科研这件事，长期被浪漫化了。 它并不是一个统一的动作，而是一条被拆分得很细的流水线。检索、筛选、阅读、整理、假设、实验、验证，再回到写作与发表——这七个环节几乎构成了所有学术工作的基本路径。 问题在于，这条路径的每一个环节，都在消耗时间，但并不都在创造价值。 文献检索往往意味着在成千上万篇论文中筛选出几十篇真正相关的内容。阅读阶段需要逐篇理解方法与结论，再在脑中建立一个尚不稳定的认知结构。真正到问题定义时，研究者才开始进入“创造”的部分，而这往往已经消耗掉了大量时间。 这些环节，本质上都属于“确定性劳动”，它们可以被拆解、被描述、被重复执行，但依然依赖人工完成。这就形成了一种典型的错配：最宝贵的认知资源，被大量消耗在最容易被替代的部分。 过去十年，AI确实进入了科研，但更多停留在边缘。它帮人更快地找论文、更顺畅地翻译文本、甚至能写出一篇结构完整的综述，但这些能力并没有改变科研的基本形态。科研仍然是一场“七步马拉松”，只是跑得稍微快了一点。 一个更激进的命题摆到了台面上：如果把科研流程整体交给智能体执行，会发生什么？ 近期刚刚升级的AI学术智能体切问学术...