诺奖季的冷思考：重大发现靠长期积累，AI能省下哪些时间

10月5日至7日，2026年诺贝尔自然科学奖陆续揭晓。半个月过去，热闹渐渐退去，留给科研人的是一个老问题：重大发现到底从哪里来？在 AI 工具层出不穷的今天，研究者又该把自己的时间花在哪里？PaperOK科研助手团队借这个时间点，谈谈我们对 AI 科研工具边界的理解，以及它能实实在在帮研究者省下的那部分时间。

三个奖项，三段长期积累

据中国科学院、科学网消息，今年的生理学或者医学奖颁给了卡尔·戴塞罗思、彼得·黑格曼、格奥尔格·内格尔，以表彰光门控离子通道与光遗传学的发现，该技术起源于对单细胞绿藻的趋光性的研究；物理学奖颁给了弗朗西斯·哈尔岑，以表彰他在冰立方中微子天文台中的决定性贡献，以及发现天体物理起源高能中微子；化学奖颁给了亨利·B·卡甘、硖合宪三，以表彰他们在不对称有机合成中发现了非线性效应与自催化现象。

这三个成果的领域相距甚远，但都有一个共同点，它们不是一蹴而就的。从观察绿藻趋光，发展到控制神经的工具，从建造一个天文台到接收到来自宇宙的信号--问题的提出、方向坚持和对异常的敏感--，是任何东西也代替不了的。

但是长期的积累不代表每天都去思考。真实情况是查文献、做表格、调代码、对数据、调格式……这部分的劳动是必要的、费时的，但很少带来新的思想。

可以交给 AI 的，与必须自己做的

我们把科研工作粗略分成两类。下面这张清单，也是 PaperOK科研助手在设计时给自己划的边界：

交出去的这部分并不是交了就不管了。科研助手每步都记录在「工作过程」中，可展开查看；不满意可从任意一条分支重做，改错一键撤销。

两种工作间也存在模糊区域，最典型的就是文献总结。AI能够快速将几十篇论文汇总成一张表格，但是哪些方法存在问题、哪些结论被后续的研究推翻，需要阅读原文进行判断。我们的建议是：让它告诉我们每个总结的出处，选择几个重点的精读，落实“读过”。这道边界不是约束，而是使研究者对自己的工作保持控制。

一个例子：最费时的排版与复核

写过论文方法部分的人应该知道，公式的输入和数字的检查是最让人头疼的。官网“案例”页面有一个真实运行案例，演示项目和数据均为模拟数据，但是流程是真实的：

165 处公式要是自己用Word一个一个打出来，208个数据再对照着表格重新计算一遍，可能会耗费掉研究者好几天时间。这部分交出去，自己可以专心于更重要的问题，这些方法设计得怎么样、实验结果如何、缺少哪些对照。

把时间还给思考

AI不会使一项研究跳过它应该有的积累期，也不应被用来跳过。它最大的价值就是，能让一个研究生不用花掉整个周末去调整格式，能让一个青年教师在申请书提交之前有时间多阅读几篇文献。每周一早上自动送到手机上的论文简报，一份能一键复现的分析脚本，都在为“长期”省下了些许日常。

诺奖季结束，实验室又恢复日常。与其期待工具创造奇迹，不如将重复性的工作交由工具完成，将精力集中在机器无法解答的难题上。