她领着经费把AI送进实验室，自己却从没打开过提示框

2026年7月，美国能源部启动Genesis Mission，资助278个项目。这些项目要把AI嵌进科学流程。莎拉·德默斯的团队拿到一笔经费，在费米实验室的Mu2e实验上，让AI试着操控设置。

Mu2e寻找极罕见的粒子转化：μ子变成电子。这类实验里能调的旋钮很多：磁场开多久、强度多大、靶放哪儿、哪些系统要在线。德默斯说，以前这些参数靠人调，AI有望在每个环节自动找到更好的配置。

数据分析也一样。她在ATLAS实验里的活，是处理几亿个电子通道的输出，重建碰撞中可能发生的事。过去这活极其繁重。现在AI可以先处理一遍数据，编码助手搭起第一版访问框架，分析流程有潜力明显加快。

还有一件事让德默斯特别兴奋。过去实验攒下的老数据，想再问一个当年没人想到的问题，得把过时的计算系统救活。现在AI能消化已经处理过的数据，读过去的图表，甚至能对付还没整理好的数据集。旧数据重新回到研究流程，不再是难事。

德默斯的保留意见卡在知识产权上。主流大语言模型的训练集里塞满别人的知识产权，她的论文和书很可能也在其中。这些内容没有得到适当署名。她说：“这太离谱了，这是道德风险，我们不能放任不管。”

如果她是博士后，她会用AI整理数据、写代码初稿。但她现在是系主任，面对的是另一层问题，LLM提示框解决不了。个人生活里，她从没打开过AI提示框，Claude、ChatGPT都没碰过。LLM不替她写邮件，也不帮她规划假期。“为什么有些邮件难写？因为我要处理一件棘手的事，需要把它想明白。让AI代写，等于绕开了我正在解决的困难。”

另一个理由是人际交流。她读研究生的年代还没有“谷歌一下”这回事，有疑问只能问人。她回忆当时经常感到难堪。向别人承认“我不懂”，反而是实实在在的解脱，也帮她真正学到东西。这段经历让她担心：LLM成了新手研究者的思想伙伴，他们可能跳过“承认无知”这一步。

德默斯也听过一个说法：经验足够的研究者可以把LLM当思想伙伴。她说，这基本是专家级用户才成立——要有足够见识，才知道自己什么时候被带偏。对初级研究者来说，她觉得风险太大。

她担心误用，也看到了时间上的收益。以前刚进组的本科生，往往要花五个月才能做出第一张有意义的图表。AI能让新人更快接触到数据前沿，不用先花大量时间跟代码的bug搏斗。省下的时间能用来想更重要的问题：哪些问题值得问，怎么通过实验理解宇宙。不用再花大量时间处理数据访问和报错，那些大问题可能在研究者职业生涯更早到来。跨学科协作也会走得更远。

她的另一份工作，是牵头写美国物理学会的AI政策声明，预计2027年春季发布。声明还没发布，具体条款现在看不到。

她说，物理学界眼下最一致的共识，是研究者要对署名的论文负责。“你一定得有办法验证从AI里出来的信息。”她提醒同行保持物理人该有的怀疑，对炒作保持警惕。“人类物理学没有结束。科学过程的一部分，是正确地给思想署名。”

她跟同事合写过一本物理和舞蹈的书，因此对署名问题格外敏感。有人拿物理和舞蹈的问题问LLM，答案会包含他们书里的想法，作者却完全没有参与。“那么我们就收不到这样的邮件了：有人在我们书里撞见什么，想聊一聊。”

德默斯不认为这是AI与物理学的对立。她也看到加速的一面：旧实验被重新审视，新人更快摸到数据前沿。她一直提醒同行几件事：什么是好的物理学，怎么在怀疑中训练下一代物理学家。还有，怎么正确地给思想署名。物理学家的工作方式在变，提出好问题的能力，仍取决于人。