前言：AI辅助科研的理念与心态¶
AI不是替代，是放大器¶
AI 工具的本质是放大你的能力，而不是替代你的思考。就像计算器没有替代数学家，而是让数学家从繁琐的手算中解放出来，AI 让你从重复性劳动中解放出来，把精力留给真正需要创造力的事情：
- 数据处理、格式转换、批量出图 → 让 AI 做
- 实验设计、物理直觉、创新思路 → 你来做
- 代码框架生成、语法查错 → 让 AI 做
- 算法选择、结果判断、物理意义解读 → 你来做
提问的艺术：如何高效地向AI提问¶
AI 的输出质量，很大程度上取决于你的输入质量。掌握以下原则，能让 AI 的回答从"泛泛而谈"变成"精准可用"。
原则1：给上下文¶
差的提问：
帮我画个图
好的提问：
我用 MATLAB 分析了一组光学透过率数据，波长范围 400-800nm，想画一张 publication 级别的图，要求：x轴是波长(nm)，y轴是透过率(%)，线宽1.5pt，字体Helvetica 12pt，不要网格线，输出为300dpi的EPS格式。
差异在于：好的提问交代了工具、数据类型、具体要求、输出格式。
原则2：给示例¶
如果你想要特定风格的输出，给 AI 一个示例比千言万语更有效：
请按照以下格式输出结果：
原则3：分步走¶
复杂任务拆成多步，每步确认后再进行下一步：
- "先帮我写一个读取 CSV 数据的 MATLAB 函数框架"
- （确认框架后）"现在加上数据的归一化处理"
- （确认后）"加上绘图功能，要求..."
原则4：让AI解释，不只是生成¶
当你不理解 AI 生成的代码时：
请逐行解释这段代码的逻辑，特别是第15-20行，我不理解为什么这里要转置矩阵。
理解代码比得到代码更重要——你需要为结果负责。
原则5：迭代优化¶
第一版输出通常不是最好的。学会迭代：
这段代码可以运行，但运行太慢了，数据量大约100万行，请帮我优化性能。
何时该用AI，何时该自己学¶
应该用AI的场景¶
- 语法记不清：API 参数、函数用法，问 AI 比查文档快
- 批量处理：重复性操作（批量重命名、格式转换、循环出图）
- 报错解读：把错误信息粘贴给 AI，通常能快速定位原因
- 初稿生成：代码框架、文档草稿、图表配置
- 跨语言转换：MATLAB 代码转 Python，VBA 转 Python 等
- 学习新工具：让 AI 给你一个快速入门教程
应该自己学的场景¶
- 核心专业知识：物理原理、数学推导——AI 可能给错误答案
- 结果验证：AI 生成的代码必须自己验证，不能盲信
- 领域特定判断：仿真参数是否合理、实验方案是否可行
- 写作中的原创观点：论文的核心创新必须是你自己的思考
科研诚信：AI使用的边界¶
可以做的¶
- 用 AI 辅助编写、调试代码
- 用 AI 帮助理解报错信息、优化算法
- 用 AI 辅助翻译、润色论文语言
- 用 AI 生成数据处理脚本、绘图脚本
不可以做的¶
- 让 AI 代写论文核心内容并声称是自己写的
- 直接使用 AI 生成的数据或结果而不加验证
- 将未发表的实验数据、敏感信息输入 AI（尤其是云端服务）
- 用 AI 生成虚假数据或篡改实验结果
隐私红线¶
绝对不要将以下内容输入云端 AI 服务：
- 未发表的实验原始数据
- 涉及专利的技术细节
- 包含个人信息的文件
- 课题组未公开的研究成果
如果需要处理敏感数据，考虑使用本地部署的 AI 模型，或对数据进行脱敏处理后再输入。
科研场景中的典型误区（翻车提醒）¶
下列情况在组内讨论中较常见，不是否定 AI，而是提醒：输出必须经过你自己的学科判断与验证。
- 物理常数与单位：AI 可能给出过时或近似常数，或与文献不一致的单位换算；仿真与公式推导请以教材、官方文档或本领域共识为准，关键数字自行核对。
- 边界条件与网格：在 COMSOL、FDTD 等工具中，AI 只能给思路；边界是否物理、网格是否足够，必须由你根据模型检查。
- 「能跑」不等于「对」：代码不报错只说明语法可执行，结果是否反映真实实验或正确模型，需要对照实验、极限情况或文献结果。
- 过度简洁的提示：只问「帮我画张图」容易得到泛泛结果；参见上文「提问的艺术」，把工具、数据尺度、期刊要求写清楚。
建议做法：把 AI 当作需要验收的合作者——关键步骤保留中间结果（数据快照、参数表、一两句推导记录），便于自查与组内交流。
下一步¶
现在你已经了解了 AI 辅助科研的基本理念，接下来请阅读 AI工具选择与使用指南，了解具体该用哪个 AI 工具。