谈谈计算化学新人使用生成式AI需要注意的问题与合理使用AI的方式
谈谈计算化学新人使用生成式AI需要注意的问题与合理使用AI的方式
Problems that computational chemistry newbies should pay attention to when using generative AI and the ways to use AI reasonably
文/Sobereva@北京科音 2026-Jul-9
0 前言
近些年生成式AI（如Gemini、chatGPT、Grok等。本文说的AI一律是指这一类）的兴起，用户迅猛增长。尤其是从2025年开始，随着中国本土厂商的生成式AI服务的充分成熟并且使用免费，国内AI用户人数激增，影响早已扩散到了计算化学领域。这就造成了一个严重问题，就是无数缺乏AI使用基本常识、缺乏计算化学常识的人各种胡用瞎用AI，被AI的一本正经的胡说八道耍得团团转，自取其辱，吃了大亏。比如我日复一日在计算化学公社论坛（http://bbs.keinsci.com）、思想家公社QQ群（http://sobereva.com/QQrule.html）答疑时看到过不少计算化学纯外行（真是连初学者都算不上，连最基本的计算化学常识都没有）用AI写出来的垃圾输入文件，其中出现了很多根本不存在胡编乱造的关键词，并且计算的逻辑和方式十分匪夷所思，简直魔幻，这在国内AI应用兴起之前我是从未看到过的。而且滥用AI的人还往往干扰别人、给别人带来不少麻烦，比如拿AI产生的信息在不经考证的情况下就当做论据误导他人、拿AI产生的低质量信息让内行人审阅浪费他们的宝贵时间、把AI产生的一些漏洞百出的文字教程和示意图发到网上导致没有基本辨别能力的小白受到毒害，等等。
鉴于AI在中国的计算化学领域已经被滥用得成灾，产生的负面影响太大，我觉得有必要写本文对新人强调一下在计算化学研究过程中使用AI需要注意的问题，以及什么情况以什么姿势使用AI是能起到正面作用的。除了这个目的外，本文还同时侧重于知识性，对AI了解较少的读者看了此文后能获得不少相关知识，能一定程度开阔眼界和解放思想。
顺带一提，我早就在我创立的计算化学公社论坛的置顶的社员必读贴里、思想家公社QQ群的群规里明令强调“严禁直接贴生成式AI对计算化学相关问题的回答”、“本群是人之间交流的地方。若无绝对必要，不可在本群提及生成式AI”等。这显然是为了避免AI产生的信息污染论坛和讨论群、拉低讨论水准和信息的可信度。然而这似乎导致个别人误以为我抵制使用AI，这完全是大错特错。AI属于重大的技术进步，该用时当然得用（我是Gemini和Grok的重度用户，天天在用），否则就如同当年有了互联网和搜索引擎后还自己频繁跑图书馆去查纸质资料，明显效率太低。你不用而别人都在用你就必然会落后。但AI与传统辅助工具的截然不同之处是它会极为逼真地模仿人类，还有一定推理能力，因而产生的错误信息对新人极具欺骗性！AI自己完全不知道自己的能力边界在哪，你敢问它就敢答，还总是答得信誓旦旦。显然能否正确使用AI给自己带来便利极度依赖使用者自己的认知。内行人正确用AI能显著提升自己的效率，腾出更多精力思考、干AI干不了的事；而滥用AI的外行人则盲目地试图把所有问题都推给AI，还想让AI代替自己的思考和判断，甚至代替自己的一切努力，这显然不会有好下场。PS：我甚至还在网上看到对话截图，有学生把导师给他发的要求都扔到国内的某个非常流行的很low的AI里，他就负责把这AI产生的文字直接发送给导师，面对导师布置的任务用AI跟导师打太极、被导师批评时靠AI给自己辩解和开脱，相当于导师一直在跟AI对话，这样的学生真是无可救药，不被退学天理难容。
我还看到个别人竟然以为我在网上回答海量计算化学问题时用了AI，在此声明绝无此事。我的回答里每个字都是我自己敲出来的（引用的内容除外）。仅对于别人提问的内容涉及到我不熟悉的化学（计算化学分支除外）、物理等领域的问题时，我可能会利用AI调查一下相关知识。有时候提问者提供的信息十分冗杂、混乱，极个别的时候我会放到相对正经点的AI里尝试一下，看看AI吐出的绝大部分都是“芬芳”的信息里有没有一丝对我有启发的线索、可能是有意义的说法，如果有的话我再将之作为参考做进一步思考。我实在完全不懂的我就不回答或者明确说我不会，而不会像AI那样其实不知道答案也会强行瞎编出一个。但凡我回答出的文字，我都是有>99%把握回答的是正确的。
1 计算化学初学者使用AI特别需要注意的问题
这里先对滥用AI最严重的计算化学新人们说说使用AI需要注意的问题。我首先表态，我强烈不建议刚进入计算化学行当的新人们用AI！之前有个讨论帖“计算新手不要用AI”（http://bbs.keinsci.com/thread-52382-1-1.html），在里面不仅我，还有许多专业同行们也都表示了相同的态度。不推荐用AI的关键原因在于新人一方面几乎完全不懂AI的局限性，另一方面在于他们对计算化学知识缺乏常识性的了解，因此他们是最容易被AI产生的含有大量错误信息坑的人，而且不是偶尔被坑而是频繁被坑，甚至坑得很惨，比如用了错误的方式计算瞎折腾一两周毫无进展，甚至按照AI说的方式花好了几个月甚至半年好不容易算完了数据、写完了文章投出去，结果被审稿人指出存在显著硬伤，直到问了内行才发现之前都是胡算瞎算。
不知道AI局限性的人根本没资格用AI！计算化学新人用AI之前首先要知道AI的关键局限性在哪，以下两点极度关键：
(1)专业计算化学领域的适用于训练AI模型的靠谱的信息（语料）极为有限。要好好想想凭什么AI能回答你的问题，难道AI是神仙？当然不是！AI是基于互联网上能够抓取到的信息训练出的大语言模型（有些模型也把有商业版权的书籍等资料纳入训练），除非你能提供额外资料供AI在回答时检索，否则AI自己的知识库（如同人的记忆）显然不可能超过训练模型时输入的信息。计算化学专业人士长期积累的很多宝贵的知识经验往往根本不存在于公开的网络上，或者即便在网上分享了，也很可能没有被抓取到。还要特别注意的是，AI模型在训练时会忽略掉大量长尾知识（越小尺寸模型这点越严重），这相当于庞大的数据集在被训练成模型时出现了显著的知识的有损压缩。长尾知识是指训练集中出现频率很低、很稀有的那类信息，计算化学领域的内行人才懂的高度专业的信息就属于这种，对于训练汽车驾驶模型类似于马路上冲出一只猪这种罕见事件。可见，非常专业的计算化学知识存在于AI模型的知识库里的概率非常低、量普遍很少、非常碎片化，AI自己根本就不很懂这方面的知识，怎么可能指望能让AI准确回答这类问题？此外，网上还有很多错误的计算化学信息，比如某虫、某吧、某乎、某书等没有内行人把关的地方，以及一些博客，虽然也有不少有价值的信息，但同时还充斥着大量和计算化学相关的不准确、有严重误导的信息，更是严重污染了训练AI模型的数据集、令AI回答的可靠性又打了折扣。PS：不得不说，笔者创立的计算化学公社论坛（http://bbs.keinsci.com）这样信息量巨大、专业硬核、可信度很高的数据来源，对于训练AI模型的计算化学部分来说真是独一无二的宝藏了。此论坛如今已对干扰论坛运行的擅自大量爬取论坛内容的行为持严厉打击态度，见公告帖http://bbs.keinsci.com/thread-59785-1-1.html。
(2)AI的幻觉。AI幻觉是AI模型实际应用中的头号问题之一，通俗来说就是一本正经地胡说八道。我总说“尽信AI不如无AI”，关键就在于此。一个经典例子是2023年一个美国资深律师因为chatGPT的幻觉吃了苦头，他自己缺乏主动核实AI产生的信息真实性的意识，导致他提交到法院的诉讼文件中有6个判例都是chatGPT瞎编的，最终导致他被法院罚了5000美元。AI的幻觉是其运行机制所必然带来的，当前主流的AI模型的本质是在训练数据或检索到的数据基础上基于概率做文本预测，是基于概率的“下一个词预测器”，它能保持语言的高度流畅和连贯，擅长用学术行话、严谨的语气、看似严密的逻辑包装很多不真实、错误的信息，特别容易令没有辨识能力的新人信以为真、欣然接受。在数据训练集中，越是长尾类型的信息，呈现正确回答的可能性就越低，出现幻觉的可能性就越高。因此，除非你能提供额外的相关资料供AI检索，否则问AI计算化学专业问题时它胡说八道的概率远远远远高于问互联网上常见的、语料丰富的类型的信息。比如你问AI纯计算机的问题，比如用Linux的某个命令怎么实现某个目的，回答的可靠度会很高，因为Linux命令介绍这类信息来源过于丰富，且AI有一定理解和推理能力。如果你问AI的是某个专业的本科程度的问题、是Google随便就能搜出一大把靠谱的那种，比如计算化学科普程度的问题“什么叫势能面”、“什么叫分子力场”，那么AI也总能回答得八九不离十。而至于计算化学深度内行的问题，就别对AI的回答有什么期待了，撑死了也就是个别时候能给出点模糊的线索而已。
面对计算化学专业程度的问题，AI基本总是给出对对错错穿插在一起的信息，终究还是要靠有足够背景知识和研究经验的人做判断和考证。所以计算化学新人完全不是适合用AI做辅助的阶段，至少也要等到以正经方式真正入门了之后，比如做量子化学、做分子动力学的、做第一性原理计算的人分别通过北京科音初级量子化学培训班（http://www.keinsci.com/KEQC）、北京科音分子动力学与GROMACS培训班（http://www.keinsci.com/KGMX）、北京科音CP2K第一性原理计算培训班（http://www.keinsci.com/KFP）系统学过一遍、夯实了基础、充分了解了计算程序的用法后，才能考虑在某些时候用AI辅助来提升学习和研究效率、利用AI给自己提供一些启发等等。
有些新人试图完全靠AI来从头学习计算化学，什么知识都靠和AI问答来获取，这是极为糟糕的。也就是刚开始学的时候问的那些很浅层的科普程度的东西，AI的回答正确率较高，会令他们觉得受用。但稍微深一点，问的内容涉及到了理论计算的硕士研究生层面做计算研究需要掌握的知识，以及计算研究中遇到的各种复杂的实际问题，AI就开始频繁胡说八道了，新人反复被坑后很快会对AI失望起来。此外，靠问答方式得到的知识都是零散、碎片化的，会令提问者停留在一知半解的程度、无法知其然而知其所以然。这样无法由浅入深循序渐进系统学习、无法建立扎实完整的知识架构，会导致研究做起来心理根本没底，意识不到自己还有多少关键知识不具备，如同没上过驾校就上路，显然会在实际研究中不断暴露出问题，漏洞百出，并在不断踩前人早就踩过无数次的老坑上浪费大量时间。
还老有新人试图用AI写计算程序的输入文件。诚然让现今的AI写非常主流程序的入门级的输入文件还凑合，比如Gaussian用B3LYP/6-31G*做水分子的几何优化这种，但稍微复杂一点，各路AI就会集体扑街。比如“写一个Gaussian输入文件，对FeCl3基态做几何优化，Fe用Lanl2TZ(f)，Cl用def-TZVP，理论方法用TPSS”这个问题，在2026-Jul-7我尝试了四个流行的AI，就没一个写对的，都无法运行。所有AI都不知道TPSS在Gaussian里的关键词是TPSSTPSS，都不知道def-TZVP的关键词是TZVP，都不知道Lanl2TZ(f)赝势基组不是内置的。也就相对来说Gemini表现得最不差，而chatGPT还写了完全多余的SCF=tight和Int=UltraFine，Grok自定义基组和赝势格式错误并且多写了freq=noraman，deepseek还把基态误当成二重态、自定义基组和赝势部分完全离谱并且多写了Freq int=ultrafine。但凡好好学过“北京科音初级量子化学培训班”课程的人都不会犯所有这些错误。AI写的输入文件中经常由于幻觉无中生有瞎编关键词，还总是爱批量制造垃圾关键词，比如上面的例子，但凡看过《常见的多余的和被滥用的Gaussian关键词》（http://sobereva.com/331）的人都知道AI添油加醋写的SCF=tight、Int=UltraFine、noraman都毫无意义。我发现scf=xqc、int=Acc2E=12也是AI喜欢瞎添加的关键词，在331博文里我也做了强调。
之前在http://bbs.keinsci.com/thread-52183-1-1.html里我还看到CP2K做振动分析那么复杂的输入文件居然还有人试图用AI生成，果不其然根本没法跑，提问者对CP2K真是一无所知，甚至居然连CUTOFF、泛函都不知道设！我还曾在思想家公社QQ群里看到有人试图用AI产生跑GROMACS的命令，而他都尚不知道每个选项是干嘛的、拓扑文件里每一行都是什么意思，完全被AI蒙在鼓里。什么都不懂的小白如此使用AI是多么的荒唐！这里摘录QQ群里一个曾经盲目用AI试图自学计算和写输入文件，后来醒悟的新人的发言，很有代表性：“我刚开始的时候还不知道计算化学公社和北京科音的培训，就问AI学的，AI说啥我写啥，改了十几次最后改到没报错，然后出来的结果简直就是一坨...”。没常识的计算化学新人，不正经学基础知识，一味激进地利用AI、盲目听信AI的回答、随便靠AI写输入文件和命令，真不是抄近路，而是走弯路！
有些新人恨不得什么都要问AI，好像遇到任何问题不问AI就难受，形成了重度的AI依赖。结果在计算化学研究方面，不仅这样的习惯没能提升效率，反倒因为AI在专业问题上的幻觉而严重降低了效率。比如查一个手册比较像样的程序的某个关键词的用法，多数情况在手册里直接搜最快、最准确，而一些新人却非要问AI，返回的结果可能是错的，或者呈现的信息很不完整，忽略了手册里说的关键使用要点，令其吃了大亏。再比如，很多专业的信息都有靠谱的数据库可以查询，像是原子能级信息有NIST的数据库（https://physics.nist.gov/cgi-bin/ASD/levels_pt.pl）、晶体结构信息有COD（http://www.crystallography.net/cod/）等数据库，直接去查又准确又方便，新人若非得靠AI来获得相应的信息，指不定就会得到一些不靠谱的数据，比如是AI幻觉瞎编的、AI从不可靠来源获取的，或者AI把不同条目的信息弄混了等等。新人要分清楚什么情况AI能带来便利，什么时候“为了用AI而用AI”只会瞎添乱。
这里还要向计算化学新人们强调绝对不许拿AI产生的信息作为素材、论据，哪怕只是用于网络上的有一定严谨性场合（如计算化学公社、思想家公社QQ群）的讨论、求助、回复时都不行。本来AI回答的计算化学专业信息就净是乌七八糟、会弄脏内行人眼睛的东西，自己不觉得恶心也就罢了，还恶心别人可不行。有的新人还试图摆出AI产生的信息，让内行人给自己解释为什么AI会那样说、让他解释为什么AI的说法和他的不同，甚至把AI给出的说法当自己的支撑以表现自己做法的正当性，这种行为极度讨厌，绝对会激怒内行人！内行人的时间都很宝贵，谁愿意花时间看新人用AI产生的那些廉价、净是胡说八道的信息并进行点评和纠错？我如果在网上看到有人拿AI产生的计算化学文字来信誓旦旦地说事，我肯定会把这种缺乏基本常识的人在心里拉黑。如果是在我的论坛和QQ群里看到有人提问时把他用AI得到的信息摆出来，我一定会直白地批评。我还特别反感有人提问时提到诸如“我用某某AI产生的脚本没法跑”、“我用某某AI产生的输入文件运行报错”这种问题。我的态度是：如果你那么信AI、把AI的反馈那么当回事，还跑来这里问真人干嘛？现在我还老见到有新人在提问时会说一句“我已经问了AI，没有解决”，说这话完全多余，甚至令我降低好感度，因为根本没有人会关心你干没干这个，本来专业问题默认就不该问AI，自己主动暴露问了AI的行为一点也会不讨好别人。提问专业问题之前真正值得做的是先通过Google搜索查询来找靠谱的参考资料。海量计算化学问题早就在计算化学公社论坛上有过讨论，很多问题的答案也都在思想家公社的门口blog（http://sobereva.com）中我写的博文里，Google都能轻易搜到。
新人也切勿用AI写计算化学教程什么的，更别发到网上（无论是有商业动机做引流目的，还是单纯喜欢展现自我），这纯粹是害人！我之前看到过有人转发的不知名的公众号里面发布的CP2K教程，里面的输入文件完全驴唇不对马嘴，其离谱程度令我都不信发这文章的人哪怕亲自用过一次CP2K！本来网上CP2K的自学资源就稀少，亟需入门的新人如果频繁搜到这种如今被称为“赛博垃圾”、“AI泔水”的文章还如获至宝，试来试去始终跑不成功，那得白走不知多少冤枉路、多么打击开展计算化学研究的积极性和信心。PS：我认为真没什么途径比通过北京科音CP2K第一性原理计算培训班（http://www.keinsci.com/KFP）从头完整学一遍能更快上手CP2K做各种第一性原理计算，乱找网上零七八碎的资料学实在太绕弯路，还容易踩到这种雷。有些新人靠AI生成一些很初级的科普程度的计算化学文章，虽然内容没什么大毛病，但这种东西至少在计算化学公社论坛上我是绝对不让发的，一方面是内容太肤浅并且又是AI写的没有个人见解和原创性的东西，太low，纯粹是拉低论坛档次（PS：Google等搜索引擎如果发现一个站点里的内容大多是AI拼凑出来的低质量信息，就会降权）；另一方面，对于这种程度的知识有需要者自己用AI获取就完了，根本没必要去看别人直接用AI写的极其廉价的文章。
下面再扩展说一些其它的，不限于计算化学领域，而是AI时代整个科研领域的新人们的普遍问题。
一些新人，尤其是刚进入学术领域的研究生，试图把自己的科研全过程AI化，包括收集文献、阅读文献、制定研究方向、构建研究方案、分析计算结果、生成文章和图片...恨不得能自动用AI产生灌水文章轻松毕业。这样过度滥用AI是极其糟糕的，会导致难以在科研过程中得到真正的成长。科研过程是训练严密思维逻辑、扩展见识、积累经验、提升解决问题的能力、提升科学素养的个人全面进化过程，是离不开吃苦的，如同游戏里要花时间打怪来逐渐提升能力值和战斗经验。若重度依靠AI来勉强凑出来垃圾论文混毕业，在研究生期间过度依赖AI做助手甚至“替身”，个人能力没有得到什么进步，导致其头脑都能够轻易被AI agent所代替，因而毕业后找不到像样的工作，那真是不值得同情。
要知道AI不太可能给出什么很有原创性、创新性的东西，都是在人类既有的知识空间里内插或通过推理稍作外延而已。若纯靠AI拟定研究方向和分析解释研究结果，得到的基本也都是符合常理、不去研究都能轻易准确预料到结果的平庸性的东西。而真正有闪耀价值的idea，很可能就在AI认为成功概率最低，因而不会在回答中提及的方向上。那样的idea只有在科研上修为达到一定程度者才能在脑中闪现出来。新人若总是借助AI来试图逃避努力、无法真正提升自己的科研水平，注定难以迸发出出色的idea，做出脱离灌水程度的很有创新性、独特性的优秀成果，从而在科研领域有立足之地。
很多复杂的科研问题需要研究者耐心、踏实、专注地“慢思考”，而靠AI搞科研的很多投机取巧的新人，一味地依赖于AI提供的及时反馈的“快思考”，不仅得到的结果往往很肤浅甚至错误，并且“提问-得到结论”这种秒级反馈习以为常后，如果一个问题反复问AI得不到答案，很可能他们就干脆选择放弃，或者瞎糊弄过去。长此以往，他们在科研上会严重缺乏耐心和定力，难以集中注意力深入思考，无法完成需要长周期专注的课题。重度依赖AI的反馈，还导致新人减少了自己在科研过程中的参与程度，难以在研究中充分培养科研能力，还增加了他们的懒惰性，使他们呆在舒适圈里被惯得像巨婴。这都是很不好的事。
现在一些新人都不愿意自己看文献了，觉得看着太吃力、有好多英文单词和概念都不认识，更是没耐心踏实读完（PS：如今铺天盖地的垃圾短视频也在严重摧毁很多新人的专注力和定力）。于是他们就想把文献塞给AI，让AI代劳总结成简短的中文内容。让AI快速给出文章主体信息对于内行人来说是提升获取信息效率的有益的做法，后面会专门说到，但此做法对于新人来说害处比益处更大。自己不读英文原文献，会导致英语阅读能力始终无法提升、专业名词都不认识，以至于看程序输出的英文提示都费劲（更加剧了很多新人把计算程序的英文提示直接当“乱码”看待的老问题），写文章时候也不知道怎么正确用词，导致专业素养极度欠缺。而且AI总结的文章内容必然不全面，很多关键性细节都是仔细看了原文后才知道的，往往那些细节还是极为重要的，因此不能自己亲自认真看原文的话完全不行。
现在的AI已经能够做到飞快地写文章introduction部分、根据文章主体内容写abstract和conclusion，也有数据整合、分析处理、撰写讨论的能力。新人必须慎重使用AI的这些能力，切不可为了快速发表、图省事，把AI吐出来的文字直接用来投稿。正经的期刊都不允许直接把AI“原始”写出来的东西用于发表。你可以让AI给你构思文章框架、打草稿、辅助分析数据、提供思路等，也可以用AI把你写的中文版本翻译为英文，或者把你写的英文初稿润色、修正语病和拼写错误，但文章的实质内容必须都是自己亲自写出来的，直接体现当前文章的科学元素的东西绝不能让AI代写。不仅是期刊的条款不允许，而且本身目前的AI也远不可能精准、理想地胜任这些事（至少对于计算化学文章来说是如此。但人文社科方面AI直接就有能力在短时间内写出来能在不高档次期刊上发表的完整论文）。值得一提的是，2024年有人直接把AI产生的“完整”信息复制粘贴到正文里，居然还在影响因子挺高的Surf. Interf.上发表了出来（https://doi.org/10.1016/j.surfin.2024.104081），论文里面第一句话是"Certainly, here is a possible introduction for your topic"，这正是chatGPT标志性的回复的开头信息，显然整个introduction就是AI直接写的，后来此文被撤稿。如今，AI极大地加速了“论文工厂”的运行效率，而主流期刊的出版社也在普遍“用AI对抗AI”去筛查论文以过滤掉AI直接生产的文章。总之，新人不要心存侥幸试图让AI直接给你代写论文。
现在也有很多新人利用AI快速检索自己需要的文献。这个做法虽然是可行的，效率也高，但有几点需要注意：
(1)AI的幻觉问题经常导致胡编乱造一些不存在的文献。然而新人普遍缺乏学术严谨性和考证的意识，这就很容易导致翻车。显然AI给出的所有文献必须自己挨个考证、至少进入期刊的相应文章页面里，看看标题、摘要内容、期刊名、卷号页码年份对不对。为了降低幻觉率，可以在提示词里明确要求AI给出的文献必须真实、不得捏造、给出文章DOI。最近就有一件AI捏造文献的事被报道，TW国立中山大学社会学系教授叶高华发现TW政治大学国家发展研究所的一篇博士论文里的参考文献中出现了虚构出的自己的博士论文，涉事博士承认那是AI产生的文献而自己没考证，最后那篇博士论文被下架。
(2)AI检索出的文献容易存在偏颇，这和具体是哪个AI有关。要知道AI无法突破期刊订阅的付费门槛，因此给出的文献容易偏向于开放获取（OA）的论文，以及Arxiv等预印版网站的论文，以及被网站上的新闻报道和网络上的交流中提及较多的论文，而只能访问摘要信息的普通付费访问文章的呈现几率可能相对更低。AI也可能倾向于优先呈现比较新的完全数字化的论文，而较老的文章，尤其是纸质版扫描后上线的文章，可能呈现不足。也有的AI可能偏向于特定来源的文章，或某些作者的文章。AI还普遍容易优先关注英文文章，而忽略很多很有价值的其它语种的文章。AI还侧重呈现主流研究方法的文章而易忽视小众、新兴、前沿的方法。由于这些问题，新人不要依赖单一AI检索出的文献，可以同时利用多个AI，并尝试不同问法，以得到更全面的检索结果。
(3)Google学术如今已经有了通过提问方式检索文献的功能（目前可以通过Google学术页面上方的“实验室”按钮进入），这种方式搜文献的可靠度远比直接在普通AI界面里提问要高得多，不会瞎编文献。而且付费期刊对Google学术是普遍开放访问权限的，因此这样搜索是基于全文进行搜索，原理上能够搜索得更为全面、充分、准确。因此这是AI时代很值得尝试的文献搜索方式。
再来说说AI造假。由于AI非常擅长产生具有迷惑性的文字和图片，如今利用AI学术造假的事频发，新人们必须自律，不可为了混毕业、评奖之类干出这种事，造假等同于埋下定时炸弹，后患无穷。AI编计算数据能编得很像真的，能轻易骗过审稿人和编辑，但完全经不起一些读者的实际计算检验，介时大概率会遭到撤稿。顺带一提，现在还有无良的计算化学代算公司，完全不实际做计算，居然都是靠chatGPT估数据作为“计算结果”，完全属于欺骗客户，真是恶劣至极，详见《谈谈我对计算化学代算的看法》（http://sobereva.com/505）。这种事还不是个例，所以计算化学新人可别图省事随便找代算，非要找的话也必须得要到原始输出文件，否则都不知道数据是不是AI编的。如果真是他们瞎编的，未来你很可能要被扣上数据造假的帽子，而代算公司收了钱就走人了，作者名单里也没他们，他们才不会承担责任。
如今网上有无数投机者通过AI对网上的原创文章进行洗稿，然后发到自己的营销号等地方赚流量。类似的恶劣行为也早就在科研圈出现，靠AI把已发表的一些论文内容进行拼接（尤其适合综述）、基于已有论文的实质内容自动重写（同义词的替换与句式重组等）、将文献里的信息自动做替换（纯属造假，如文中的A分子替换成相似的B分子）从而成为新论文，这样生产的垃圾论文表面上乍看起来好像没问题，很可能能在把关不严的三流期刊，特别是以盈利为重要动机的OA期刊上发出来。自己没什么正经科研能力、没有基本学术操守、不学无术的某些新人为了混毕业要求的SCI论文很可能妄图这么干，甚至毕业论文也让AI代写。但这样做必定是自取灭亡，切勿尝试。但凡毕业论文外审的人确实是专家而不是砖家，并且态度认真负责，就肯定会发现问题；现场答辩的时候总不可能借助AI来回答问题（虽然可能有人动歪脑筋，想借助现在已经流行的AI智能眼镜，能做到接收对方说话声音后把回答显示在镜片上且只有自己能看得见，但这太容易被精明的业内专家当场识破，成为人生最尴尬现场）；而且论文会终身追责，即便侥幸获得了学位也可能什么时候论文被发现学术不端而被撤销学位、身败名裂。
这一节最后再说一个现在非常槽糕的情况，是国内的科研领域的新人普遍缺乏对AI工具的正确选择。我发现现在国内的计算化学新人广泛在用一个非常**的AI。特别是在最近一次的计算化学培训班的练习时间中，我在多个人的屏幕上都看到了那AI的图标，并且还通过旁光当场看到有人把计算化学程序报错截图直接往里面粘贴试图获取解答，着实令我十分失望！他们用这个AI大抵是图访问起来便利、能上传图片，并且看到周围很多人在用也就无脑地跟风使用。殊不知那AI是极度不适合搞科研的人用的，我也是绝对不用的，并且有极其强烈的抵触感。那AI是主要面向老百姓日常陪伴的AI模型，问问吃喝玩乐八卦之类很适合，而让它回答科研方面的问题无异于用某度去搜索英文学术资料一样严重不当，它和世界范围第一梯队的AI有着显著的代差。新人就算非要用AI辅助科研也应该用比较正经的、上限相对高的、在回答科学问题方面属于第一梯队的AI。如果使用时遇到小障碍，克服就完了，这都克服不了说明不适合搞科研，至少绝对不适合搞计算化学。
2 AI的良好使用习惯
下面谈一下计算化学研究者使用AI的良好习惯和技巧。
• 必须用不low的AI。切勿为了图访问方便，而使用适合给爷爷奶奶用的那种AI来助力科研。工欲善其事必先利其器。假设问题只问一个AI的话，至少是目前，我会优先用Gemini。其目前的默认模型Gemini 3.5 Flash回答的可靠度整体较高（对所有AI都不擅长的计算化学专业问题来说也能算是矮子里拔将军），响应速度快，运行稳定，具备顶尖的多模态能力（识图能力非常好，可以结合图片甚至视频提问），上下文容量非常大、能够上传较大尺寸的文献/手册/幻灯片等资料在回答时参考，回答的文字语言生动流畅，免费方式使用给的配额就已经比较慷慨，而且订阅价格也不贵。而Grok、chatGPT、deepseek、Claude等与之相比都有这样或那样的缺点。而当我对Gemini给的结果不满意，或者希望再有更多参考时，我会先尝试Grok，其次chatGPT。
• 由于AI的幻觉问题，AI给出的所有信息里，但凡是自己不确信对不对的，哪怕AI说得非常信誓旦旦、好像准确无误，也一定要亲自查相关资料进行考证，对于关键信息必须要刨根问底找到原始出处才行（本来写文章的时候也得引用）。如果AI同时给出了信息出处的链接，应当点进去看一眼确认一下AI有没有歪曲了原意。
• 对于较重要问题，不妨同时问多个像样的AI（当然不包括前面说过的某很low的AI），一方面可以获得更全面、充分的信息，正所谓兼听则明偏听则暗，如果不同AI的回答有出入的话再去进一步考证；而如果多个AI给出的答案都一致的话，也算是可以相互印证、从侧面体现出反回的信息来自于AI幻觉的可能性较低，会令你更放心。至于新人就甭这么用了，本来他们就基础知识薄弱、缺乏辨别能力、对AI幻觉缺乏警惕性，面对不同AI的不同回答，容易令他们陷入混乱。
• AI回答的准确度极度依赖提问的方式。和网上求助真人一样也是把问题交代得越完整详细具体、越没有含糊性、语境描述得越充分越好，这样AI回答得才越有针对性、胡说八道的可能性越低。如果你没有读过《在网上求助计算化学问题的时候必须把问题描述得详细、具体、准确、清楚、完整》（http://sobereva.com/620）的话强烈建议看看，了解一下典型的不当提问是什么样，以及怎么改正。
• 不要对AI做不必要的引导、暗示，从而把AI的回答结果往你期望的方向去引诱，否则AI的回答可能失去客观性、用讨好你的文字把你蒙在鼓里，使你获得的是你想看到的实则错误的信息。另外，问一个与之前问题无关的新问题时应当建立新对话，避免本次提问受到上下文的干扰。PS：也正因为你的提示词可以左右AI的回答结果，所以AI的回答的截图不可能作为什么证据来用，也没有什么说服力。
• 计算化学专业的问题我建议用英文来问。用中文问也不是不行，毕竟主流AI模型的训练过程已经打通了不同语言的信息隔阂，你用某个语言提问得到的回答也能够来源于另一种语言原始记录的信息，这是因为不同语言里同一个词在模型的潜空间里都会映射到近似相同的位置，并且AI模型是基于潜空间中的语义网络工作的，这独立于具体语言。但即便如此，由于计算化学的英文资料远多于中文的，计算化学领域又有大量的术语（有的词的译法还不唯一），用英文提问时可以更精准地咬合训练集中的英文语料，得到的信息的准确度比用中文提问还是会一定程度更高，且幻觉率可能更低。如果你的英文表达不过关，至少把那些英文术语，比如active space、interaction region indicator、partial charge、electron density difference等写成英文，会比完全用中文更好。
• 很多AI都有可选的推理模式。如果你问的问题的逻辑简单，类似于那种老教授随口就能回答对的几乎纯知识性问题，那么开推理模式没必要，开了也一般不会得到更好的答案，而只会多花很多时间。如果你的问题是类似于老教授也得在脑子里琢磨琢磨的有一定逻辑深度的问题，那么建议开推理模式，这会令AI进入慢思考的状态，能够反复做逻辑推演和验证，以牺牲很多时间为代价给你更可靠的答案。
• 必须要明白AI检索增强生成（Retrieval-Augmented Generation, RAG）是怎么回事，它是指在AI回答时参考外部资料里的信息。不利用RAG，顶尖的AI就如同学霸闭卷考试，即便智力再高，记忆力终究有限，面对涉及到偏门知识的考题，他很可能想不起来相关知识，只能凭自己感觉编一个，AI幻觉就来了。而如果开启RAG，就等同于学霸开卷考试，只要带了合适的工具书就几乎肯定能答对。显然让AI回答计算化学这种有效语料很有限的专业领域的问题要让AI尽可能利用RAG。有两种RAG形式：
一种是主动RAG，让AI在回答时自动在网上找资料，这要求AI有联网搜索功能，Gemini等目前主流的AI都支持（如果你用的AI可以手动选择是否开启联网搜索，一定要开启）。如果AI恰好找到了和当前问题关联性较高的资料，回答准确性就会大为提升。当然联网搜索会导致多花一些时间，这绝对是必要的。注意不代表AI能把所有相关的网页都给你找到，毕竟AI需要及时反馈，不可能做全网的完整搜索，而且可能因为某些网站暂时关闭、防火墙设置或页面响应太慢等原因而没能被纳入本次回答的考虑。
还有一种是被动RAG，就是你在提问的对话框里直接上传你觉得和当前问题有密切相关性的资料，如论文、幻灯片、程序手册等。它们既可以作为回答你当前问题的参考，你还可以直接针对这些资料里的信息对AI进行提问，比如让AI给你解释文章内容、讲解程序的某种用法等，这种AI使用方式的结果可信度是较高的，且幻觉率很低。但不是什么资料都能往AI里扔，不同AI在线服务能加载的资料量都是有限的，有的AI往里面上传十几页的文章pdf可能都处理不了，而Gemini则可以上传较大文件，这是它的一个很出色的地方。比如Multiwfn的1100多页的图文并茂的pdf手册可以作为附件上传到Gemini上，然后问比如：Tell me how to perform quantitative analysis of electrostatic potential on molecular surface for water molecule，过一会儿Gemini就给出了很准确的答案。Gemini还有Notebooks界面，在里面可以创建多个notebook，每个notebook的Sources中你可以上传某类提问经常要涉及的资料，以后问这类问题时就引用这个notebook即可，这就省得你每次提问都要重新上传较大的文档了。注意你提供的文档越长，AI回答一个提问需要的时间也明显越长。当文档非常长时，这种RAG有一些问题需要注意：AI对开头和结尾部分检索准确率最高，而对中间部分的很多内容若你没有问得足够具体，很可能会被AI忽略掉；AI单次回答的字数是有限的，你不可能要求AI一次性回答过多的东西，否则它会主动忽略掉大量次要内容；如果文档太长导致AI无法处理，你可考虑分成一节一节在不同对话里分别上传和提问；一些文献pdf的排版过于复杂，有的还有加密保护等，会导致AI无法理解里面的信息。
3 一些AI使用范例
下面列举一些比较典型的计算化学研究者使用AI的合理和不合理的范例，以令那些对AI应用了解不多的读者能直观认识到AI在计算化学研究中能起到的作用。前面已经警示过的各种问题这里就不再重复提及了，我假定大家都已经有了充分的相关意识，并且我下面说的AI一律都是指相对靠谱的AI。
(1) 文献处理与知识获取方面
• 快速检索、收集和自己有关的文献。前面已经说过了。
• 可以上传文献pdf，利用AI快速总结某篇文献的主要的实质性内容，这比起文章作者自己写的摘要往往更容易理解、描述得更通透、涵盖的信息更全面，而且没有那么“官腔”。以这种方式，也可以实现对大量文献的初筛，较快确定哪些重要的文章是需要完整认真阅读的。如今是信息爆炸的年代，进入一个不熟悉的新领域进行研究，或者研究一类之前未接触过的体系，要读的文献量远远多于很久以前，因此需要适时地借助AI来加快获取和整理信息的速度。
• 可以上传文献后对当中的一些内容进行提问，让AI给你解释。文章里往往有些内容需要结合上下文才能搞明白，可以借助AI的速读能力快速得到答案，比起自己阅读原文找答案往往能快很多。前面也说过，还可以上传程序手册、靠谱的教程等资料对程序的使用问题进行提问，也可以附上博文和论坛帖子之类的链接来让AI辅助你阅读理解内容。
• 可以上传一批与研究相关的文献，让AI帮你归纳整理，比如这些文章总共都研究了哪些体系、体系都有什么共同特征、都普遍用了什么研究方法、结果有什么共性、不同文章有什么类似的结论、都普遍提到了哪些文献和工作等等，还可以让AI基于这些文献给你整理出一个小综述。
• 基于AI自身知识库和网上自动抓取的某类问题或体系的信息，或者基于你直接提供的一些文献等资料，让AI自动整理为幻灯片，作为你制作幻灯片的参考，用于组会、学术报告等目的。
• 知识的快速扫盲。遇到不熟悉的东西（特别是进入一个新领域后，总会觉得不熟悉的名词、概念多得铺天盖地）的时候可以让AI用比较形象、易懂的描述让你短时间内搞懂。对于专业的东西虽然不可能让你真正懂得透彻，但往往能在短时间内让你正确理解个大概、实现初步的扫盲。同时上传一些相关资料实现RAG更好（比如较靠谱的专著、综述的pdf）。
(2) 写作方面
• 写完正文后，让AI产生Abstract和Conclusion的草稿。产生一些候选的文章标题、关键词。
• 中文初稿翻译为英文版。
• 英文润色，修正拼写错误、语病、不准确用词，提升可读性与行文连贯性，以及使表述更满足学术规范。
• 优化文章结构，精炼或扩展内容。
• 引文格式的批量转换。
(3) 图像方面
• 产生配图。比如基于AI自带的图像生成模型快速产生漂亮的示意图、基于文章内容自动产生Table of Content（TOC）。注意要确保AI产生的图像里面的卡通人物、徽标等物体没有侵权问题。
• 图像编辑和美化。比如通过对AI提要求，给上传的Multiwfn绘制的分子轨道等值面图上增加特殊材质效果、修改分子结构图风格、添加背景、添加阴影、给一些重要区域加上外发光效果以高亮展示、调整坐标轴字体、调整图例位置、修改曲线图线条粗细/颜色/风格，等等。但注意对图像的修改绝对不能影响实质的、有科学元素在内的内容，比如你不能拿AI修改等值面的形状、修改原子间相对位置。真实拍摄的照片、隧道扫描显微镜等仪器产生的图像也不能轻易靠AI修改，否则容易被当成学术造假。
以上写作、图像方面的AI用法一般都是期刊允许的，AI干的这些事都是属于不值得将AI纳入文章作者的程度。如果AI给你干的事重要到理应把AI纳入文章作者，这就说明是越界使用AI了。注意现在一些期刊投稿会要求揭示是否使用了AI，AI在写作方面的辅助应当明确声明。主动揭示有好处，免得AI润色出的文字被出版社的AI筛查工具预警，误当成文章内容不是你原创的。
(4) 投稿/审稿方面
• 让AI当你的文章的审稿人，提出文章改进意见，指出逻辑漏洞、局限性、盲点等。如果不希望AI讨好你而无法充分指出各种缺点，就明确要求AI对文章“锐评”，并且不要跟AI说这篇文章是你自己写的。注意AI也经常不懂装懂或考虑不周全而给出一些过分的意见、提一些不切实际的要求，那些忽略掉就行了，别都当回事。
• 让AI怼审稿人。几乎每个有文章发表压力的科研工作者都很讨厌自作聪明、性格恶劣、怀着恶意和偏见、过度鸡蛋里挑骨头的审稿人提出的没道理的审稿意见，但往往又不得不想方设法给出能令其满意的回复。如果面对这种**意见没有思路，不知道怎么才能让审稿人满意，也可以把你投的文章上传到AI，把审稿意见贴出来，让AI给你想对策，万一有道理的话可以作为参考。也可以让AI给你写回复的草稿供你作为参考（AI容易写得比较啰嗦）。注意绝对不能直接用AI生成的回复，这不合规。
• AI辅助审稿。有的时候邀请你审的应用性计算文章里面的被研究的对象并不是自己熟悉的，文章里面涉及的很多相关的化学背景知识自己也不太了解（比如一个理论研究激发态为主的人拿到一篇实验+计算的电催化为主题的文章），觉得文章读起来费劲，那么可以借助AI快速梳理文章主要内容，快速解释你不太了解的地方，以及给出对文章的看法供你参考。但注意绝对不能直接把AI自动写的审稿意见提交上去，否则是对期刊和作者的极度不负责任、是缺乏学术道德的行为。现在很多期刊的审稿意见提交页面里都要求明确声明是否用了AI。若自己提不出什么意见别刻意利用AI瞎提意见。
特别要注意的是在线AI服务的隐私性、数据泄露的问题。默认情况下，大多数在线AI服务提供方都可能会把你和AI的对话、你上传的资料用于训练模型，并且官方人员可能抽查阅读这些信息检验模型的性能、安全性等。因此用AI充当你的文章的审稿人时，若文章里有关键性原始数据或原创观点的话，就存在隐患了。如果你让AI辅助审稿，更是有绝对义务保证你不会把别人的文章内容外泄出去。避免AI使用中信息外泄风险的方法有下面这些：
I.很多AI服务都可以通过设置关闭将你的数据用于人工审查和模型训练，比如目前Gemini里就是在Settings - Activity里关闭Keep activity。但这终究只是君子协议，AI提供方是否真的履行那不好说。
II.用数据高度安全的AI服务。比如订阅Google的商用方案最便宜版本Google Workspace Business Starter，此时使用Gemini时会提供企业级数据保护承诺、是体现在合同层面的，信息肯定不会外泄。
III.使用本地AI模型，信息不可能外泄。比如Q4量化版的Qwen 3.6 27B模型就很不错。如果用比如《nVidia专业卡RTX 6000D 84GB的完整折腾过程》（http://sobereva.com/774）里介绍的大显存专业卡还可以跑更聪明的模型、开更长的上下文因而能处理更长文档。有些单位、学校内部也有服务器跑着开源AI大模型服务提供员工和师生使用，情况合适的话也可以用。
IV.手动把数据脱敏处理，上传资料前抹掉关键信息，或者分片上传和提问。这样做较麻烦。
上述用法和注意事项不仅对于论文，对于基金申请书也同样适用。
(5) 其它方面
• 可以试图和AI对话以获得一些科研灵感、利用AI给你提供头脑风暴、帮你扩展思路。有些灵感和想法一开始没有，而随着和AI对话的反复进行，就可能会出现，并渐渐变得清晰起来了。手机上使用AI非常方便，可以利用一些不方便正经工作的零散时间，比如等车的时间、大号的时间，跟AI探讨一些idea。
• 利用AI快速获得某些领域、某类体系的粗略知识和概况。可能你之前对很多领域一无所知，也没意愿涉足、没精力去认真了解。而利用AI快速帮助你大体了解相关领域，说不定你就会产生兴趣，并可能找到和原有的研究领域相交叉的新方向。
• 利用AI辅助编程。比如创建计算化学辅助工具、写不同程序间调用的接口程序/脚本、做不规矩的代码规范化、转换老代码的语言（比如把非主流的语言转换成主流的Fortran、Python等）、代码粘合、给现有代码产生注释、生成程序说明文档、给你解释某部分代码的思想、梳理代码运行整体逻辑并给出框图、根据要求修改原有代码、辅助建立计算流水线的脚本，等等。之前笔者写的《利用AI快速创建观看几何优化过程中能量和结构变化的网页的完整示例》（http://sobereva.com/771）就是典型的AI辅助编程的范例。利用vscode+cline插件、cursor、opencode等实现coding agent比起单纯用网页端AI可以干更多更复杂、涉及到较多文件和长周期的工作。注意如果你的文章里提供了AI辅助编写的程序/脚本，应当在文章中明确进行揭示。
• 纯计算机相关：帮助学习计算机软硬件和程序开发知识、解决各类计算机使用上的问题、协助计算化学程序的编译安装，等等。这类AI应用方式可靠性相对高，试错成本也低。
• 计算数据的自动和批量提取、数据清洗、编辑处理、转化成统计结果和直观图表，等等。
• 产生计算程序的输入文件（但如前所述目前整体还很不可靠），帮你解读输出文件。注意如前所述结合RAG可以明显降低幻觉。对于非主流程序这么用AI时总是要同时提供手册等资料。
• Gemini等很多AI，以及后面提到的Hermes等AI agent，都支持创建定时行为。你可以定时让它们自动搜索某类科研领域的内容，或者要求访问特定行业论坛/博客、相关期刊网站、程序主页等，把抓取到的新信息汇总成摘要反馈给你，避免错过重要动态。利用AI agent，还可以把这样的信息发送到你的电子邮箱里、发送到许多即时通讯软件（如T开头那个）里你的号码上。
• 将计算化学相关学术会议、课程、与高人交流的录音整理成易于阅读和检索的文字形式的资料
主要面向编程的coding agent早就有了，2026年开始Hermes（赫耳墨斯。不是爱马仕）、OpenClaw等通用目的的AI agent开始大行其道，Codex和Claude Code这样的传统coding agent也在积极扩展通用agent方向的能力。除了前述AI的能力外，这些AI agent还具有访问/修改/创建计算机上的各种文件、调用计算机上的程序/脚本、给计算机安装新程序和库等方面的能力。顺带一提，agent调用计算机上的专业程序需要提供相应的skill文件，这就是给AI agent量身定制的程序调用规范+最佳使用方式+示例合集的文本文件，同时写得清晰、结构化、人也能轻松阅读。部分知名的计算化学程序也开始有了skill，比如调用Multiwfn做事的skill（https://github.com/yuyukurikawa/MulTiwFn-skills）。对于以计算、大量文件分析处理为主要过程的那些计算化学研究，利用AI agent结合skill实现工作流（也包括计算状态和趋势的监控等环节），有可能显著提升研究效率，从频繁重复的操作中解放。有别人提供的现成的某个程序的skill的话，甚至你自己没学过这个程序可能都没关系、都可能顺利纳入工作流里（但对于功能丰富、用法灵活的程序，要重度依赖它的话还是必须花时间好好学，毕竟skill往往只囊括了程序的少量用法而已）。甚至还可以让AI agent自动分析计算结果，从大批量的计算输出文件中自动判断异常数据、寻找有亮点的数据，并自动写成汇报、自动和网上能搜到的前人已有的同类结果进行对比和做差异分析。另外，还可以让AI agent结合一些化学信息学的库如RDkit、OpenBabel自动给你产生一批可能满足你特定要求的分子的结构并纳入计算过程、逐步自动筛选（如根据配体结合能、激发能筛选等），这属于AI驱动分子发现，AI驱动材料发现也是如今的热门。还值得一提的是，由于AI agent可以通过预设的机器人在某些即时聊天工具里和你交互，你外出的时候都可以向AI agent发文字指令要求做某些计算，要求AI agent把当前计算状态、进度、优化收敛等情况反馈给你，等等，很便利和智能。当然实践起来远没有说起来那么简单，免不了遇到很多AI犯蠢、不听使唤、胡搞瞎搞、出现幻觉、卡死等破事。还要知道一个重要的事情就是用AI agent需要挂一个大语言模型的API才能工作，如果你调用在线AI服务提供商的API，都是要收钱的，用量越大、模型的智力越高越贵（虽然也有些免费薅猪毛的机会，但那点token量完全不足以支撑频繁使用）。如果你感觉折腾AI agent花的精力成本和金钱成本会远低于你完全用古法做研究的成本，那确实值得鼓捣鼓捣，否则就算了。
4 关于AI对科研工作者影响的我的一些看法
在本文最后谈几个我的观点。虽然AI能干的事很多，而且越来越多，但始终都不要过度高估AI的能力。AI能很好代替的都是适合低级研究员干的事、高度重复化的劳动。如果你发现你干的事大部分都能让AI帮你做，能很好地代替你、极大地将你解放，这其实说明你的处境比较危险、你的能力是在AI高度可代替的范围内。如果你现在还感到有舒适圈，以后随着AI应用的愈发普遍，你就可能呆不住了。例如你以前发文章的套路是找一些有特点的化学体系、算各种司空见惯的属性、做常见分析，然后写成灌水文章投稿。这种循规蹈矩的研究早晚靠AI agent基本全都能代替，如今这个趋势已经越来越明显，全过程自动化的在线计算化学平台近来已经开始出现，从设计研究方案和计算流程、调用程序实际计算、分析计算数据、写结果讨论都能自动化。显然灌水程度的研究会显得越来越没有价值，现在你手动干的就相当于是未来计算机能自动批量干的（至于需要实际动手操作的实验化学则不太能被AI代替。就如同AI对低阶白领群体的杀伤力巨大，但很难代替蓝领工作）。而且我觉得现在肯定已经有一些期刊编辑会用AI做文章的快速初审，哪怕是经过文字靓丽的包装但实际价值不高的灌水文章也往往能被较高水准的AI迅速看穿，灌水文章会越来越难发。因此若你现在的能力并不比可预见的未来的AI的能力高得多，你尚需要努力攀登，给自己增加能力、知识、见解的护城河，提升到AI无论如何也无法很大程度代替你的水平，能做出创新性和技术难度高、无法被低级研究者轻易做出来的研究。同时，在AI的浪潮中，很多真正的内行人也不要因为觉得AI还没给自己派上太多用场就产生过强的危机感、过分地焦虑。AI对你的科研用处若不太大，虽然这可能确实是你对AI了解不多、对AI能力的认识太有限所致（看完了上文就应该已经有了比较充分的了解），但也很可能是因为你的能力、位置、掌握的资源等方面是独特的，或者你做的研究就是很深入复杂的，就是AI的能力无法代替和插足的、别人也难以复制的，因此没必要非得刻意为了用AI而太花精力折腾而反倒误了本该做的事。