观点

Waymo 效应:AI 怎么悄悄把科研协作拆散了

HN 177 分讨论撕开一个被忽视的问题——AI 不只替代司机,也把科研里'人帮人'的那部分静默剥离了。

字号

原文标题:The Waymo effect: how AI is quietly making research less collaborative
来源:researchagenda.news
HN 原帖:177 分 / 127 条评论

Waymo 效应是什么

研究议程网站最近抛出一个新词——Waymo 效应。

类比很直接:自动驾驶没消灭"司机"这个职业,但让"叫车"这件事不再需要和司机聊天。你打开 Uber,选个目的地,后座上无人,车门自己开。

AI 对科研的渗透,正在发生类似的事。

过去你必须问师兄、问导师、问隔壁 lab 的博士后——环境怎么配、代码为什么跑不通、dataset 哪里有坑。现在你打开 ChatGPT 或 Claude,30 秒拿到答案。

文章作者想说的不是"AI 取代了科研"。而是:那些藏在协作里的社交粘合剂,被悄悄抽走了。

这不是效率问题。这是科研生态的结构问题。

HN 上吵什么:177 分背后的两种叙事

这篇发在研究议程网站上的文章,在 Hacker News 拿到了 177 分、127 条评论(截至访问时)。评论区大致分两派。

一派是效率派,典型论调是:

"我 PhD 第六年才看到这个。AI 让我从杂活里解放出来,真正做研究的比例从 20% 升到 60%。"

他们把"不再打扰别人"当成解放——以前怕打扰 senior 同事,现在问 AI 没负担。

另一派是协作派,担忧更具体:

"你省下的 30 分钟答疑时间,正在破坏整个 lab 的师承链条。学生不再主动敲导师的门,因为他们已经先问了 AI。导师也不再主动 check 学生,因为学生看起来一切顺利。"

"Code review 变薄了。以前 review 是一对一的指导机会,现在 review 就是一句 'LGTM,AI 生成的我看过了'。"

分歧的本质不是"AI 好不好用"。而是:科研产出的隐性成本——协作里产生的非显性知识——你算不算这笔账?

三个被 AI 偷走的东西

挑三个最具体的场景说。

1. 答疑

以前的环境配置问题:问师兄 → 师兄不在线 → 等半天 → 终于聊上 → 半小时解决。

现在:贴报错给 Claude → 30 秒拿到可运行的修复方案。

时间节省是真的。但你顺便也没和师兄建立关系,没听到他最近在做什么,没机会问出那个你本来不会问的"你这部分怎么想到这样做的"。

2. 改代码 / PR review

以前 PR 等 review 一周,reviewer 边看代码边告诉你"这个写法在我们 lab 是 deprecated 的,改用 X"。一周等下来,你学到的不只是这段代码怎么写,还有这个组的工程文化。

现在 Copilot 实时补全,你自己提 PR、自己合并。快是快了。但你的代码里会不会带着 lab 的口音?不会。它只是"对的代码"。

3. 找 bug

以前 debug 是办公室集体活动——"哎这个 case 跑不出来,大家看看?" 现在你贴进 LLM,自己看。

协作版 debug 的副产品是:旁观者可能提出你完全没想到的角度。AI 版的副产品是:你可能错过一个同事的灵感火花。

把这三个加起来:答疑、review、debug,这三件最不起眼的科研日常,正是导师-学生、前辈-后辈建立信任的场域。AI 越能干,这些场域就越空。

中国推 AI for Science 时,这件事更刺眼

国内最近一年在密集推 AI for Science。各大研究院、AI lab 都在做"AI for Science 专项",目标是把 AI 用在材料、生物、天文、地球科学这些领域。

逻辑线是:AI 让科研更高效 → 产出更多 → 国家竞争力更强。

但如果 Waymo 效应是真的,这条逻辑链的中间一环有问题。

科研产出从来不只是"算力 × 数据 × 算法"。它是协作网络的副产品。你引用一篇 paper,可能是因为你 conference 上听过那个作者讲话;你 debug 出一个新方法,可能是因为隔壁组的人提了一嘴。

Waymo 效应下,协作网络在缩水。一个 PhD 学生用 AI 多了,他/她可能在三年后变成一个 PI,但他/她完全没有"带学生"的经验——因为他自己当年就是自己带的。

效率指标和协作成本,这两本账从来没被同时算过。

怎么对冲:三件具体的事

不写鸡汤,写流程改造。

1. 强制 co-locate 写作 session

每周或每两周,实验室固定 1-2 小时,关掉 AI,两个人或三个人坐一起写同一段代码、同一篇 paper。

目的不是效率。目的是让"闲聊式指导"重新有发生的物理空间。

具体做法可以参考 pair programming 的规矩——一个人写、一个人盯,定时切换。但这不只适用于工程,也适用于写作、实验设计。

2. 定期做"无 AI"的 code review

至少在 lab 内部 PR 上,review 阶段不允许用 AI 直接给出"通过"判断。Reviewer 必须自己读完、写出至少一条非显然的反馈——这条反馈可以是规范、可以是历史原因、可以是"我当年在这个坑里栽过"。

GitHub PR 的 review 评论是协作的化石记录。AI 可以起草,但不能定稿。

3. 把"教别人"算进考核

这是最难的一条。

现在科研考核是论文、项目、经费。"我帮隔壁组解答了 50 个技术问题",这件事算不算产出?不算。

但如果一个 lab 主任明确把"mentor 时间"列进成员的 KPI——比如每月 N 小时的答疑 / review / 教学,并且计入晋升材料——Waymo 效应才有对冲的可能。

没 KPI 的协作,在功利环境里一定是第一个被砍掉的。

编辑思考

写完这篇,我越来越觉得 Waymo 效应最被低估的破坏点不在科研效率,而在中初级人才的成长通道。

以前一个新人进 lab,前两年基本是"边被骂边学"。他/她通过不断问问题、犯低级错误、被 senior 纠正,慢慢理解整个领域的隐性知识。这些隐性知识——"这个数据集为什么有 noise"、"这个方法为什么在我们领域不 work"、"这篇 paper 的 limitation 其实作者没写"——从来不在 paper 里,只在走廊里。

AI 越能干,新人越没机会问这些"笨问题"。不是因为 AI 答得好,而是因为问 AI 是个不需要社交勇气的动作,问 senior 需要。一个害羞的新人,在 AI 时代会被精准保护——也精准孤立。

我自己的预测(留余地):未来 5-10 年,我们会看到一波"AI 原生科研人才"的中年危机——他们 30-40 岁,paper 产量高、工程能力强,但 lab 管理能力、跨学科协作能力、"教人"能力明显弱于上一代。届时高校和研究所会发现:PhD 培养周期可能需要延长,或者重新发明一种师承机制。

不确定的是:这种师承机制是不是能靠流程改造补回来。我倾向悲观——流程能恢复形式,恢复不了密度。但至少,先把形式立起来。


参考来源
- 原报道:The Waymo effect - researchagenda.news
- Hacker News 讨论:news.ycombinator.com/item?id=49656496

来源: https://www.researchagenda.news/articles/the-waymo-effect.html