在过去的数十年间，人工智能介入科学研究的方式始终遵循着一条清晰的工具主义路径：作为数据处理加速器、模式识别器或参数优化器。从蛋白质结构预测到材料筛选，AI被封装在既定的科研流程中，默默扮演着“高级计算器”的角色。但这种看似高效的应用逻辑，实则隐含着深刻的认知剪刀差——人类设定问题、设计实验、解释结果，而AI只负责中间那段可被数学化的推演。然而，当AlphaFold在两周内解决了困扰生物学界五十年的蛋白质折叠问题，当大语言模型开始独立提出假设并设计验证实验时，我们必须承认：AI已经不是一把趁手的铲子，而是一个正在重塑科研认识论主体的“认知他者”。传统工具论框架下的“AI作为工具”隐喻，已经无法容纳这种涌现出的决策性、偶然性和创造性。我们需要一场范式革命，重新定义“谁在理解”以及“何为证据”。
我的全新独立观点在于：科学发现正在从“人类中心主义的单智能体流程”转向“人机双主体的生成性对话”。所谓“双主体”，并非指AI拥有意识或意图，而是指在知识生产的动态过程中，AI的搜索行为、归纳偏差和表征方式，已经构成了一个独立的“认知坐标系”。人类研究者面对的不再是一个透明的中介，而是一个拥有内在统计世界观的“异质推理者”。这种异质性恰恰是科学突破的新源泉——人类受限于感官直觉和语言符号，而AI能在高维空间中识别出从未被概念化的关联。例如，在药物研发中，AI提出的分子骨架往往违背传统药化规则，却具有更高的活性；在物理学中，神经网络自动发现的“隐藏变量”挑战了我们对因果结构的预设。因此，我们应该放弃“AI是工具”的单向支配逻辑，转而建立一种“认知互训”机制：人类教会AI科学的先验知识，AI则反馈给人类非直观的潜在结构。这才是真正的“合作者”关系，而非简单的“使用者-工具”关系。
然而，这一范式革命伴随着尖锐的内在张力。最突出的矛盾是可解释性危机：当AI生成的结论无法被人类语言完全转译，或者其推理路径涉及数十亿参数的非线性纠缠时，我们能否将之承认为“科学知识”？传统科学要求可复现、可逻辑化、可因果化，而AI发现往往表现为不可还原的“统计黑箱”。我主张，我们需要扩展“验证”的边界，引入“操作性解释”的新范畴——即只要AI的结论能够通过多种独立实验模态达成一致的预测，并且在人为扰动下保持稳健，那么即使其内部机制无法完全人类化，也应当被视为有效科学发现。这种观点显然与还原论传统格格不入，但历史表明，从开普勒定律到量子力学，科学解释的每一次扩张都伴随对“何为理解”的重新定义。与此同时，伦理位置也发生了迁移：如果AI是合作者，那么科研责任如何分配？当AI的假设导致实验失败或伦理越界，谁该负责？我认为，责任不应由AI承担，而应由建立在“人机共同决策”上的新型科研伦理框架分担——人类负责价值定向和最终判断，AI负责探索可能性空间，但两者必须留有清晰的责任缺口，以避免“责任真空”。
展望未来，我预见到一种“第三科学文化”的兴起。它既非纯粹的计算主义，也非传统的实证主义，而是将人类直觉与机器探索置于同等认知地位的系统性实践。在这种新范式下，科学问题本身将由人机协商生成，而非仅由人类预设；科学论文或将从“陈述式”转向“对话式”——呈现出人类推理、AI建议、实验证伪三者相互缠绕的完整轨迹。这需要基础设施的重新设计：可逆的AI模型、富含元数据的实验记录库、以及允许“假设-反事实”交互的科研操作系统。当然，这一进程不会平坦。我们必须警惕AI过度的“伪创造性”——即通过训练数据的统计相似性生成看似新颖实则陈旧的结论。真正的突破需要人机之间的认知摩擦，需要人类以怀疑精神去挑战AI的“自信”输出，也需要AI以穷举能力去颠覆人类的“直觉惯性”。最终，AI科学家的意义不在于取代人类思考，而在于迫使人类重新审视思考本身。当我们把AI视为合作的“认知他者”，科学便不再是单向的探索，而是一场跨越智能形态的共舞。在这场共舞中，每一个新发现都将是双重主体共同书写的复杂文本，而我们才刚刚学会如何阅读它的第一行。
