译文说明：本文根据 Rebecca Boyle 发表于 Quanta Magazine 的访谈文章《In an Age of AI, a Physicist Seeks What Endures》整理为中文适配译文。为尊重原文版权，本文并非逐句全文翻译，而是在保留核心论点、访谈脉络与重要案例的基础上进行中文重述与编译。
原文作者：Rebecca Boyle
受访者：Sarah Demers（耶鲁大学物理系主任、粒子物理学家）
原刊：Quanta Magazine
原文发布日期：2026 年 9 月 3 日
原文：https://www.quantamagazine.org/in-an-age-of-ai-a-physicist-seeks-what-endures-20260903/
AI 正在进入科学研究最核心的环节。它可以帮助研究者写代码、整理数据、恢复已经无法运行的旧软件，甚至参与优化大型粒子物理实验。
但当这些原本属于科学家日常工作的任务越来越多地交给 AI，一个更根本的问题随之出现：
如果计算、编程、资料检索甚至部分推理都可以被机器加速，那么“做物理”这件事里，究竟有什么是不会消失的？
这是耶鲁大学物理系主任、粒子物理学家 Sarah Demers 最近一直在思考的问题。
Demers 一方面处在 AI 科研应用的前沿。她参与 Fermilab 的 Mu2e 实验，她的团队也获得美国能源部 Genesis Mission 的支持，尝试使用 AI Agent 优化实验过程。
另一方面，她本人却从未在 Claude 或 ChatGPT 中输入过任何内容。
这种看似矛盾的态度，恰恰构成了这次访谈最有意思的地方。
AI 最适合消除科学研究中的机械摩擦
在大型粒子物理实验中，真正消耗研究人员时间的工作，往往并不是提出理论，而是处理庞大而复杂的实验基础设施。
例如大型强子对撞机的 ATLAS 实验，需要处理来自数以亿计电子通道的数据。研究人员必须把这些信号转换成特定格式，再重建粒子与探测器发生了什么样的相互作用。
数据访问、格式转换、软件环境和分析框架都可能非常繁琐。
Coding Assistant 和大型语言模型在这里表现出了非常直接的价值：它们可以快速生成数据访问框架的第一版、协助整理数据、修复代码，让研究人员更快进入真正的分析阶段。
Demers 认为，AI 还有一个尤其令人兴奋的用途：重新打开过去已经很难访问的实验数据。
科学史上有大量实验，其数据仍然存在，但当年的操作系统、依赖环境和软件已经消失。过去如果想重新分析这些数据，研究人员往往必须“复活”几十年前的计算环境和代码，成本高得几乎没有现实意义。
AI Coding Agent 改变了这件事。
它们可以帮助理解旧代码、重建运行环境、处理历史数据，让科学家重新提出那些过去因为工程成本太高而无法回答的问题。
换句话说，AI 最先改变的并不是科学问题本身，而是抵达科学问题之前所需要穿越的工程摩擦。
技能会消失，但“成为物理学家”不会
Demers 用了一个很有意思的历史类比。
几十年前，美国一些物理学博士项目要求学生具备阅读德语论文的能力。
原因很简单：大量重要物理论文是用德语发表的。如果你不会德语，就无法完整接触这个领域的重要知识。
今天几乎没有物理学项目还把德语阅读能力当作核心技能。
但德语这项技能的退出，并没有意味着物理学家的核心能力消失。
AI 很可能带来类似的变化。
未来的研究人员也许不再需要像今天这样花大量时间编写数据处理代码、配置计算环境，甚至某些复杂计算也可能直接交给模型。
问题因此不应该是：
“哪些技能会被 AI 取代？”
而应该是：
“哪些能力真正构成了物理学？”
Demers 认为，这需要整个科学共同体重新思考。
如何提出值得研究的问题？如何设计实验？如何判断一个结果是否可信？如何在有限资源下决定应该探索哪个方向？如何理解证据与理论之间的关系？
这些能力不会因为代码更容易写而自动消失。
相反，当执行成本下降以后，它们可能变得更加重要。
新手可能更早接触真正的问题
过去，一名本科生进入粒子物理研究组后，可能需要几个月时间才能生成第一张真正有意义的图。
大量时间消耗在环境配置、数据读取、软件框架和 Bug 上。
如果 AI 能把这部分时间大幅压缩，新研究者就可能更早接触真正的前沿数据。
这会改变科研训练的结构。
过去的路径可能是：
先掌握工具 → 再处理数据 → 最后开始思考问题。
未来则可能变成：
很早就接触真实问题 → 在解决问题的过程中学习工具。
这听起来是巨大的进步。
但 Demers 同时提醒：那些过去看似低效的学习过程，并不完全是浪费。
她回忆自己读研究生时，在 Google 还无法随时回答问题的年代，经常不得不去问别人：“这个东西到底是怎么工作的？”
承认自己不知道一件事有时令人尴尬。
但也正是在这些人与人的交流中，她不仅获得了答案，还建立了知识之间的连接，并真正理解了问题。
如果所有“不知道”都立即交给 AI，这部分学习过程是否会消失？
这是一个还没有答案的问题。
专家可以把 AI 当作思想伙伴，新手却可能更危险
Demers 观察到，一些资深研究人员已经开始把 LLM 当作一种“思想伙伴”（thought partner）。
他们让模型快速查找参考资料、探索假说、整理可能的研究方向，然后利用自己的专业知识判断哪些路径值得继续。
对专家而言，这种方式可能非常高效。
因为专家拥有一个关键能力：
他们知道模型什么时候已经跑偏。
而初学者往往缺少这种判断力。
如果一个研究者还没有建立足够强的领域知识，他可能无法区分：
- 一个真正值得探索的新想法；
- 一个看起来合理但实际上错误的模型输出。
因此，同一个 AI 工具对专家和新手产生的效果可能完全不同。
AI 降低了获得答案的成本，但并没有自动降低判断答案是否正确的成本。
有些困难，本来就是思考的一部分
Demers 本人没有使用 ChatGPT 或 Claude 帮她写邮件。
她给出的理由很值得注意。
有些邮件之所以难写，并不是因为我们缺乏组织语言的能力。
而是因为邮件背后可能存在一个真正困难的问题：
你需要处理复杂的人际关系，需要决定自己的立场，需要判断什么应该说、什么不应该说。
如果直接让 LLM 生成一封措辞完美的邮件，看起来节省了时间，但你可能只是绕过了真正需要解决的问题。
这揭示了 AI 产品设计中一个很重要的区别：
机械摩擦（Mechanical Friction） 与 认知摩擦（Cognitive Friction） 并不是同一回事。
文件格式转换、环境配置、重复编码、资料整理，这些摩擦应该尽可能被消除。
但做决定、形成观点、承担责任、理解一个复杂问题，本身就是思考的一部分。
如果 AI 连这些摩擦也一起消除，我们得到的未必是效率，而可能是判断能力的退化。
科学最终仍然需要一个负责的人
AI 进入科研以后，还有一个无法绕开的原则：责任不能交给模型。
Demers 认为，只要一名科学家在论文上署名，他就必须对论文里的内容负责。
研究者不一定需要理解模型内部每一个参数是如何工作的，但必须有办法验证模型产生的信息。
如果无法验证，那么所谓的 AI 科研就不再是在增加知识，而可能只是在向科学系统中增加更多噪声。
这同时涉及另一个科学共同体非常重视的问题：归因（Attribution）。
科学不是一个匿名答案库。
一个理论从哪里来？谁提出了一个关键方法？哪些结论被谁验证过？一个想法经历了怎样的争论和修正？
这些来源构成了科学知识的可信链条。
如果 AI 把大量作者的思想吸收后重新生成答案，却让来源变得不可追踪，那么科学共同体可能逐渐失去判断“哪些知识为什么可信”的基础。
AI 应该帮助我们思考，而不是替我们停止思考
Demers 并不是反对 AI。
事实上，她所在的研究团队正在直接参与 AI Agent 与粒子物理实验的前沿探索。
她真正警惕的是另一件事：
我们是否会因为 AI 能够替我们完成某件事，就停止追问这件事为什么重要。
对于科学研究而言，AI 最有价值的方向也许不是替代物理学家，而是让物理学家把更多时间投入那些真正只有他们能够承担的工作：
提出问题。
设计实验。
判断证据。
建立解释。
质疑结论。
承担责任。
技术会不断改变研究人员需要掌握的具体技能。
几十年前可能是德语，后来是编程，再后来可能是 Prompt、Agent 和自动化实验系统。
但 Demers 所寻找的“不会消失的东西”，或许正是这些更底层的能力。
工具会变化，科学家的核心工作仍然是理解世界，并对自己的判断负责。
译者后记
这篇访谈对 AI 产品开发也有一个很直接的启发：
优秀的 Agent 产品不应该简单追求“把人从流程里删除”。
更好的问题是：
哪些工作只是阻碍用户思考的机械摩擦？哪些工作本身就是用户必须完成的思考？
前者应该大胆自动化；后者则应该通过证据、解释、比较和验证来增强人的判断，而不是直接替人决定。
这可能也是 Agent 产品从“自动化工具”走向真正成熟的人机协作系统时，必须面对的一条边界。