A：我搞了一个课题，用DeepSeek来做，它出的方案看上去很完美，但是我发现，有些数据是胡编乱造的，看来AI这东西，玩玩可以，干不了活。 B：怕是你不会用吧？ A 和 B 的对话反映了不同人对 AI 工具的不同认知和使用态度，这是一个普遍现象。 对 A 的评价： 1. 合理批评：准确指出了当前生成式 AI 的共性问题——存在“幻觉”（胡编乱造数据），这在需要严谨性的科研场景中确实存在风险。 2. 结论片面：将 AI 直接定性为“干不了活”有失偏颇，忽视了 AI 作为辅助工具的潜力（如文献梳理、框架搭建等）。 3. 验证意识不足：未体现对 AI 输出结果的交叉验证过程，暴露出使用方式不够专业。 对 B 的评价： 1. 合理质疑：确实存在因使用不当导致 AI 表现不佳的情况（如 prompt 设计粗糙、未设置验证机制）。 2. 沟通方式欠妥：以反问形式表达容易引发对立，缺乏建设性建议的简单质疑难以推动问题解决。 3. 认知偏差：将问题完全归因于使用者，忽视了 AI 技术本身的局限性。 延伸思考： ● 科研场景中使用 AI 需建立“不信任机制”：所有生成内容必须经过严格验证。 ● 有效使用 AI 的关键在于“人机协同”：人类负责核心验证、逻辑把关，AI 承担信息检索、初稿生成等基础工作。 ● 目前 AI 更适合作为研究加速器而非解决方案生成器，需结合领域知识进行二次加工。 建议采用更建设性的沟通方式：“或许可以尝试给 AI 输出设置验证环节，同时优化 prompt 的精确度，需要具体案例我们可以一起分析改进方案。”
武寒旭
了解你的工具，才能善用你的工具。