生成式 AI 正在降低信息整理、候选生成、代码实现和方案推演等认知劳动的成本，使原本依赖个人经验与时间投入的环节，转变为可以外化、并行和反复修正的人机协作过程。把这一变化放在实验、理论、计算与数据密集型科学的问题求解能力的演进中看，它可概括为第五范式，即 AI 协作范式。
大语言模型所生成的产物不自带真实性证明，生成结果只有接入来源、数据、工具和现实反馈等外部约束，才能在特定条件下具有可信度。在研究中，AI 生成的假设需要接受证据约束，逐步形成可信认识；在工作中，AI 生成的方案需要进入更短的验证与反馈周期，在窗口期、资源与风险约束下逐步形成可落地的决策。当生成不再稀缺，协作质量取决于能否建立更高密度的验证循环，同时守住证据、边界与最终责任。
传统问题求解的路径
这里所说的“传统”，是指生成式 AI 尚未进入问题界定、知识组织、候选提出与结果判断等认知环节的工作方式。在这种方式下，传统工具仅可以帮助人检索、计算、记录和执行，上述环节仍需要依赖研究者或项目团队完成。
科学研究与工作项目追求的结果不尽相同：前者希望形成经得起检验的认识，后者更希望在现实约束下取得可验证的结果。但二者都从信息不完整、路径不确定的状态出发，逐步完成界定问题、整理信息、形成候选、验证与修正。
科学研究的路线
科学研究通常始于某种尚未得到充分解释的现象。研究者通常先从宽泛的现象或问题出发，逐步明确研究对象、核心概念和问题边界；再通过检索和阅读文献，理解相关理论、方法、事实与争议。在此基础上，研究者还会明确研究命题、提出假设并构建模型，选择与问题相匹配的检验方式，通过观察或实验搜集证据，通过数据或材料分析评估不同解释，或者通过形式证明检验理论命题；最后综合这些证据或论证得出结论，并说明结论的成立条件与适用范围。
研究结论只是当前证据条件下的阶段性判断。一旦得到新的证据，已有判断往往会随之改变，反例则可能削弱原有假设，复现失败有时也会暴露研究设计或分析方法的问题。研究者需要根据这些新证据，重新检查问题、假设和方法，必要时修改结论或启动下一轮研究。因此，科学研究并非以结论或发表为终点，而应该在持续检验和修正中逐步形成更可靠的认识。
这条路线能在持续检验中推进认识，但每一轮循环都需要较高的认知与执行成本。限制主要体现在：
- 知识吸收依赖长期积累：检索只能找到材料，但材料是否相关、主张能否迁移、证据是否冲突，仍要靠大量阅读，并依赖已有的领域知识来判断。相关研究体量庞大且持续更新，单个研究者很难及时识别所有可能影响当前问题的理论、证据与方法；
- 问题与方法受已有视野约束：研究者提出的问题和采用的方法，往往受到自身知识背景与研究经历的影响。分散在其他学科和传统研究中的理论与方法，也可能因此被忽略或较晚才被注意到；
- 假设空间难以充分展开：形成一条可讨论、可检验的假设需要大量的阅读、推演和表述成本。资源有限时，研究者往往只能优先推进少数方向，也更容易陷入早期判断和已有框架的路径依赖；
- 研究设计依赖显性规则与隐性经验：变量如何选择、应当控制什么条件、容忍多大误差、如何在严格性与可行性之间取舍，既需要方法知识，也依赖长期积累的领域判断；
- 验证、复现与修正成本高：数据收集、实验执行、代码复现和反例检查都需要时间与资源。问题发现得越晚，返回假设或设计层修改的代价通常越高；
- 过程知识不容易完整保留：文献为何纳入或排除、某条假设为何放弃、参数为何这样设置，这些对后续研究很有价值的判断，往往散落在笔记、代码和个人记忆中，难以完整地呈现在最终成果里。
这些限制共同决定了一项研究能够同时考察多少路径、在正式投入前能够排除多少错误，以及在有限时间内能够完成多少轮有证据约束的修正。而传统科研的稀缺资源不只有信息，还包括把信息组织成问题、假设和研究设计的 认知能力。
工作项目的交付流程
工作项目面对的是另一类目标：在有限的时间、资源、技术和组织边界内，推动产品、运营或业务结果落地。项目可能源于外部变化，也可能出自组织判断，但很少能直接定义一个完整的问题。更多时候，问题、诉求与解决方案混在一起，团队接到的往往是“开发一个功能”、“开展一次活动”或“优化一个指标”的任务或需求。
工作项目通常先通过用户反馈、业务数据、市场信息和团队经验理解背景，进而定义目标、形成方案并评估投入。方案确定后，再经过资源协调、排期、开发或执行、测试验收和上线发布，最后根据结果数据判断效果。但项目并非到此为止：测试可能暴露目标或方案问题，上线结果可能否定原有判断，复盘所得经验也会影响下一次问题识别。
这套流程能在迭代中不断地完善方案，但每一轮都要经过需求澄清、方案设计、资源协调、开发联调、测试与发布等相互依赖的环节，等待与返工成本都不低。限制主要体现在：
- 表层任务可能遮蔽真实问题：工作通常以需求或任务的形式进入流程，但任务描述往往只是“要做什么”，未必说明“为什么要做”以及“希望改变什么结果”。如果团队没有继续追溯任务背后的用户或业务问题，虽然准确完成了一项交付，却没有改善真正需要改变的结果；
- 信息分散且性质不同：用户反馈、行为数据、商业目标、系统状态和市场信号分别描述了问题的一部分。它们可能相互冲突，也可能存在样本、口径和时间上的偏差，需要团队结合具体情境进行判断；
- 方案空间受经验和时间限制：形成可执行的方案不仅要有想法，还要补齐成本、收益、依赖、风险和验证方式。团队通常只能深入评估少数方案，某个方案一旦率先进入评审和排期，后续工作便容易围绕它转向细化与执行，而其他可能的路径往往就此较少得到充分比较；
- 跨角色协同容易产生信息差：产品、研发、设计、测试、运营和数据等角色分别掌握不同的信息。信息同步不及时或不充分时，各方对问题、目标和取舍依据的理解容易出现偏差，进而造成重复沟通、返工或执行结果偏离预期；
- 迭代节奏跟不上环境变化：即使采用了敏捷交付的方案，各环节仍有前后依赖，任何一环等待或返工都会拖长真实反馈。而用户需求、市场和竞争格局持续变动，迭代周期一旦长于环境变化，功能即便完成也未必仍具预期价值；
- 验证往往发生得较晚：测试只能确认交付是否符合设计，却验不了设计是否解决了用户和业务问题。许多关键反馈只有进入真实环境才会出现，此时资源与排期往往已经重新锁定，修正成本也会随之升高；
- 项目结果容易留下，判断过程难以复用：最终文档、代码和指标通常会被保存，但为什么选择某个方案、哪些前提曾被否定、什么反馈改变了判断，往往散落在会议和聊天记录中。
这些限制共同决定了一个项目能够同时评估多少方案、在投入资源前能够排除多少错误判断，以及在窗口期内能够完成多少轮有真实反馈的迭代。工作项目的稀缺资源不只有时间和人力，还包括把分散的用户、业务和市场信息整合成明确问题与可比较方案的 判断能力。
两条路径的共同结构
科学研究与工作项目分别面向可信认识和可验证结果，评价标准有所不同，但它们共享一条基本的问题求解循环：
两条路径虽共享这一循环，但在每个环节的具体形态上各有不同：
| 维度 | 科学研究 | 工作项目 |
|---|---|---|
| 起点 | 现象、矛盾或研究问题 | 用户问题、业务目标或现实需求 |
| 候选 | 假设、模型、解释与方法 | 目标、方案、策略与执行路径 |
| 外部检验 | 文献、数据、实验、证明与复现 | 用户反馈、业务指标、系统状态与资源约束 |
| 结果 | 有边界、可辩护的知识主张 | 可执行、可验收的决策与交付结果 |
在生成式 AI 广泛应用之前，候选生产昂贵、验证资源有限，顺序推进、较早定下方向是合理的取舍。传统路径的核心瓶颈可以归结为 认知生产与反馈修正的成本，即每轮推进都高度依赖人的知识背景、经验判断与大量时间投入。传统的搜索、统计、开发和协作工具提高了局部效率，却没有一种工具能把贯穿全程的认知环节打通，这条链路始终要靠人自己承接。
问题求解方式的演进
人类求解问题的方式从来不是静止的。每当研究对象、观测手段、知识规模或计算能力发生变化，人不但可以获得新的工具，也会重新组织问题如何被提出、证据如何被取得、解释如何被建立，以及结论如何被检验。这种变化在科研和工作上都在发生：新能力进入既有问题求解循环后，原有局限会被打破，主要瓶颈则被推向新的位置。
Jim Gray 曾将科学研究概括为实验科学、理论科学、计算科学和数据密集型科学。这一划分适合用来理解不同能力如何进入研究过程，但不应被当作严格的科学史分期。观察与理论从来相互依赖，计算和数据也没有形成彼此隔离的时代。所谓范式演进，不是后一种方法否定或替代前一种方法，而是新的能力被叠加到原有研究循环中。
四种既有范式
第一范式：实验科学
实验科学以观察、测量和可重复检验为核心。研究者通过控制条件、记录结果和重复实验，将关于世界的判断从个人经验、直觉和权威解释，转向能够被不断复现的外部证据。实验可以说明在特定条件下发生了什么，却不会自动回答不同事实如何关联、为何发生，以及怎样推断尚未观察的结果。
实验科学打破了事实缺少外部检验的局限；新的瓶颈也随之出现：不断增长的观察结果需要被组织成解释与预测。
第二范式：理论科学
理论科学以概念、逻辑、数学和模型为核心。它将分散的现象整合为内在关联的解释结构，使研究者能够从已知事实推导新的结果，并在观察发生前提出可以接受检验的预测。
理论科学打破了事实彼此孤立、难以形成统一解释的局限；但变量众多、关系非线性或动态过程复杂时，即使基本规律已经明确，也难以靠手工推导得到可用结果。这表现为：许多理论上可以表达的问题，无法仅靠人力完成复杂推演。
第三范式：计算科学
计算科学将数学模型、数值方法、算法和计算机带入研究过程。研究者可以把理论关系转化为可执行的计算，在虚拟环境中模拟系统演化、调整参数、比较情景，使过去受人工推演限制的问题获得新的执行空间。
复杂推演一旦可以交给机器执行，数据量却开始超过人工阅读和传统处理能力。主要困难便不再停在计算本身，而转向：如何从这些数据中发现值得解释的模式和问题。
第四范式：数据密集型科学
数据密集型科学以大规模数据的采集、存储、处理、连接和模式发现为基础。研究者不仅可以从明确假设出发寻找证据，也可以先在海量数据中识别相关性、异常、结构和群体差异，再据此形成新的问题和假设。
当数据、论文、模型、代码和分析工具同时快速增长后，新的困难逐渐从某个单点环节扩展到整个认知过程。研究者可能拥有远超以往的材料和计算能力，却难以在有限时间内掌握相关文献、比较彼此冲突的证据、发现可以迁移的方法、提出足够多的竞争性假设、为不同方向设计验证路径，并把分散反馈持续写回研究过程。
模式发现的入口已经打开，困难却升到更高一层：真正稀缺的，不再是材料与方法，而是把它们组织成判断的认知能力。
工作项目的平行演进
工作项目没有像科研那样被概括成几种范式，但同样经历了能力叠加、瓶颈转移的过程。
最早期的工作模式几乎完全依赖个人经验与手工操作，判断靠记忆和手感，知识靠口耳相传，能处理的范围受限于个人的时间和经验；机械化和流水线出现后，把一部分体力工作交给机器，提高了局部效率，但环节之间的衔接、信息流转和异常处理仍需由人承担，瓶颈从“执行缓慢”移向“跨环节协同不足”。
办公自动化、ERP、CRM 和 BI 等系统进一步把信息流通和数据处理交给软件，决策开始有数据支撑。但每个系统只管一段，跨系统的口径对齐、跨角色的信息同步、从数据到判断的转化，仍要人去处理，瓶颈从“信息不全”移向“把分散信息组织成判断”。
互联网时代的 A/B 测试、灰度发布和精益实验又把验证环节缩短。每一层都让某个局部更准更快，但问题界定、信息组织、候选生成、结果解释和反馈修正，仍要由人贯通全程。
第五范式：AI 协作范式
AI 最初也被看作数据密集型科学中的一种分析工具：它从大规模数据中学习模式，用于分类、预测、识别和优化（即机器统计学习）。大语言模型与智能代理的发展，使 AI 开始越过单一分析环节，进入问题求解的更长链条。它可以参与问题表达、文献整理、知识压缩、假设生成、方案比较、代码实现、结果解释、验证辅助和过程记录，并根据反馈继续修改输出。
这种变化同时包含模型性能与交互方式的进步，AI 开始能够以更通用、低门槛的方式持续承担部分认知劳动。与传统工具要求人先明确任务、再执行局部功能不同，AI 可以在目标尚未完全明确时参与澄清问题，在缺少既定路径时提出多个候选，并围绕同一目标连续完成整理、生成、比较和修正，开始从单点工具变成问题求解过程中的协作层。
这种正在形成的方式称为 第五范式，也称为 AI 协作范式。第五范式扩展了人类 组织认知过程与生成候选路径的能力，它可以帮助研究者和知识工作者在更短时间内吸收更多材料，同时展开多个假设、方法和方案，并在反馈到来后快速形成新的版本。过去受个人时间和知识范围限制的候选生产，开始能够被外化到人机协作过程中持续展开。
但这并不意味着 AI 已经取代人的认识活动，也不等于模型生成的内容天然可靠。候选可以更快出现，却不会因为生成得快或数量众多而自动成立；知识、代码、分析和方案能否被采用，仍然需要文献、数据、实验、证明、测试和现实反馈加以约束。AI 降低的是认知生产的部分成本，验证、判断、边界与责任，仍要由人来完成。第五范式并未改写科学研究的基本原则：模型可以扩大探索范围并加速候选生成，但观察、解释、推演与检验仍须通过实验、理论、计算和数据完成。
能力叠加与瓶颈转移
上述五种范式的能力叠加与瓶颈转移如下：
| 范式 | 扩展的主要能力 | 打破的主要局限 | 进一步暴露的瓶颈 |
|---|---|---|---|
| 实验科学 | 观察、测量与检验 | 判断缺少外部证据 | 事实需要被组织和解释 |
| 理论科学 | 抽象、解释与预测 | 事实彼此孤立 | 复杂系统难以手工推演 |
| 计算科学 | 建模、仿真与运算 | 人工计算能力不足 | 海量数据难以有效处理 |
| 数据密集型科学 | 大规模分析与发现 | 人工处理数据能力不足 | 知识、方法和工具难以组织 |
| AI 协作范式 | 认知组织与候选生成 | 路径探索和认知生产昂贵 | 验证、判断、边界与责任成为主要约束 |
进入第五范式之后，一项可靠研究仍可能同时依赖实验事实、理论结构、计算执行和数据证据。AI 的作用是把这些能力更快地调入同一问题求解循环，并帮助人展开、比较和修正原本难以同时处理的候选路径。
在科学研究与复杂工作中，当候选假设、代码草稿、分析框架和方案变体可以被快速生产，“能否生成”不再是唯一限制，“生成的内容能否进入证据链和决策链”变得更加重要。
认知生产与问题求解的新形态
第五范式进入日常研究与工作，最直接的表现是文字、代码、图表和方案生成得更快。但速度只是表层结果，更深的变化在于问题求解的基本单位开始从少数完整成品，转向一条持续产生、接受检查、被否定或被修正的候选流。
这里的“认知生产”并不只指生产知识。科研中的假设、解释和研究设计，工作中的问题定义、分析框架和业务方案，都属于尚待判断的认知产物。它们可能最终成为知识或决策，也可能在验证中被否定。AI 所改写的，正是这些中间产物的形成与流动。
从单点工具到认知协作
传统数字工具通常承担边界清楚的局部任务：搜索引擎帮助找到材料，数据库保存和查询数据，统计软件执行指定分析，开发工具把明确逻辑转化为程序，项目管理系统记录任务与进度。这些工具提高了局部环节的效率，却不负责组织整条问题求解过程。人需要先确定问题、选择方法、组织材料和设计步骤，再调用相应工具完成某个环节。
而 AI 能够通过通用交互方式参与比传统工具更长的问题求解链条。一个尚未完全明确的问题可以先被描述给 AI，再通过追问逐步补充对象、目标和约束；一组分散材料由此被整理为概念、主张和冲突，初步方向继续展开为多个假设、方法或方案。获得新反馈后，原有候选还可以被重新组织和修改。
AI 不只是加快某个固定动作，更开始连接原本需要人手动衔接的多个认知环节。它可以与搜索、数据库、代码执行、统计分析和文档系统结合，在同一个目标下连续参与吸收信息、生成候选、执行试探和整理反馈。工具仍然提供具体能力，AI 则逐渐承担在这些能力之间组织上下文和中间产物的协作作用。
但是这种协作不意味着问题求解会自动发生。目标是否清楚、材料是否可靠、步骤怎样安排、结果如何验收，仍需要有人组织。变化在于，许多过去只能在个体思考、会议讨论和反复手工整理中推进的过程，现在有机会被转化为可观察、可操作的协作对象。
外化、并行与高频反馈
认知过程的外化
在传统问题求解中，大量认知活动停留在人的头脑和零散交流里。为什么认为某个方向值得继续、为什么排除另一种解释、某项分析还依赖哪些前提，这些内容往往只有在形成正式文档时才被部分写出。将一个想法整理成结构完整、可以被他人检查的表述，本身就需要较高成本，因此许多中间判断来不及外化便被放弃或遗忘。
AI 降低了从模糊想法到可检查表达的转换成本。研究者可以把尚未成熟的研究兴趣展开为问题清单、概念关系和候选假设；工作团队可以把零散需求、用户反馈和业务限制整理为问题陈述、方案框架和验收条件；分析者可以把一条解释思路转化为查询逻辑、分析步骤和图表草稿。原本隐含的对象、前提和关系由此更早进入可讨论状态。
外化让思路获得可检查的形态，其价值远高于单纯增加文字。一种想法只有被表达出来，才容易与其他解释比较，才可能暴露概念混淆、前提缺失和证据断点，也才有机会在团队之间传递。AI 生成的初稿可以作为认知过程的中间表示，让人更早看见自己究竟提出了什么。
但是保存对话和版本并不等于形成了可复用知识。只有来源、约束、取舍理由和验证结果被有意识地提取出来，外化才会从大量痕迹转化为可以继续使用的过程资产。
候选路径的并行化
当形成一条完整候选的成本很高时，研究和项目都会倾向于尽早定下方向。研究者通常只能重点推进少数假设，团队也很难同时把多个方案细化到足以比较的程度。第一条看起来合理的解释或可执行的方案，容易占据后续资源和注意力；其他路径未必更差，只是没有足够成本被展开。
AI 可以在同一问题下快速提出多个候选，并帮助补齐它们各自的前提、可能证据、实施条件和风险。在研究中，相互竞争的解释、不同理论路径和多种研究设计得以同时展开；在工作中，功能开发、流程优化、运营调整、低成本试验乃至暂不行动等选择也能进入同一比较框架。过去难以被完整表达的替代路径，可以更早接受取舍。
并行化的价值已经超出了“多想几个点子”。有效的候选空间应当包含能够被区分的路径：它们依赖不同前提，对结果作出不同预测，需要不同证据，或者在成本、收益和风险上形成真实取舍。如果多个候选只是相同思路的同义改写，数量增长不会带来新的认识，反而可能增加筛选负担，使人被大量结构完整但差异有限的版本淹没。因此，并行展开应当与比较标准相连：哪些候选值得进入下一步，什么证据能够区分它们，验证成本是否合理，失败后能够获得多少信息。AI 扩大可见空间，人仍需决定有限的验证资源投向何处。
反馈循环的高频化
外化使候选可以被检查，并行化使多条路径可以被比较；当新的材料、数据或现实反馈到来后，AI 还可以迅速把修正要求写回候选，形成下一轮版本。问题求解由此有机会从少数长周期尝试，转向更高频的生成、检查、验证与修正。
高频反馈要求新证据和约束持续进入上下文。若上一轮的失败原因没有被说明，只要求 AI “再写一版”或“换一个方案”，得到的仍可能是同一分布中的重复抽样。版本数量增加了，问题空间却没有缩小，认知也没有前进。
有效迭代需要每一轮都接收能够改变下一轮的反馈。它可能来自原始文献与研究数据，也可能来自代码执行、测试结果、用户反馈、业务指标和系统状态；还可能是人对概念、逻辑、成本或风险作出的否定判断。关键在于把这些反馈转化为新的事实、约束和排除条件，使下一轮候选建立在比上一轮更窄、更明确的空间上。
AI 在这里提高的是修正过程的响应速度，并不直接提高结论成立的概率。过去一次反馈可能需要重新阅读材料、改写代码、重组文档和协调多人沟通；现在部分修改可以更快完成，使同样时间内进行更多轮试探成为可能。
从生产成品到管理候选流
传统认知生产通常围绕最终成品组织：科研关注论文、模型和正式结论，工作关注报告、方案、功能和上线结果。由于形成完整版本的成本较高，人们往往先集中资源打磨少数路径，再在相对靠后的阶段进行评议、测试或结果观察。
AI 降低生成成本后，问题求解的基本单位开始发生变化。完整、流畅的版本不再稀缺，管理重心转向从问题出发不断产生、接受检查、被否定或被修正的候选流。论文段落、代码草稿、数据解释和业务方案都只是候选的不同形态。
候选流中的内容需要经历不同状态：
| 状态 | 核心问题 | 可能的处理 |
|---|---|---|
| 生成 | 是否形成了值得讨论的候选 | 补充前提、去除重复、明确差异 |
| 检查 | 结构、逻辑和方法是否基本成立 | 查找矛盾、遗漏、不可检验之处 |
| 锚定 | 是否接入原文、数据、执行结果或现实反馈 | 核对来源、运行代码、开展试验或收集反馈 |
| 取舍 | 证据是否足以支持继续投入或正式采用 | 接受、修正、降级表述或放弃 |
| 沉淀 | 结果和取舍依据能否进入下一轮 | 保存来源、约束、失败原因和适用边界 |
这些状态并非线性排列，而是通过检查、锚定与沉淀之间的反馈构成一个可循环的过程。
这套变化并没有否定最终成果，反而提高了成果形成过程的要求。过去容易被最终文档遮蔽的失败路径、修改理由和证据边界，开始成为候选流中需要被管理的对象。最终结果说明“留下了什么”，候选流则说明“为什么留下它，又为什么放弃其他路径”。
稀缺从生成转向验证和判断
认知生产的成本开始下降。研究者能够更快形成假设和分析草稿，工作团队能够更快展开方案和交付材料，个人也能调用过去难以独立完成的知识与技术能力，问题求解的覆盖范围进一步扩大，启动速度也得到提升。
但生产与验证之间因此出现新的不对称。过去因为候选少，验证通常围绕少数成品展开；现在如果仍把验证集中在流程末端，大量未经锚定的中间产物就会持续堆积。它们可能表现得完整、专业且彼此一致，却缺乏与之相称的证据支撑。生成越容易，把表达质量误当成认知质量的风险越高。认知生产的变化可以概括为：生成能力已显著扩张，但验证能力未能同步增长，瓶颈由此转向筛选与判断。