代码有了，回归表有了，结果解释也有了，一项分析看起来已经完成。可模型为什么这样选，某个变量为什么这样处理，换一批样本后结论还是否成立，这些问题可能仍然没有想清楚。文件完成得很快，理解却未必跟着发生。AI 能把工作做出来，与我们是否掌握了这项工作，是两个不同的问题。
我接触过一些期待 AI 帮忙完成研究、写出论文的人。这让我在意一种使用方式：原本不理解的部分交给 AI，拿到答案之后便不再追问，也不再补上相应的知识。最后，一份完整成果被当成了自己已经掌握方法的证据。这是我想讨论的行为，不是对某个年级、学科或群体的判断。
“不要把 AI 的 beta 当作自己的 alpha”说的就是这种错认。AI 的解释可以用，生成的程序可以用，它也可以帮助我们学会原先不会的东西。但这次工作中，哪些判断是自己作出的，哪些来自工具，哪些还没有弄明白，仍然值得分清。否则，工具的能力可能已经很强，我们对自己能力的认识却越来越模糊。
少写了代码，理解发生在哪里？
熟悉一种分析的人，让 AI 生成程序，可以省去查语法和重复编程的时间。他依然知道模型要回答什么、哪些变量有用，以及输出与设定是否一致。遇到异常结果，可以回到相应步骤讨论。这种协作中的个人能力，体现在问题和判断里，不取决于每一行程序是不是自己敲出来的。
进入陌生方法时，情况就不同了。AI 可能同时补齐程序、模型选择和结果解释。我们得到的帮助更多，但也更容易分不清：自己理解了方法，还是只是跟上了它的讲述？如果一个关键选择还说不清，成果本身并不会补上这个缺口；这个问题仍然可以成为继续学习的起点。
因此，我更关心的是工具帮助之后留下了什么。原来不清楚的概念，有没有变得具体？原来无法判断的设定，有没有找到讨论的依据？对结果仍有疑问时，是否知道怎样继续查？这些变化发生在使用工具的过程中，也比“我独自做完了多少”更贴近我想说的个人能力。
尚未学会，与不再去学，差别很大
开始一项研究时有知识缺口，很常见。新问题可能需要新的方法，新数据也可能暴露原来没遇到过的条件。把疑问交给 AI，可以更快找到解释、例子和资料。学习与研究并不一定等到所有准备完成后才发生，它们往往就在处理这些疑问时一起推进。
让我担心的是另一种情况：疑问被 AI 的答案暂时盖住，工作继续向前，理解却停在原处。比如，AI 推荐了一种估计方法，我们还不清楚为什么适合，却直接接受；生成了一段因果解释，我们还不知道依据在哪里，也不去核对。这里的问题已经从“暂时不会”变成了“答案有了，这部分就不再弄明白”。
这样的使用方式可以让文章很快成形，却可能省掉本来能帮助我们理解研究的过程。新术语出现在正文里，新方法出现在程序里，文件看起来比以前复杂了；但如果遇到不同条件仍只能重新索要一个答案，个人理解究竟增加了多少，就很难仅凭这份文件判断。
这也是“靠 AI 拼出文章”与“借助 AI 推进研究”之间值得讨论的差别。它不在于使用了多少 AI，而在于遇到理解缺口之后发生了什么：疑问被继续展开，还是随着成果完成被留在了身后。
工具帮了多少，自己学到多少？
Bastani 等（2025）在高中数学随机实验中发现，普通 AI 辅助改善了练习表现，但撤去辅助后的独立测验表现低于对照组；结合教师材料、侧重提示的版本减轻了这一影响。这是该实验中的事实，涉及特定教学场景和工具设计。
把这个区别带回科研，是我的推论：协作交付与个人学习可以分别看。前者看这次工作完成得怎样，后者看我们是否形成了新的理解和判断。高中实验没有直接回答科研中的能力变化，也没有说明 AI 使用必然造成退步；它让“完成了”和“学会了”之间的差别更容易被看见。
一项已经熟悉的重复工作，主要目标可能就是省时间。换到正在学习的方法，我们还会关心另一个收获：之后遇到类似但不同的问题，能否更容易认出条件、解释选择或发现遗漏？这两种目标都可以借助 AI 完成，但不能只用最终文件来评价它们。
一个答案，能不能帮助我们继续判断？
假设我们正在比较基础模型与加入控制变量后的模型。AI 给出的解释是，加入控制后核心系数变化了。这个回答把注意力引向模型，却还没有交代有效样本是否同时变化。如果新增变量有缺失值，两份估计可能使用了不同观测，比较便同时涉及模型和样本。
这个例子里，继续弄明白问题有许多途径：看程序和样本量，查方法资料，讨论一致样本上的比较，也可以让 AI 协助生成相应代码。关键是疑问有没有变得更具体。我们最终可以知道原来的解释遗漏了什么，也可以发现还需要哪些信息，而不是只得到一段措辞更完整的结论。
如果每次出现疑问，都只是让 AI 再给一个答案，自己的理解未必随文本长度增长。第一次它说模型合理，第二次它建议换设定，我们仍然可能说不清两个回答为什么不同。这时，困惑本身就有价值：它指出了尚未形成判断的地方，也给继续阅读、讨论和计算提供了方向。
相反，AI 的回答如果让我们能够说明条件、定位分歧，并把这些理解用于下一步，就可能成为学习的一部分。这里不是在判断某次求助够不够独立，而是在区分两种收获：拿到更多答案，与逐渐知道怎样使用这些答案。
把没想清楚的地方继续展开
一种值得尝试的办法，是让自己的解释也参与讨论。比如，在看过 AI 的模型之后，用自己的话说清楚它为什么适合当前问题；或者换一个条件，看看原来的解释还能不能成立。说不清的部分留在讨论里，再借助资料、计算和其他人的意见继续推进，不急着把它变成报告中已经确定的句子。
这并不要求先掌握整套方法才能开始工作。一个具体疑问已经足够：样本为什么减少了，变量为什么取这个定义，结果为什么支持这段解释？AI 可以帮助找线索、给反例、写比较程序。一次协作的价值，可以体现在原本模糊的问题终于被理解，而不只是输出更长了。
这只是我认为可尝试的思路，不是已经验证的能力训练方案。它有没有帮助，要看之后的实际变化：面对新条件，是否更容易发现问题；看到另一个分析，是否能够解释差异。如果理解没有增加，也可以继续调整协作方式。完成了多少文件，与自己想明白了多少事情，仍然是两个问题。
AI 的能力可以成为我们工作的助力。它让一些原本难以开展的尝试变得可行，也让重复劳动更容易交出去。让我在意的是，当工具已经完成计算和表达，我们是否还愿意把那些没想清楚的地方继续弄明白。把这部分也带进工作，AI 的帮助才更有机会成为自己的积累，而不是对自己能力的一次误判。