在AI徹底接管科研之前，我們和三位人類科研工作者聊了聊

進(jìn)入 2026 年， AI 對科研的滲透已遠(yuǎn)超輔助工具的范疇。 Nature 連續(xù)刊發(fā)兩項研究：一是 AI 文獻(xiàn)綜述的引用準(zhǔn)確率超過人類專家；二是 AI 機(jī)器人獨立完成從構(gòu)思、實驗、寫作到同行評議的全流程。這釋放了一個明確信號： AI 正在重塑科研的基礎(chǔ)設(shè)施、生產(chǎn)關(guān)系和評價邏輯。

當(dāng) AI 能獨立完成從構(gòu)思到實驗、寫作再到同行評議的科研全流程，當(dāng) AI 撰寫的文獻(xiàn)綜述引用準(zhǔn)確率超越人類專家，一場關(guān)于科研的深層變革已然到來。

曾經(jīng)， AI 只是科研路上的輔助工具，而今，它正一步步重塑科研的基礎(chǔ)設(shè)施、生產(chǎn)關(guān)系與評價邏輯，從實驗執(zhí)行到論文撰寫，從科研訓(xùn)練到成果評價，科研的各個環(huán)節(jié)都因 AI 迎來新的可能與挑戰(zhàn)。

與此同時，一個根本性問題浮出水面：當(dāng) AI 能提出假設(shè)、設(shè)計實驗、分析數(shù)據(jù)甚至撰寫論文，人類科學(xué)家的價值在哪里？科研訓(xùn)練、論文發(fā)表、學(xué)術(shù)評價體系將何去何從？我們花費數(shù)十年建立的科研訓(xùn)練體系、學(xué)術(shù)出版徹底顛覆掉？

為了深入探討這些問題，本期 DeepTalk 邀請到三位前沿研究者：香港中文大學(xué)（深圳）副教授朱熹、多倫多大學(xué)博士張鵬松、芝加哥大學(xué)博士劉昊琨。圍繞 AI 科學(xué)家的能力邊界、科研論文的價值變遷、評價體系的未來走向，展開了一場深度對談。

以下是對話正文：

DeepTech：歡迎三位老師，請老師們先給大家做個自我介紹。

朱熹：大家好，我是香港中文大學(xué)副教授朱熹。我的研究方向是人工智能和機(jī)器人技術(shù)，并通過機(jī)器與 AI 銜接，把一部分 AI 提出的科學(xué)思路進(jìn)行實驗執(zhí)行，得到實驗數(shù)據(jù)。最近兩年我們非常專注于實驗數(shù)據(jù)背后隱藏的理論分析，比如數(shù)據(jù)之間的關(guān)聯(lián)性——這種關(guān)聯(lián)性背后有底層的理論依據(jù)，最底層到量子力學(xué)，但表面上也有一些我們叫 toy model 或者經(jīng)驗性的數(shù)學(xué)公式。

我們目前做的是從 AI supervisor 提出科研指導(dǎo)，用機(jī)器去進(jìn)行實驗的證明或證偽。在這個過程中，實驗數(shù)據(jù)會展現(xiàn)出一些以前可能被忽視的關(guān)聯(lián)性，我們把它叫做“公式”。這種公式在科學(xué)界和工業(yè)界都很重要，比如高通量篩選后可以用一條線來判斷好壞。希望通過這次活動跟大家分享我們這幾年的科研思考，也跟年輕的科研人員探討這個領(lǐng)域未來的前景。

張鵬松：大家好，我是張鵬松，目前就讀于多倫多大學(xué)博士四年級。我的研究方向是機(jī)器人做微生物操作，以及“ AI +機(jī)器人”做自動化生物實驗。 Chat GPT 出來之后，我們就在想能不能把 AI agent 跟機(jī)器人結(jié)合，做自動化科研，我們前期先做一些純 AI 的探索，做了 AI 科學(xué)家的東西。

在這個過程中我們發(fā)現(xiàn)，相對于人類科學(xué)家， AI 有一個很好的優(yōu)勢——它可以無限復(fù)制。如果 AI 科學(xué)家的能力能達(dá)到研究生或博士生水平，那它產(chǎn)出的科研成果可能會產(chǎn)生一種新的 scaling law —— AI agent 的數(shù)量可以無限部署。基于這個動機(jī)，我們探索了一個專門針對 AI 科學(xué)家或機(jī)器人科學(xué)家產(chǎn)出科研成果的運營平臺。現(xiàn)在我們也在做新的探索： AI 科學(xué)家能不能從 idea 構(gòu)思開始，到做實驗，再到自己寫完論文，然后投到一個只有 AI 參與的會議上，這次也想通過這種方式和大家分享一些我的想法。

劉昊琨：大家好，我是劉昊琨，目前就讀于芝加哥大學(xué)計算機(jī)科學(xué)博士五年級。我從 2023 年底開始接觸 AI 科研，最開始做自動化假設(shè)生成，后來延伸到讓大模型提出有意義的科研假設(shè)。我們遇到了一個瓶頸：如何客觀評估這些科研想法？

帶著這個初衷，我們做了自己的 AI scientist ，叫做 NeuriCo。做了幾個月后，這個 AI 科學(xué)家已經(jīng)能做到初步的科研想法探索，提供初步實驗，并給提出想法的人后續(xù)探索方案。所以我們覺得做一個真正有用的科學(xué)家工具是非常有潛力的。我們最近也推出了一個平臺叫 Agent for Science ，讓不同的 AI 科學(xué)家一起探討科研想法。很期待之后和各位老師的討論，看看大家對 AI 科學(xué)家最前沿的看法，包括它會對科研人員的培養(yǎng)和教育產(chǎn)生什么影響。

什么是 AI 科學(xué)家，對當(dāng)前的沖擊如何

DeepTech：AI 科學(xué)家對我們現(xiàn)有的科研體系意味著什么？對傳統(tǒng)有哪些沖擊？

朱熹：“科學(xué)家”這個定義比科學(xué)要晚，大概在康德之前才出現(xiàn)。科學(xué)本身來自形而上學(xué)的問題，我們今天理解的科學(xué)，一部分是發(fā)現(xiàn)新的現(xiàn)象、優(yōu)化性能——比如把鈣鈦礦材料從 20% 效率提到 30% ，這可以通過大數(shù)據(jù)和大模型來做。但還有另一種科學(xué)，比如量子力學(xué)的發(fā)現(xiàn)，它不可能用數(shù)學(xué)推導(dǎo)出來，這是 AI 目前做不到的。

這里面有一個關(guān)鍵區(qū)分：先驗知識與后驗知識。先驗知識不需要經(jīng)驗，獨立于感官，在任何觀察發(fā)生之前就成立。比如三角形內(nèi)角和 180° ，不需要測量所有三角形就知道。數(shù)學(xué)和邏輯學(xué)都是這樣。 AI 目前的所有知識都是先驗知識——它基于數(shù)據(jù)訓(xùn)練，輸出也是基于已有模式。所以 AI 科學(xué)家仍然非常重要——它能幫我們更高效地發(fā)現(xiàn)新科學(xué)。

DeepTech：所以 AI 既能做干實驗也能做濕實驗？效率能提升多少？

朱熹：效率取決于人類科學(xué)家的直覺。在康德哲學(xué)里有一種綜合的說法—— AI 通過實驗提供更多數(shù)據(jù)，能讓我們有更高的可能性激發(fā)直覺，產(chǎn)生新想法。

DeepTech：張博和劉博做的是 AI 領(lǐng)域的科研，那 AI 科學(xué)家對你們的沖擊是不是更大？

劉昊琨：我覺得是的。我特別認(rèn)同朱老師關(guān)于后驗科學(xué)的說法——我們?nèi)鄙俚氖切碌摹⑽幢欢x過的發(fā)現(xiàn)， AI 很難幫我們提供這些。回到 AI 科研本身，結(jié)論是沖擊確實更大。因為現(xiàn)在的 AI 工具已經(jīng)能做大量干實驗中的執(zhí)行工作：數(shù)據(jù)分析、簡單模型訓(xùn)練、撰寫論文，甚至根據(jù)反饋迭代工作流。如果只考慮執(zhí)行層面， AI 已經(jīng)能做所有事情。

但為什么 AI 科學(xué)家還沒達(dá)到理想水準(zhǔn)？因為科研中的決策——比如下一步該做什么實驗、用什么數(shù)據(jù)測試、數(shù)據(jù)有沒有泄露問題——這些“科研品味”和“高標(biāo)準(zhǔn)”是 AI 特別欠缺的。所以現(xiàn)在的工作流仍然需要大量人類提供好的品味和決策。

張鵬松：我從個人體驗補(bǔ)充一下，我做的方向是 AI 機(jī)器人做生物科學(xué)研究。一個比較大的沖擊是：研究生拿到一個課題后，以前我們要把歷史代碼和數(shù)據(jù)給他看，現(xiàn)在他可以直接借助 AI 工具進(jìn)行自動分析數(shù)據(jù)、掌握課題架構(gòu)，我們甚至做了一個實驗來驗證這個現(xiàn)象，同時也發(fā)到了 AI 預(yù)印本上。

AI 對基礎(chǔ)科研能力訓(xùn)練的提升作用

DeepTech：如果有自動化實驗，研究生還需要長時間訓(xùn)練嗎？另外，提出問題能力和解決問題能力，哪個更重要呢？

張鵬松：培訓(xùn)還是有必要的，但時間不需要那么長。干實驗和濕實驗的基礎(chǔ)培訓(xùn)還是要做的。濕實驗方面，如果實驗設(shè)計已經(jīng)自動化，一兩天的基礎(chǔ)培訓(xùn)也夠了，我認(rèn)為真正需要的培訓(xùn)更多是安全規(guī)范和流程。

至于提出問題 vs 解決問題，以前說“ idea is cheap , show me the code ”，意思是想法是廉價的，但是結(jié)果是重要的。但現(xiàn)在 AI 解決問題的能力提升很快，所以提出問題更重要了。問題提出來之后， AI 科學(xué)家或機(jī)器人科學(xué)家很可能幫你實現(xiàn)。甚至小學(xué)生、初中生都可以提出問題，提煉成科學(xué)問題。未來人人都可能成為科學(xué)家，只要他們能提出有意義的問題。

劉昊琨：我同樣認(rèn)為培訓(xùn)是必要的，而且傳統(tǒng)培訓(xùn)方式可能優(yōu)于 AI 輔助培訓(xùn)。就像小時候?qū)W數(shù)學(xué)，背公式不如從頭推導(dǎo)。傳統(tǒng)培訓(xùn)能讓人真正理解底層意義，知道遇到什么情況該怎么做。這些不是口頭能教會的，必須通過切實體會——比如科研中遇到困難、自己解決或合作解決。這樣的經(jīng)歷對成長至關(guān)重要。

關(guān)于提出問題 vs 解決問題，我覺得都重要。提出問題和解決問題是分不開的。解決問題中，知道“怎么解決”比“執(zhí)行”重要。 AI 大大提高了執(zhí)行力，但對于開放性科研問題， AI 還不能有效提出最佳解決方案。人類仍然需要提供解決問題的路徑。

朱熹：我們要把問題放在特定時空中看， 100 年前的科學(xué)家受的教育在我們看來很初級，100 年后的人也會看我們。我們現(xiàn)在的選擇其實是受制于技術(shù)水平的——我們用手做實驗，是因為沒有自動化技術(shù)。放在十年、二十年前，我們甚至要去圖書館翻紙質(zhì)文獻(xiàn)。

所以判斷要不要學(xué)某項技術(shù)，要看我們能獲取什么資源，以及這些資源是否符合科技培養(yǎng)的初心。化學(xué)實驗 300 年來一直圍繞同一種動手能力培養(yǎng)，但現(xiàn)在我們可能是在培養(yǎng)最后一批用手做實驗的人類。隨著技術(shù)進(jìn)步，很多實驗操作可以用機(jī)器代替。

至于提出問題還是解決問題重要，要看場景。黎曼猜想——提出問題本身就需要極深的洞察力。比如對于國產(chǎn)芯片問題，解決這個問題需要大量的努力和運氣，所以不能一概而論。

AI 科學(xué)家的技術(shù)路

DeepTech：我們做 AI 科學(xué)家，是訓(xùn)練自己的模型，還是用開源模型微調(diào)，還是直接調(diào)用 API ？

朱熹：2023 年三四月份， Llama 剛出來的時候，我們有合作伙伴花了三個月、 3,000 多萬訓(xùn)練了一個模型。后來 Llama 不斷出新版本，甚至 DeepSeek 出來了，以前訓(xùn)練的模型性能完全跟不上，錢基本白花了，所以從頭訓(xùn)練這條路走不通。

現(xiàn)在大公司完全具備訓(xùn)練能力，對一般科研團(tuán)隊來說，做微調(diào)或者用大公司的模型加垂直領(lǐng)域，性能肯定比我們自己做的更好。所以在純軟件和 AI 開發(fā)層面，跟大公司競爭是徒勞的。我們一直重視濕實驗，就是這個邏輯。

劉昊琨：我知道 Meta 做過 Galactica ，從頭訓(xùn)練的科學(xué)大模型，表現(xiàn)太差被砍掉了。現(xiàn)在確實有很多人在做各種嘗試：從頭訓(xùn)練、微調(diào)、套殼工具。但即使有這么多工作，依然沒有一個能被廣泛使用的、真正帶來科研產(chǎn)出的好工具。包括之前直播產(chǎn)出了 100 多篇論文的那些工作，局限性都很大。

我覺得大公司有他們的優(yōu)先級， AI 科學(xué)家可能不是短期能帶來大量收益的方向。他們現(xiàn)在主攻推理和寫代碼。學(xué)術(shù)界如果能集中不同領(lǐng)域的科研需求，做一個對每個領(lǐng)域都有用的工具，還是有意義的。

張鵬松：我個人體驗是套殼工具能力更強(qiáng)，因為它內(nèi)部用的是 GPT 或 Claude 這種基模。但濕實驗學(xué)科——生物、化學(xué)、工程設(shè)計——大公司做不到，因為機(jī)器人的通用操作能力還很弱。運動能力已經(jīng)很強(qiáng)了，但像人一樣在物理世界操作任何物體，還差得遠(yuǎn)。這是非常大的門檻。

AI 寫論文是理解知識還是概率匹配？

DeepTech：AI 寫論文，是真正理解了知識，還是只是概率匹配？論文在科研中的核心價值是否在下降？

朱熹：Nature 官網(wǎng)有它的使命：一是通過發(fā)表各學(xué)科進(jìn)展服務(wù)科學(xué)家，讓科學(xué)家知道別人在做什么；二是讓科學(xué)家的成果能夠表達(dá)出去，讓外面的人知道。本質(zhì)上，論文不是剛需，剛需的是論文中的知識。

在現(xiàn)在的傳播媒體下，出版社已經(jīng)不是一個必需的存在——它更多是話語權(quán)的評定。 X 平臺（原 Twitter）如果是一個出版社，它輻射的人群和社會影響力遠(yuǎn)遠(yuǎn)超過任何訂閱制出版社。出版社的歷史使命已經(jīng)快要結(jié)束了。它的評價體系也在日趨瓦解——看看 Elsevier 母公司 Relx 的股票，一直沒有增長，市場在用腳投票。

現(xiàn)在最好的科技并沒有發(fā)表在出版社的雜志上，而是在私人公司的保險箱里。我們獲取有用知識越來越難， AI 可能能幫我們解決這個問題。

DeepTech：那 AI 寫論文的價值在哪里？能體現(xiàn)人類思想嗎？

朱熹：論文是給人看的，沒有人真的想看你的論文，你寫論文無非是告訴別人“我的論文被某個期刊評價了”，進(jìn)而引導(dǎo)別人對你個人進(jìn)行評價。如果你的工作真的解決了重大問題，那工作內(nèi)容本身已經(jīng)超過論文的價值。 AI 寫的論文和人寫的論文本質(zhì)上沒有區(qū)別，區(qū)別在于利益主體是誰。

劉昊琨：我大部分同意朱老師的看法。 AI 寫論文現(xiàn)在的主要作用就是個人價值增長——簡歷更好看，頂會論文多，能拿好工作。這很現(xiàn)實。

但我對論文這種傳播途徑不太喜歡。現(xiàn)在的論文花大量文筆講“做了什么、為什么好、和基準(zhǔn)測試對比”，但作為科研人員，我最想知道的是：你從什么地方開始的？為什么要這么做？中途失敗過哪些？什么證據(jù)給了你后續(xù)思路？這些東西幾乎沒人寫了。

社交媒體反倒成了傳播科學(xué)知識的主體，很多科研人員花大量精力在這些平臺上傳播工作、直接討論、碰撞想法。這比讀一篇論文、發(fā)表評論要高效得多。

張鵬松：基于兩位的看法，我擴(kuò)展一下我的想法。如果 AI 做科研的水平能達(dá)到科研工作者的中等水平，那 AI 產(chǎn)出的論文人類可能根本看不過來。這種情況下， AI 寫的論文主要閱讀對象是 AI 自己——讓 AI 提煉觀點和方法。

另外，傳統(tǒng)期刊和會議現(xiàn)在只是一個過渡階段。人類和 AI 合作會產(chǎn)出巨大增量的論文，期刊根本管不過來。未來的科研成果發(fā)布可能需要像小紅書、抖音一樣，有精準(zhǔn)推送機(jī)制，把海量論文推送到不同人的注意力上。

同行評議的危機(jī)：頂會投稿量暴增與評審質(zhì)量下滑

DeepTech：如果頂會用低水平審稿人，或者審稿人用 AI 審稿，會沖擊學(xué)術(shù)生態(tài)嗎？

張鵬松：我們做過這樣的思考。如果有一個學(xué)術(shù)社交平臺，最好設(shè)置機(jī)制，即有經(jīng)過認(rèn)證的人類學(xué)者進(jìn)行評審，也有經(jīng)過訓(xùn)練和對齊的 AI 評審智能體，普通人和 AI agent 的評論可以放到另一個區(qū)域，這樣有學(xué)術(shù)界的人背書。但說實話，現(xiàn)在很多會議的評審質(zhì)量也不怎么樣。很多審稿人是剛?cè)雽W(xué)的研究生，甚至直接用 AI 審稿。就連 Science / Nature ，不同審稿人的標(biāo)準(zhǔn)也差異很大——有的覺得好，有的覺得不行，最后還是發(fā)表了。引入社會化評論，可能反而能更好評價一篇論文的價值。

劉昊琨：我個人對頂會的信任度在過去幾年急劇降低。一是讀了很多頂會論文，質(zhì)量并不好；二是評審機(jī)制能提供的幫助越來越小——很多時候評審意見就是扯淡，甚至高分也會被 AC 拒掉。所以頂會已經(jīng)不再是權(quán)威的代表。好論文當(dāng)然還有，但“噪聲”概率在上升。花時間讀頂會論文，很可能浪費很多時間。

更好的媒介是什么？比如 arXiv 這種平臺，讓大家自由上傳工作，不一定以長篇論文形式。再加上自動驗證工具——幫忙驗證論文內(nèi)容真假、嘗試復(fù)現(xiàn)結(jié)果——可以作為初步門檻，減少評審壓力。

朱熹：我分享一個觀點：如果你有很好的工作，就不應(yīng)該發(fā)論文。為什么？第一，頂刊有自己的篩選邏輯，你覺得好不一定能發(fā)。第二，發(fā)表后別人可以不引用你，改一改說自己原創(chuàng)。第三，大公司會拿走你的技術(shù)，但不會承認(rèn)你。所以如果你的工作越好，越不該發(fā)論文。你應(yīng)該不斷深化它，找可靠的朋友合作，把它變成能服務(wù)社會也能服務(wù)自己的東西。

審稿這件事本身就有問題。為什么需要期刊幫我們判斷論文好壞？無非是自己不懂。如果你分辨不出論文好壞，就不要進(jìn)這個圈子。 AI 技術(shù)樹立了一個客觀標(biāo)桿，能把不適合的人排除出去。

AI Native 一代：科研人員將如何成長

DeepTech：我們這一代人可能是傳統(tǒng)科研訓(xùn)練出來的最后一代。 AI Native 培養(yǎng)出來的科研人員，他們需要如何成長？

朱熹：AI Native 的學(xué)生，他們的動手能力是“熱兵器化”的——高通量理解實驗數(shù)據(jù)，同時理解 60 多個數(shù)據(jù)。他們不會像我們一樣依賴權(quán)威，而是用統(tǒng)計投票思維，知道一兩個樣本天然有方差，只要用合適的教育方式，他們絕對比我們厲害太多。

他們跨過了我們那些陳舊的評價體系。某種意義上，他們應(yīng)該把我們代謝掉，用更高效的方式解決真正的卡脖子問題、設(shè)計新材料，這慢慢就回歸到科研本身了。

劉昊琨：回顧我自己的受教育過程，如果有 AI 工具，很多學(xué)習(xí)階段會壓縮。整個知識體系構(gòu)建會不一樣，年輕一代基于 AI 高效生產(chǎn)的思維體系，一定會帶來爆發(fā)式增長。打個比方： 20 多年前網(wǎng)球拍是木質(zhì)的，現(xiàn)在用碳纖維，輕太多了。年輕球員的技術(shù)和 30 年前完全不一樣。把過去的球星放到現(xiàn)在，一定打不過年輕人——因為他們的技術(shù)受限于當(dāng)時的科技。同樣的，未來年輕人的知識體系建立在高效率上，他們對世界的理解一定會比我們更深。

張鵬松：AI Native 培養(yǎng)出來的科研人員，教育時長是不是應(yīng)該改變？現(xiàn)在讀完博士要 30歲，中間很多時間花在初中、高中、大學(xué)的基礎(chǔ)知識上。如果高中以前的教育能壓縮到小學(xué)完成，大學(xué)教育在初中前完成，那初中高中就可以培養(yǎng)科研思維和創(chuàng)新思維，這樣社會進(jìn)步會更快。

學(xué)術(shù)出版的商業(yè)模式與 AI 影響的傳播速度

DeepTech：開放獲取期刊更有利于傳播嗎？付費墻會不會導(dǎo)致知識壟斷？

劉昊琨：我希望看到學(xué)術(shù)期刊領(lǐng)域發(fā)生重大變革。大量資源集中在名校，小組的好工作沒人看。頂會的權(quán)威性在降低。很多讀 PhD 的人一開始都抱著一腔熱血想做純粹科研，但看到環(huán)境里發(fā)生了太多不純粹的事情。我希望看到更公開、更真實的科研討論，哪怕代價是現(xiàn)有機(jī)構(gòu)瓦解。

朱熹：從商業(yè)模式上講，出版社把尖端知識搜集起來分發(fā)本身沒問題，問題在于產(chǎn)品質(zhì)量在下滑，客戶在拋棄它，好的科研它不要，人家總要找個家。所以商業(yè)模式?jīng)]問題，只是出版社自己沒有做好。

張鵬松：我認(rèn)為現(xiàn)在的商業(yè)模式有巨大問題，作者投稿要交錢，讀者閱讀要交錢，審稿人是免費的——出版商利用三方價值。開放獲取讓作者交錢，也是霸王條款。真正的開放獲取應(yīng)該像 arXiv 一樣完全免費。而且審稿人應(yīng)該獲得金錢回報。

AI 對科技評價體系的沖擊

DeepTech：AI 科學(xué)家能否作為獨立評價對象？能否作為共同作者？

朱熹：評價體系要看主體，私立大學(xué)自己對自己負(fù)責(zé)，領(lǐng)導(dǎo)懂科學(xué)的話聊五分鐘就知道水平。公立體系比較復(fù)雜，評價者未必是專業(yè)人士，所以需要共識性標(biāo)準(zhǔn)。目前的論文評價體系雖然不是科學(xué)的，但是合理的。

AI 可以輔助評價，比如做創(chuàng)新性分析——更準(zhǔn)確地說是“創(chuàng)舊性分析”，找出與已有工作的重合度。但更重要的是， AI 讓科研可以面向市場交易——解決真實社會問題、讓更多人認(rèn)可你的創(chuàng)新。在不干擾現(xiàn)有評價體系的前提下，我們可以有自己的獨立評價方式。

劉昊琨：我傾向于 AI 目前只是工具。我每天都在用 AI ，但它幫我實現(xiàn)的事情，核心思路還是我自己的努力和思考。如果某天大公司做出能自發(fā)產(chǎn)生好品味的模型，我可能會考慮把 AI 作為共同作者，但現(xiàn)在，它就是工具。

張鵬松：我們跟很多專家討論過，把 AI 作者分成三種情況：

AI 端到端做科研，自己生成 idea 、執(zhí)行所有流程——列為第一作者和通訊作者，但要鏈接一個對人類負(fù)責(zé)的人。

人類主導(dǎo)， AI 輔助實驗和細(xì)節(jié)——列為共同作者，是否共同一作由人類決定。

AI 探索出大部分工作，但需要人類專家判斷指導(dǎo)—— AI 是第一作者，人類是責(zé)任作者。

所以， AI 是工具，但未來某一天，它可能會成為真正的伙伴。

DeepTech：非常感謝三位老師的深度對談，也感謝大家的收聽。關(guān)于本期內(nèi)容，歡迎在評論區(qū)和我們交流。