什麼是 Waymo 效應
researchagenda.news 最近造了一個新詞——Waymo 效應。
類比很直觀:自駕車沒有消滅「司機」這個職業,但讓「叫車」這件事不再需要跟司機聊天。你打開 Uber,選好目的地,後座沒人,車門自動開。
AI 滲透進科研的過程,正在上演同樣的事。
以前你得問學長、問指導教授、問隔壁 lab 的博士後——環境怎麼架、程式為什麼跑不過、dataset 哪裡有雷。現在你打開 ChatGPT 或 Claude,30 秒就有答案。
文章作者想講的不是「AI 取代了科研」,而是:藏在協作裡的社會黏合劑,被悄悄抽走了。
這不是效率問題,而是科研生態的結構性問題。
HN 上吵什麼:177 分背後的兩種敘事
這篇文章在 Hacker News 拿下 177 分、127 則留言(截稿前)。留言區大致分兩派。
一派是效率派,典型說法是:
「我 PhD 最後一年才看到這篇。AI 讓我從雜務裡解放,真正做研究的時間從 20% 拉到 60%。」
他們把「不用再打擾別人」視為解放——以前怕煩到資深同事,現在問 AI 沒心理負擔。
另一派是協作派,擔憂更具體:
「你省下的 30 分鐘答疑時間,正在腐蝕整個 lab 的師承鏈。學生不再主動敲指導教授的門,因為他們已經先問過 AI 了。教授也不再主動關心學生進度,因為學生看起來一切順利。」
「Code review 變薄了。以前 review 是一對一的指導機會,現在 review 就是一句『LGTM,AI 生成的我看過了』。」
分歧的本質不是「AI 好不好用」,而是:科研產出的隱性成本——協作中產生的非顯性知識——這筆帳你算不算?
三件被 AI 偷走的東西
挑三個最具體的情境來談。
1. 答疑
以前的環境設定問題:問學長 → 學長不在線 → 等半天 → 終於聊上 → 半小時搞定。
現在:貼錯誤訊息給 Claude → 30 秒拿到可跑的修正方案。
時間省下來是真的。但你也順便沒跟學長建立關係,沒聽到他最近在忙什麼,沒機會問出那句你本來不會問的「你這部分怎麼想到這樣做的」。
2. 改程式碼 / PR review
以前 PR 等 review 等一週,reviewer 邊看程式邊告訴你「這個寫法在我們 lab 已經 deprecated 了,改用 X」。一週等下來,你學到的不只是這段程式怎麼寫,還有這個組的工程文化。
現在 Copilot 即時補完,你自己開 PR、自己合。快是快了。但你的程式碼裡還會帶著 lab 的口音嗎?不會。它只是「對的程式碼」。
3. 找 bug
以前 debug 是辦公室的集體活動——「欸這個 case 跑不出來,大家看一下?」現在你丟進 LLM,自己看。
協作版 debug 的副產品是:旁觀者可能提出你完全沒想過的角度。AI 版的副產品是:你可能錯過某個同事的靈光乍現。
把這三項加起來:答疑、review、debug,這三件最不起眼的科研日常,正是指導教授—學生、前輩—後輩建立信任的場域。AI 越能幹,這些場域就越空。
台灣與華文圈推 AI for Science 時,這件事更刺眼
華文科研圈最近一年在密集推 AI for Science。各大研究院、AI lab 都在做「AI for Science 專項」,目標是把 AI 應用在材料、生物、天文、地球科學等領域。
邏輯鏈是:AI 讓科研更高效 → 產出更多 → 國家競爭力更強。
但如果 Waymo 效應是真的,這條邏輯鏈的中間一環有問題。
科研產出從來不只是「算力 × 資料 × 演算法」。它是協作網絡的副產品。你引用一篇 paper,可能是因為你在 conference 上聽過那個作者演講;你 debug 出新方法,可能是因為隔壁組的人隨口提了一句。
在 Waymo 效應下,協作網絡正在萎縮。一個 PhD 學生用 AI 越多,他/她可能在三年後變成一個 PI,但他/她完全沒有「帶學生」的經驗——因為他自己當年就是自己帶自己的。
效率指標和協作成本,這兩本帳從來沒被同時算過。
怎麼對沖:三件具體的事
不寫雞湯,寫流程改造。
1. 強制 co-locate 寫作 session
每週或每兩週,實驗室固定 1-2 小時,關掉 AI,兩個人或三個人坐在一起寫同一段程式、同一篇 paper。
目的不是效率。目的是讓「閒聊式指導」重新有發生的實體空間。
具體做法可以參考 pair programming 的規矩——一個人寫、一個人盯,定時切換。但這不只適用工程,也適用寫作、實驗設計。
2. 定期做「無 AI」的 code review
至少在 lab 內部 PR 上,review 階段不允許用 AI 直接給出「通過」判斷。Reviewer 必須自己讀完、寫出至少一條非顯然的回饋——這條回饋可以是規範、可以是歷史脈絡、可以是「我當年在這個坑裡栽過」。
GitHub PR 的 review 留言是協作的化石紀錄。AI 可以起草,但不能定稿。
3. 把「教別人」算進考核
這是最難的一條。
現在科研考核是論文、計畫、經費。「我幫隔壁組解答了 50 個技術問題」,這件事算不算產出?不算。
但如果一個 lab 主持人明確把「mentor 時間」列入成員的 KPI——例如每月 N 小時的答疑 / review / 教學,並且計入升等資料——Waymo 效應才有對沖的可能。
沒 KPI 的協作,在功利環境裡一定是第一個被砍掉的。
編輯思考
寫完這篇,我越來越覺得 Waymo 效應最被低估的破壞點不在科研效率,而在初中階人才的成長通道。
以前一個新人進 lab,前兩年基本是「邊被罵邊學」。他/她透過不斷問問題、犯低階錯誤、被資深同事糾正,慢慢理解整個領域的隱性知識。這些隱性知識——「這個 dataset 為什麼有 noise」、「這個方法為什麼在我們領域不 work」、「這篇 paper 的 limitation 其實作者沒寫」——從來不在 paper 裡,只在走廊裡。
AI 越能幹,新人越沒機會問這些「笨問題」。不是因為 AI 答得好,而是因為問 AI 是個不需要社交勇氣的動作,問資深同事需要。一個害羞的新人,在 AI 時代會被精準保護——也精準孤立。
我自己的預測(留餘地):未來 5-10 年,我們會看到一波「AI 原生科研人才」的中年危機——他們 30-40 歲,paper 產量高、工程能力強,但 lab 管理能力、跨領域協作能力、「教人」能力明顯弱於上一代。屆時大學與研究機構會發現:PhD 培養週期可能需要延長,或者重新發明一種師承機制。
不確定的是:這種師承機制能不能靠流程改造補回來。我傾向悲觀——流程能恢復形式,恢復不了密度。但至少,先把形式立起來。
參考來源
- 原報導:The Waymo effect - researchagenda.news
- Hacker News 討論:news.ycombinator.com/item?id=49656496