AI在学术研究中的应用
内容提要
AI在学术研究中的应用日益重要。陶哲轩早期用AI解决复杂数学问题，并联合创立SAIR推动AI驱动科学发现。Karpathy的autoresearch项目用AI自动优化参数与代码，虽有黑箱问题，但可通过日志检查修正，展现AI代理能力进步。作者用Codex辅助论文研究，负责思考方向，AI执行编码、验证与写作，体验流畅高效。结论：AI在学术研究中的成功证明其值得在各领域尝试，人类应专注于AI能力之上的工作。
延伸解读
从陶哲轩到SAIR：AI在数学研究中的早期实践
文章提到陶哲轩在AI发展早期就开始使用并分享前沿AI产品，尽管当时AI有时表现不佳，但他仍用AI解决数学领域的复杂问题。2026年，他与教授们联合创立SAIR，旨在用AI扩展科学发现并将AI扎根于科学。这表明AI在学术研究中的应用已从个人探索走向有组织的科研推动，为后续应用提供了重要参考。
autoresearch的黑箱与可检查性
Karpathy的autoresearch项目用AI自动优化参数、代码甚至模型，但迭代过程隐藏细节，可能包含错误或黑箱。文章指出，LLM本身也是黑箱，参数太多难以完全解释，但最终有效。不过，通过检查迭代日志，可以了解过程并在出错时修正。这既展示了AI代理能力的进步，也提醒研究者关注可解释性和过程监控。
Codex辅助论文研究的实际体验
作者过去两个月使用Codex辅助论文研究，涵盖头脑风暴、调研新想法、编码、验证想法和撰写报告。AI不能替作者做决定，作者负责指出下一步方向，大部分时间用于思考，过程流畅高效。但前提是AI能正确遵循指令，作者发现Gemini Flash 3.0比GPT 5.4差很多，Gemini 3.1 Pro也稍逊。这说明模型选择对研究效率有实际影响。
人类应专注于AI能力之上的工作
文章总结认为，AI在学术研究中的应用证明其值得在各领域尝试。人类应该做的是AI能力线之上的事情。这意味着研究者可以将编码、验证、写作等执行性工作交给AI，而自己专注于方向判断、问题提出和创造性思考。这种分工可能提升研究效率，但也要求人类具备更高层次的判断力和领域知识。
Q&A
AI在学术研究中有哪些实际应用案例？
陶哲轩早期使用AI解决复杂数学问题，并联合创立SAIR推动AI驱动的科学发现；Karpathy的autoresearch项目用AI自动优化参数、代码甚至模型；作者本人使用Codex辅助论文研究，包括头脑风暴、调研新想法、编码、验证想法和撰写报告。
autoresearch项目有什么优点和不足？
优点：能自动优化参数、代码和模型，实现迭代过程自动化，展现了AI代理能力的巨大进步。不足：迭代过程隐藏了一些细节，可能包含错误或黑箱问题。但可以通过检查迭代日志来了解过程并在出错时修正。
作者使用Codex辅助研究论文的体验如何？
作者使用Codex辅助论文研究两个月，认为体验流畅高效。AI负责编码、验证和写作等执行工作，作者负责思考方向和决策。作者大部分时间用于思考，无需做其他工作，过程令人愉快。前提是AI能正确遵循指令，作者发现Gemini Flash 3.0比GPT 5.4差很多，Gemini 3.1 Pro也稍逊。
AI在学术研究中能否完全替代人类？
不能。AI无法替人类做决策，人类需要指出下一步的方向。人类应该专注于AI能力之上的工作，即思考、决策和方向把控，而将编码、验证、写作等执行性工作交给AI。
陶哲轩对AI在学术研究中的应用做了什么贡献？
陶哲轩是早期在学术研究中应用AI的代表人物，他使用并分享前沿AI产品的使用经验，用AI解决了许多数学领域最复杂的问题。他还与其他教授联合创立了SAIR，旨在用AI扩展科学发现，并在2026年将AI扎根于科学。
AI在学术研究中的成功说明了什么？
AI在学术研究中的成功证明它值得在任何领域尝试。学术研究是最难和最神圣的领域，如果AI能在此发挥作用，那么在其他领域也值得一试。人类应该专注于AI能力之上的工作。
