，能够有效缓冲AI带来的认知负面影响。

2026年中青报·中青网报道的一项基于北京大学中国博士教育研究中心全国博士毕业生调查数据（14371份问卷）的研究（蔡芬，北京科技大学教育研究院）进一步佐证，理工农医、计算机相关专业博士生的AI科研使用率远高于人文社科专业。蔡芬老师指出，研究生科研写作的核心价值，从来不是产出一篇成型文本，而是在打磨成果的过程中锤炼问题意识、逻辑思维、论证能力与学术判断力。

AI可高效完成文献整合、文本润色、代码编写等机械性、重复性工作，但原创问题提出、理论创新、方法适配、田野实证、数据解读、学术价值研判等核心能力，永远无法被AI替代。当下青年研究者的核心困境，是学习模式的根本性偏移：从”学习如何做科研、积累科研经验”，沦为”学习如何借助AI做科研”。

同济大学在读博士王楠结合实操观察指出，当前AI生成代码的准确率大幅提升，基本不会出现运行报错，让初学者产生”无需深究、直接使用”的惰性。但小众领域、精细化实验、个性化研究场景中，AI代码往往存在参数偏差、流程漏洞、方法适配缺陷，这类隐性问题无实操经验、无自主研判能力的初学者根本无法识别，最终导致科研成果暗藏隐患。

3.3 AI治理困境：规则焦虑与形式化应对

伴随AI全面渗透学术科研，国内多所高校陆续出台管控规则：2024年11月，复旦大学率先发布《关于在本科毕业论文（设计）中使用AI工具的规定（试行）》，明确规范AI工具使用场景；2025年11月，清华大学正式发布《人工智能教育应用指导原则》，明确要求师生依规披露AI使用情况，禁止直接提交AI生成文本作为学术成果。多所高校按学科特性设置20%—40%的AI内容占比红线，试图规避学术失范风险。

但刚性量化规则催生了新的学术乱象与认知焦虑。部分学生陷入”用AI降AI率”的循环博弈，反复通过AI改写文本、规避检测，最终导致语句生硬、语义断裂，学术质量大幅下滑。

蔡芬认为，这类策略性应对的本质，是青年研究者在规则模糊、评价严苛、能力不足多重压力下的集体焦虑。简单以AI检测率、量化红线管控学术成果，属于治标不治本。真正的AI学术治理，应摒弃单一技术指标判定，转向规则细化、过程管控、综合核验：明确AI使用的合规边界，留存科研全过程记录，结合导师研判、答辩追问、文献核验开展综合评价，从根源上引导学生合理使用AI、坚守自主科研思维。

四、AI的认知局限：经验判断的不可替代性

AI对科研效率的赋能毋庸置疑，但算法的底层逻辑决定了其存在无法突破的认知天花板。所有AI模型均依托历史存量数据训练，仅能复刻已知规律、推演常规趋势，无法突破固有认知、捕捉未知异常、完成创造性思辨。而科学突破的核心，恰恰是突破常识、质疑已知、探索未知，这正是人类经验判断的核心价值，也是AI永远无法逾越的鸿沟。

4.1 锚定历史的AI，无法感知未知例外

AI的核心能力是对人类已知共识的编码与复刻，擅长适配常规科研场景、复刻已有研究范式、推演大概率结果，却无法识别共识之外的小众异常、未知变量与突破性可能。其所有输出均源于历史数据，对未发生、未记录、未定义的全新现象完全无知。

理论物理学家费曼曾言：”科学在于承认专家的无知。”这句话的本质，是强调科学研究永恒的质疑精神与求证态度，拒绝盲从一切既定权威与固有常识。AI可以优化实验方案、迭代参数组合、模拟推演结果，但它无法走进实验室、无法观测仪器上的异常数据、无法捕捉显微镜下的反常现象、无法在多次实验失败后坚守初心、大胆试错。

科学史上所有范式革命，皆始于对常识的反叛与对例外的坚守。魏格纳突破”大陆固定不变”的学界共识，依托实地观测与多元实证，最终证实大陆漂移学说。若依托AI研判，基于海量历史数据的模型只会固化既有结论，否定一切非常规猜想。新时代科研者的核心素养，便是对AI输出保持建设性怀疑：将AI结论视为待验证假设，而非既定真理，以亲身实验、现场感知、经验判断核验算法结果，探索数据之外的全新可能。

4.2 相关性替代因果性：算法的底层逻辑缺陷

AI存在无法根治的底层认知缺陷：仅能挖掘数据间的统计相关性，无法推导事物的内在因果，更无法自主赋予现实物理意义与科学内涵。大语言模型的文本生成，本质是海量语料语言结构的概率模拟，而非对客观世界的真实理解与深度认知。

算法黑箱让AI的推理路径高度不透明，其输出结果往往缺乏可解释性。在标准化、常规化的科研场景中，AI可高效完成辅助工作，但面对复杂、多元、充满不确定性的前沿科研场景，人类的实操经验、直觉判断、因果思辨、价值研判无可替代。正如周程教授所言，真正的知识根植于人类的亲身经验、主观意图与道德责任，这是纯算法逻辑永远无法复刻的。

北京市社科院王鹏副研究员表示，AI时代的科研核心争议，从来不是”是否使用AI”，而是”如何正确使用AI”。在蛋白质折叠解析、新材料筛选等标准化、规模化、重复性科研场景中，AI的赋能价值无可替代；但在前沿创新、范式突破、复杂问题研判等核心场景，过度依赖AI必然陷入认知桎梏。

4.3 科研的”在场性”：实验亲历无法被算法替代

2017年诺贝尔化学奖得主约阿希姆·弗兰克明确界定科学的本质：科学是与自然持续对话的实验过程。科学真理从来不是数据推演的结果，而是研究者亲临现场、反复试错、持续交互、实证核验的成果，这份”在场性”是科研经验的核心载体，无法被任何技术替代。

2011年诺奖得主谢赫特曼发现准晶体的经历，精准印证了经验在场的价值。当年，科学界公认”有序原子结构不存在非对称排布”，所有教科书与学术共识均否定准晶体存在。若依托AI检索推演，模型只会基于海量存量数据，判定这一现象”不可能发生”。但谢赫特曼依托亲身观测、反复实验、长期实操经验，坚守自身的现场感知，最终推翻固有学术共识，开辟全新科研领域。

李博涵副教授总结AI的终极局限：科学突破往往需要非常规的思维跳跃、反常识的创新猜想、屡败屡战的试错坚持，这些源于人类经验、直觉、思辨与勇气的特质，是纯数据驱动的AI无法具备的。AI只能在现有知识框架内优化迭代、微调进阶，永远无法实现突破范式的颠覆性创新。

不迷信常识、不盲从算法、只忠于实验与实证，不跳过任何一次实操、不忽略任何一处异常，坚守科研现场与经验积累，是新时代科研者最珍贵的学术素养。

五、结论：AI时代，重塑经验的科研核心地位

5.1 AI为工具，经验为科学根基

可重复性危机、同源数据结论分化、AI依赖引发的认知退化，多维度实证数据共同指向核心结论：科学研究的可靠性、创新性与突破性，最终取决于研究者的亲身经验、现场感知与独立判断能力。那些无法被编码、无法被量化、无法被算法复刻的个体化科研经验，是科学发展不可撼动的核心根基。

SCORE项目证实，社科研究近半数无法复现，其直接诱因是数据共享不充分、方法说明不透明，这从侧面折射出科研实操经验与细节留存的缺失；果蝇免疫研究佐证，系统性的早期科研实操训练、长期现场经验积累，是降低研究失误、保障成果可信的关键；PLOS Biology调研揭示，发表压力、制度偏差催生了快餐式科研，进一步挤压经验深耕的空间。

清华大学发表的研究、MIT的多项研究从认知维度警示：AI的赋能存在明确边界，适度使用可提质增效，过度依赖则会弱化人类思辨能力、萎缩科研经验、造成认知退化。AI的算法黑箱、相关性偏差、历史局限性，决定了其永远无法弥补人类经验的核心价值。正如张宝明教授所言，科研的终极主体永远是人，所有技术工具皆为辅助手段。

5.2 厘清人机边界，坚守科研本质

AI不会取代科学家，但盲目依赖AI、放弃自主思考、缺失实操经验的科研从业者，终将被时代淘汰。这并非技术悲观主义，而是对科学本质的清醒认知。

AI可完成数据处理、参数优化、文献整合、模拟推演等辅助工作，大幅提升科研效率，但它无法替代研究者亲临实验现场、捕捉细微异常、坚守试错探索、突破固有范式，更无法替代人类基于长期经验形成的直觉判断、因果思辨与创新猜想。

李博涵提出的”初稿思维”，是AI时代最科学的人机协同准则：将AI输出的所有结论、方案、结果，一律视为待核验、待优化的初稿，而非定论与定稿。当所有研究者都依托同一模型、同一数据集、同一固有共识开展研究时，真正的科学突破，恰恰藏在算法忽略的离群值、数据之外的未知现象、常识之外的反常规律中。

科学研究的终极追求，从来不是极致效率、统一共识、最优解，而是忠于自然、忠于实证、忠于现场经验的求真探索。那些笨拙的、无法跳过的、必须亲身完成的实验实操，那些长期积累、不可编码的感知与判断，构成了科学发展的永恒土壤。

技术可以迭代升级，数据可以无限扩容，但所有科学的永恒内核，终将在人类经验的深耕与沉淀中持续重生。