封面来自：冬雪 | Michael Yamashita
本篇虽然起名为「提高研究效率」，但对很多工作场景同样适用。因为「研究」这件事并没有那么高深，只要碰到了问题、问题涉及陌生领域，我们就需要学习新知识，并把知识转化为解决特定问题的思路。
学习新知识、理解特定问题、提供解决问题的思路（方案），这就是研究的实质。论文、研究报告、问题方案……各类基于信息的交付任务里，多少都存在研究的影子。
鄙人虽然没怎么实质性吃过科研的苦，但读研期间也难免在导师的叨叨、文献搜集的倦怠、无所下笔的枯竭中长吁短叹，觉得这活儿可真难干。我研究生毕业那一年，正好是AI迅速发展的一年。AI作为一个信息拓展机器，在研究上天然具备足够强劲的优势。工作后我真切感受到「做研究」这事已经“今时不同往日”。现在的孩子真是有福了，不用过我们那会儿的苦日子了。
我说的「不过苦日子」当然不是说咱可以直接用AI写论文了（学术不端警告！）。而是说，现在我们对研究主题的把控能力可以比以往高很多，并且可以不做很多「假性脑力劳动」了。我们真的可以牢牢聚焦于特定问题，专注深挖，感受到智识被一遍又一遍冲刷的智性快乐了。
为了聊透这个问题，本篇会分成上下两篇。上篇会聚焦于原理，聊我如何理解「研究」以及「AI在研究过程中扮演了怎样的角色」；下篇聚焦于实操，盘点研究过程中的「假性脑力劳动」，以及如何用AI外包「假性脑力劳动」。
全文目录1. 做研究使用AI的认知误区及原因
1.1 认知误区，以及AI为何无法精准交付？
1.2 目前AI应用的模式：copilot与agent
2. 研究的实质与AI在研究中扮演的角色
2.1 研究的实质：浅层次学习+深挖特定问题
2.2 浅层次学习：AI可以帮助新人快速获取知识地图
2.3 深挖特定问题：AI是冷启动之光
3. 为什么做研究让人倦怠？
3.1 真实的脑力劳动与虚假的脑力劳动
3.2 做研究的几大假性脑力劳动阻力及应对策略
💡 第一部分属于对AI运行模式的简单解读，与研究关联性不高，属于AI入门级知识。对于只想了解与研究相关内容或者已经熟练使用AI的同学，可以从第二部分开始阅读。由于我也只是一个AI门外汉，如果对AI的科普存在偏差还请见谅，也欢迎指正！【鞠躬】
1. 做研究使用AI的认知误区及原因
1.1 主流误区，以及AI为何无法精准交付？许多用户在使用AI进行研究时，常常陷入两个错误的思维定势：一是希望AI能够直接提供完整的研究思路，二是期望AI能够生成可以直接交付的最终内容。然而如果你用这种想法来用AI，大概率你会对AI的输出结果感到失望。并且你的任务对精确度的要求越高，你会越失望。
因为大模型的生成逻辑是推测，而非推理。
在今年的9月13日，OpenAI发布了o1新模型，声称“对于复杂推理任务来说，这是一个重要的进展，代表了人工智能能力的新水平”。也就是说，从o1模型开始，AI才开始学会磨练思维链并完善所使用的策略，在此之前的AI并不具备成熟的推理能力，
目前AI生成文本的逻辑是这样的：
1. 上下文理解：模型通过其训练学习到的语言知识，理解输入文本的上下文和意图。2.预测生成：模型基于输入文本和已理解的上下文，预测下一个可能的词或短语。3.迭代扩展：模型不断预测下一个词，直到生成完整的句子或达到预定的文本长度。【以上内容由kimi生成】
我再用人话解释一下。AI只能在特定场景下预测下一个可能会出现的词，比如说在互相寒暄的场景，一个人讲“今天天气……”，AI会基于它已有的知识和现有文本，预测这个人下面会讲的3个字大概率是“怎么样”。但本质上，它无法理解人类为什么会在“今天天气”后面说出“怎么样”三个字。
这就意味着，AI生成的文本是基于概率，而非思考。所以越精确的东西它越难交付，越模糊的东西对它来说越简单。而这一点或许也可以解释，为什么目前基于AI技术打造的塔罗牌占卜、命理解读、人格特征分析类产品并不罕见。
如卷卷在她的小报童中所言：
“人类最为引以为豪的自我意识，我们彼此的共情，接收和获得的情感慰藉，我们心灵的创造力，我们的推导和判断，因为总是一团模糊、并不精确，并没有我们想象中那么难以复制和再生。模拟人类情感回心的得体表达、对处境的分析、对命运的解读，反而比准确完成高难度数学推导要容易得多。”
工作中的研究交付往往要求紧扣实际问题给出具体意见，显然研究对精准度的要求与AI生成文本的逻辑大相径庭。但这并不意味着AI对研究工作毫无助益。相反，它的推测特性意味着它可以在研究过程中完美扮演缪斯的角色，给用户带来源源不断的启发。
1.2 目前AI应用的模式：copilot与agent在正式聊研究中的AI应用前，我还想简单介绍一下目前AI应用的两种基本模式：copilot（协作模式）与agent（代理模式）。
了解这两种AI应用的基本模式，可以更好地帮助我们理解哪些场景适合人机协作，哪些场景可以直接用AI做交付。因为研究过程中标准化任务和非标准化任务都会出现，我们既可以让AI做副手，也可以让AI当跑腿小弟。
Copilot，直译为副驾驶，这个描述非常直观。在copilot模式下，你是掌舵者，AI只是你的副手，AI可以在一边实时协助并给出建议，但最终的决策权依旧在你。典型例子如Microsoft Office Copilot。
Agent，这个词学法的同学不会太陌生，代理人。在agent模式下，AI是独立执行者，能够自主决策和执行任务，具有一定的自主性，典型例子如自动化客服系统、智能数据分析agent。
我曾经在AI学习笔记（1）中提出过一个区分「是否需要写详细的prompt」的标准：任务是否可以被标准化。我认为一个任务如果是非标准化的，它就很难被直接外包，此时我们需要学习写prompt。
这个标准同样适用于判决「特定场景下我们需要副手还是代理人」。
如果任务标准化程度高，完全可以用文字描述工作流程SOP化，你可以尝试着让AI直接做交付（比如批量的文书任务，有模板+修改内容固定）。同时，我认为标准化程度很高的工作也是法律科技公司特别喜欢开发产品的内容，想偷懒的话完全可以等法律科技公司卷（狗头.jpg)。
如果任务交付的是非标品，很难用文字固定具体流程，那就不要期待AI直接做交付，请让它成为你的副手。
2. 研究的实质与AI在研究中扮演的角色2.1 研究的实质：浅层次学习+深挖特定问题做研究，核心仅有一句话：通过搜集、浏览大量「有效」信息获得解决特定问题的思路。
这里可以抽象出两个要素：浅层次学习（搜集/浏览大量信息）、深挖特定角度（借有效信息搭建解决特定问题的思路）。
专门讲研究的核心，是因为刚开始做研究时新人非常容易混淆「浅层次学习」与「针对性研究」这两件事。拿写论文打比方，一般我们开始研究某个主题时，都倾向于先找那篇最经典的综述类文章。这种综述类文章会写清楚目前的研究进展、研究主题下衍生出了多少种学说、每种学说的主要观点是什么、存在缺陷是什么etc.
读综述类文章是公认的「浅层次学习」效率最高的路径。如果可以找到几篇高质量的综述型文章，那么我们很快就可以把握目标领域的整体情况，自然也可以高效地摸索到接下来的检索方向与应当使用的检索关键词。在这过程中找到具体切入点，就可以展开「针对性研究」了。
综述型文章相当于在探险初期拥有一张藏宝地图，有了地图我们才能知道研究领域的全貌。但这种综述类型文章不是每个领域都会有。而新人往往对要研究领域的知识很陌生。所以，新人做研究初期一般都在瞎看材料学知识，并且往往学得毫无针对性与体系。
这当然不是新人的错，没有人可以一上来就摸到陌生领域的知识体系，建立知识体系框架必然需要大剂量地输入相关内容。但新人比较要命的一点是，新人分不清自己在「学习」还是在「摸索特定问题的思路」。在摸索知识体系的阶段，新人获得的大部分信息都属于浅层次的学习材料，而不是针对特定问题的「有效信息」。但新人对此一无所知。
新人意识不到自己是在「浅层次学习」阶段，新人以为自己获取了大量「有效信息」。这时候就会出现一个经典场景——新人把特定领域的相关概念、具体情况、争论观点收集完以后已经快累死了，整合好信息觉得自己已经很棒了。美美上交给老师后很快喜提一顿臭骂——“观点呢？你的观点呢？你在写教科书吗？”
这种情形，一般人均要碰到至少一次^ ^
2.2 浅层次学习：AI可以帮助新人快速获取知识地图在第一部分我讲到，AI生成文本的方式是「推测」而不是「推理」。它只是基于输入文本和已理解的上下文，预测下一个可能的词或短语。这导致它的结果并不精准，只能「看似正确」。其实这种运行模式并不坏，这意味着AI可以在研究过程中极大拓宽用户的「思考资源」。
2.2.1 什么是思考资源？
思考资源是指在研究或解决问题过程中可以利用的各种信息、知识和工具，它们能够帮助我们拓展思路、深化理解，并最终形成解决方案。
不过我认为这个概念还是有点太悬浮，思考资源可以直接简化为三个字：新概念（没给英语教辅打广告:p）。一个全新的词汇就足以成为打开新领域的入口。在研究初期能获取的新概念越多，研究者的检索入口就越多。检索入口越多，检索效率就越高、越容易掌控研究领域的全貌。
而AI最擅长的就是基于上下文和已有数据，穷尽式列举可能出现的词汇与语句。这意味着虽然它提供的答案不精准，但信息角度和观点足够多维，能帮助研究者更全面地思考问题，避免思维局限，从而提高研究的质量和效率。
这种“看似正确”的弊端，恰恰是激发研究者创造性思维的养料。研究者可以将AI提供的信息作为起点，进行进一步的验证、深入和拓展，从而形成自己独特的见解和观点。
2.2.2 如何获取新领域的知识地图？在研究初期拿到新课题后，可以把基本情况告诉AI，问它从哪些维度去了解这个课题比较好，让它为你对新问题进行大量联想与拓展。这时候并不要求AI精准解决问题，主要诉求是挖掘足够多的思考维度，方便后期把检索做得足够全面。
具体的提问方式可能会有如下几种（提问方式仅做参考，不同类型课题的提问方式必然不同，请自行探索）：
a.开始阶段
请帮我分析[领域名称]的以下方面：
- 核心概念和术语
- 主要研究方向
- 关键技术或方法
- 典型应用场景
- 最新研究热点b. 深化阶段
基于上述内容，请帮我：
- 生成详细的研究维度清单
- 提供每个维度的关键检索词
- 建议优先研究的顺序
- 指出可能的难点和解决方案拿着AI提供的思考角度，再次按照你认为的重要程度进行排序，把经自己思考的维度汇总成一张研究清单并展开检索。检索过程中你获得的信息和灵感会越来越多，此时记得回到清单进行删改。检索过程中如果自己发现了全新的维度，也请记得添加在研究清单上。
当你照着这张研究清单完成一轮检索，你自然而然会对一个新领域有了大致了解。
2.3 深挖特定问题：AI是冷启动之光对新领域有了大概了解以后，一般我们会对自己要解决的问题有大致思路，能列出个差不多的提纲。这时常见的问题有两个：
a. 你觉得提纲不怎么样，还需要进一步打磨但不知道如何修改；
b. 你觉得提纲差不多了，但你懒得动笔写整段文字，或者你不知道开头怎么写比较好，于是你卡在开头写不下去了。
这种卡住的时刻就是AI可以拯救你的时刻。人是一种这样的动物：一件事已经有了具体的抓手、基本的样貌，人会自然而然拥有在基础上进行修改的动力。但如果面对的是个模糊不清、过于抽象的大纲，要纯靠自己进行具像化，人就会懒得动手。
把你的提纲扔给AI，和AI反复讨论修改，在大纲被优化的同时你也让自己在对话的过程中获得了思考的惯性，你自然就动起来了；把已经打磨好的大纲先交给AI，让AI尝试着写初稿，看到它的拉垮初稿，你作为人类的傲慢、自尊、得意突然升起来了——“那就让我来帮你小子改改这拉垮的文书”——于是你冷启动成功了:p
遇事不决，AI先学。本人犯懒时刻的执行力目前有一半靠AI撑（瘫痪.jpg)。