AI时代的计算机科研意味着什么，它需要什么能力？以及它到底能带来什么？

立正提到，AI在知识和技能上已经能压过人类，剩下的是把一件事做成的隐含能力，他把它拆成六个点，强调没有确定路径可循⁠1。Ethan在访谈里说得更具体：AI能完成八成到九成的工作，最后那百分之五到十要由懂行的人判断对错、给反馈、负责收口；不是专家就收不了口⁠2。放到计算机科研里，这意味着写代码、跑实验、查文献这些执行环节越来越便宜，真正稀缺的是知道哪个结果可信、哪条路值得走。会用AI的领域专家被放大，只会调工具的人容易停在表层⁠2。

立正认为AI是一个新范式，技术门槛正在消失，能把事情说清楚的人就能当顶级程序员，不必人人学语法；但每次门槛降低，技术的分布反而更不均匀，分层很残酷⁠3。科研上可以这样理解：做实验、写代码的入场券变便宜了，能提出好问题、判断什么值得做的人却更集中、更值钱。所以“AI时代科研意味着什么”的答案不是人人变强，而是执行层被摊平、判断层被拉开。

有一篇讨论指出，AI降低了查资料、做工具、试想法的成本，人可以不再先成为许多工种的熟练工才有资格把想法做出来；还可以和AI一起，把尚未成形的问题发展成能研究的问题——从熟悉领域里解释不通的现象出发，给出更准确的描述，再问：如果这个解释成立该观察到什么，什么结果会推翻它⁠4。文中也提醒，和AI协作要尽量把任务说清，并且能检查结果⁠4。对计算机科研来说，这意味着一轮“猜想—实现—检验”的周期可以缩短，但检验标准仍要自己定。