AI辅助科研，该用什么样的近似？我们自己做研究的时候，往往会使用某种近似的方法，因为第一性原理的计算难度是非常大的，比如说，在量子色动力学中，低能下这个理论是非微扰的，这就导致直接求解是几乎不可能的，于是大家发明了各种各样的有效的、近似的理论或者方法，比如我常用的NJL模型，但即使简化很多的NJL模型，大部分情况下也只是用平均场近似这样一个简化方法，虽然也能得到一些很关键的物理结果，但显然也有大量的重要的现象就被忽略掉了。只能说，这是现有能力下所能得到的最好结果吧。

但在使用AI的时候，如果不详细地跟AI说清楚我的学术背景、motivation，而只是给一个大概的idea，那么AI很容易就跑飞了，甚至一上来就想解决世纪难题。本来只是想看看手征相变的温度，结果人家一上来就奔着非微扰求解QCD的问题去了，那显然是不行的。因此，我就要写一个背景的文档，把这个工作限制在一个极其有限的范围内，然后做一个符合本领域常态的一个工作。

不过，最近我突然想到，以上做研究的方法，其实是为了适应人的特点的，在有限的精力、理解能力的前提下，做出的各种妥协（当然，某些近似是为了获取更直观的物理图像），但是AI与人不同，AI可以持续的工作，掌握的知识也比一个专家掌握的多得多，而且查文献并进行理解的能力和效率，也比人高的多，那在这样的前提下，在使用人做研究的那一些约定、规范或者路径，是否还合适呢？或者说，让AI做研究，为什么不一上来就奔着解决大问题的目标去呢？至少也要比人解决的问题明显的大才行啊！

继续发散的想一下，如果训练一种更高效的模型，只用来做科研，使用某种AI自己的语言而不是人的语言，做科研的路径也是通过训练过程自己优化出来的，而不是对人的科研经验的继承，那这样将会大大提高科研的进展速度。只不过，最终还要加一个翻译层，把过程与成果翻译成人话。当然，这再次回到了之前说的问题，科研进展速度的瓶颈在人，而不是AI。