现在这么多AI技术，可以帮你读大量文献并总结，你认为还有必要自己读文献吗，现在读文献的意义是什么，或者说应该怎么读，跟之前没有AI的时候应该是什么区别。之前是自己通过读文献，找出自己的研究问题，而现在让AI找研究问题，优势和弊端分别是什么。你认为应该如何更好的使用AI，用在读文献上。

把一篇论文交给 AI 总结，你拿到的是结论；但结论离“这个结论对我的任务意味着什么”还隔着几层工作。立正用 Jev 这个例子讲过：看懂一项技术在做什么，只是第一层；接下来要判断它在哪些任务里好用、哪些不行，再拿回评价标准——质量、延迟、一致性、校准，哪个对你真正重要，权重由任务决定，不是厂商说了算⁠1。再往下还要找到真正合理的比较对象：如果不用它，我最好的替代方案是什么。这几层都吃功底，AI 给不了。所以自己读文献的意义变了：不再是搬运信息，而是练出“知道该看什么、怀疑什么、先验证什么”的底层理解，这种理解能迁移到下一个模型和问题上⁠2。

AI 找问题的优势是快：它能在很短时间内扫过大量文献，把已有工作的分布、常见方法和空白摊在你面前，帮你排除掉大量重复劳动。弊端在于它给的是“平均意义上的空白”，而真正值得做的问题往往是非共识的——立正提到，营销方案的基本质量可以标准化，但谁的方案更好用，答案并不一样⁠3。AI 倾向于收敛到已被讨论过的方向，很难替你判断哪个空白值得你投入。更实际的风险是：如果问题由 AI 出，你就跳过了“为什么测这些任务、为什么和这些方法比”这一层，而这层恰恰是判断力的来源⁠1。

一个可试的分工：让 AI 做前两层——帮你快速了解一篇文献在做什么、在哪些条件下好用、哪些条件下不行，以及把一批文献的结论和实验设置整理成可对照的表；你自己保留第三、四层——定评价标准、找替代方案、决定这个问题值不值得现在做⁠1。判断 AI 输出好不好用，标准不是“它厉害不厉害”，而是“它能不能嵌入我现有的价值创造链条”，并且要用你真实的任务去测，而不是用网上流传的模板⁠4。另外，已经想清楚、做透的环节，本来就该尽快交给 AI，把时间留给还没解决的问题⁠5。