我们既借助模型的推演，在模型给出的“最优工艺窗口”内实现了镁锂合金综合性能的显著提升，又坚持把那些被模型认为“潜在价值不高”、从未有人尝试的极限参数样品做了出来。

事实很快给我们上了一课。某组AI评价很高的参数，材料表面看起来完整，但截面观察却暴露出局部材料出现偶发流动失稳产生缺陷的问题；相反，另一组并不在模型预测范围内的极限参数，材料内部组织反而展现出前所未有的均匀致密，力学与腐蚀行为也远远优于模型的“预测”。我们比对了当时所有公开报道的文献，发现我们“无意中”制备出了具有最佳“比强度—耐腐蚀性能”的超轻镁合金。

面对这一突破性的现象，我们紧锣密鼓地进行了显微组织观察、力学性能测试和材料流动分析，一点点追踪原因，最终发现决定材料性能的并不只是模型里被简化处理的“热输入高低和材料流动快慢”，而是复杂“热—力”耦合作用下材料中多个组分竞争性的“变形—析出—扩散”的全新机制。

那一刻，实验给出的强有力事实，推翻了非常“漂亮”的AI预测。

更重要的是，那个原本想被省掉的实验点，反而成为我后续研究中最关键的研究方向与线索。这些年，我和团队都沿着这个异常结果的新机制持续研究，重新调整了加工方法和研究思路，对搅拌摩擦加工组织演变和材料流动机制有了更深入的认识，相关研究也因此取得了超出预期的进展，并且进一步拓展到了制备高性能生物镁合金与超大镁合金结构的增材制造。

现在回头看，我常常觉得，这其实就是一次“真理打败偷懒”的过程。

所谓“偷懒”，并不是说科研人员不能借助工具提高效率。科学研究当然需要提高效率，AI也完全可以帮助我们减少大量重复劳动。真正值得警惕的是，把“提高效率”悄悄变成“省略实证”，再把模型预测包装成已经发生的事实。

AI预测可以减少盲目的实验，却不能替代必要的实验验证。AI擅长从已有知识中寻找规律，因此更容易告诉我们“通常会怎样”。但科学进步很多时候恰恰来自一句话：“为什么这一次不一样？”

如果没有真实实验，异常就可能被当作噪声过滤掉，未知也可能被已有规律提前“预测”掉。到最后，模型越来越漂亮，论文里的曲线越来越平滑，人类的科学研究却被锁死在已有知识内部循环中。

讲述人：中国石油大学（华东）化学化工学院副教授 邓深圳

2018年我进入南开大学读博，研究方向是水系锌离子电池。那时候AI还未走进日常，科研生活节奏简单，宿舍、食堂、实验室三点一线。白天合成材料、测数据，晚上看文献、整理结果、写论文。文献检索需要一条一条翻，一篇重要文献的参考文献列表也要逐条去查，顺着引文链条往下追。写英文论文更为耗时，需大量阅读国际顶刊文献，把好的句式记下来，积累语料库。真正动笔时依然不轻松，一个段落改十几遍是常事，一篇论文从初稿到投稿，折腾五六个月是常态。那时候觉得科研本来就该这样——缓慢、笨拙，但每一步都踏实。所有数据都在课题组内部流转。

2022年，我前往香港从事博士后研究。那年ChatGPT火了，组里开始有人用它润色英文、查文献。一开始我没觉得有什么，直到一次组会，一个师弟说他把原始数据“喂”给AI做分析，AI不仅整理了数据规律，还生成了讨论框架。我问他上传了什么，他说是最近半年的全部测试结果，还没来得及整理分析，更没发表。我当时脑子里冒出来一个念头，这些数据上传之后，还属于我们吗？我忍不住问了他一句：“你就不怕这些数据传上去之后，平台把它分享给别人吗？”他沉默了许久没有回答。

那天之后，我专门去看了几款主流AI平台的服务协议，发现几乎都有一句话：用户上传的内容可能被用于优化服务。“优化”具体指什么，没人说得清。那段时间我一直在想，如果师弟把数据上传后，这些数据被用于训练模型，那它们就不再只属于我们了。如果同行恰好在某个时间点问AI相关问题，AI会不会把这些数据“共享”出去？

2024年我回到本硕就读的课题组，开始带研究生。没想到，组里的学生也干了同样的事，一位学生把近一年的实验数据整理成文档，准备上传到AI平台“帮忙分析”。我拦住他：“如果这些数据被平台泄露给别人，研究成果被别人复刻、被抢先发表了怎么办？”他愣住，说了一句让我印象深刻的话：“我就是想快点出结果。”