从大脑信号里反推出受试者正在做什么、想什么——神经科学家管这叫「解码」。一套复杂的新解码程序，从动手到做出能跑的原型，只用了一天。
今年春天，汉堡大学认知神经科学教授尼古拉斯·舒克的实验室开年度闭门会，几个已经习惯让 AI 写代码的人，包括舒克自己，用自家数据做到了这件事，把实验室其他人都惊到了 [25][46]。
引子在三周前的加勒比海。巴巴多斯岛，宾夕法尼亚大学教授康拉德·科尔丁穿着泳裤，站在约 30 位神经科学和机器学习背景的实验室负责人面前，用一台烈日下几乎看不清的投影仪，现场演示 AI 编程工具 Claude Code：他让 AI 写一个网页应用，几分钟后就能测试 [25][52]。
「人类穿着泳裤，机器在卖力干活。」舒克事后在神经科学媒体《The Transmitter》上写文章回忆，这个画面完美展示了今天的 AI 已经能自己把任务解决到什么程度 [25][45]。
真正震动他的是速度。巴巴多斯当天的讨论，直接变成几分钟内写完的模拟代码，放在过去要花好几天。他很快想明白一件事：影响力加上速度，实验室不能稀里糊涂「漂」进 AI 时代，必须自己握住方向盘，决定怎么用、什么时候用、为什么用 [25]。
为什么？因为这种会自己干活的 AI，至少会动到神经科学实验室的三样命根子：做出来的研究、成员练出来的本事、以及实验室遵守的文化和规矩 [25]。
闭门会结束后，午饭和晚饭的话题从项目本身移开，转向 AI 会怎样改变科学家这个身份、改变实验室的工作方式。这些讨论让舒克意识到：实验室需要一份白纸黑字的 AI 使用规定。接下来几个月，团队反复讨论、研究公共争论，规定逐渐成形 [25]。
博士生在焦虑什么？
闭门会上最尖锐的声音来自博士生。AI 开始替他们干活，既是解脱也是威胁：他们本来就在时间压力下挣扎，经费有期限，产出要求高。如果别人用 AI 一个接一个地产出，还会有人耐心等待学生慢慢成长吗？资助机构还愿意为培养人付钱吗，还是会认定不用 AI 太浪费？[25]
另一重困惑是：对 AI 给出的结果，研究者到底要懂多深，又该怎么检查。与此同时，也有成员真心惊叹 AI 干繁琐活的能力。作为负责人，舒克觉得不能把这些问题丢给每个人自己消化 [25]。
核心矛盾，是人长本事和用 AI 之间的这笔账。讨论中，一篇博客的说法被反复引用：「机器没问题，我担心的是我们。」这种担心不是多余的，它有数据撑腰 [25]。
Anthropic 今年发表的一项随机对照试验里，52 名至少有一年 Python 经验的开发者学习一个陌生的异步编程库 Trio，一半人可以用 GPT-4o 助手，另一半只能手写 [27][30]。
结果如何？用 AI 的一组平均快了两分钟，但这点优势在统计上并不显著；随后的闭卷测验，AI 组平均 50 分，手写组 67 分——17 分的差距，换算成成绩等级，差了整整两档 [29][32]。
更有意思的是用法的差别。把代码全甩给 AI 写、逐步把活全交出去、让 AI 替自己调试，这三种用法的测验平均不到 40 分；边用边追问、要求 AI 解释、只问概念问题，这三种「动脑式」用法的平均在 65 分以上 [30][33]。
换句话说，用不用 AI 没那么关键，怎么用才关键。舒克实验室的第一条规矩，就是把这笔账摆上台面：凡是练核心本领的活——提出问题、构建模型、写论证——必须自己动手；学员可以外包出去的，只有自己不太想学、或者已经擅长的部分 [25]。
六条规矩，条条具体
第二条管写作。AI 润色确实降低了非英语母语者在英文学术圈里的门槛，但 AI 写作助手干的活不止润色：它会改动内容，悄悄移动论点，甚至影响作者本人的态度。因此实验室约定：任何文章必须先自己写初稿，再交给 AI，并且仔细盯防 AI 带进来的偏移 [25]。
第三条管验证。AI 的输出即使错了，说起来也自信满满，所以要知道怎么证伪它给出的东西：写脚本去检查输出，别让模型自己查自己。但这类测试并不好写，斯坦福的拉斯·波德拉克等人给出了具体建议 [25]。
第四条管风险：受试者的数据不喂给 AI 工具；智能体只能访问它需要的文件夹；看似无害的文档里可能藏着隐藏指令，提示注入是真实的风险。第五条管学习：要舍得花时间把工具学好，因为输出质量很大程度上取决于你怎么界定问题、怎么写提示词 [25]。
第六条管署名和责任，跟学术期刊和会议已经普遍实施的规则一致：AI 是工具，不能算共同作者；「模型说的」不能当借口；你公开发表的一切，由你自己负责 [25]。
比规矩更重要的东西
在舒克看来，这份规定最大的产出是一种文化，胜过任何单条规矩：公开讨论 AI 的使用，拒绝藏着掖着。他如今定期和成员公开聊 AI 在某个模型或某段文字里扮演了什么角色，这帮助实验室识别出哪些 AI 辅助的结果需要更严格的审视 [25]。
对负责人本人，规定还解决了另一个问题。舒克自己花在数据和代码上的时间越来越少，他要判断的不只是一个结果，还有该信它几分。AI 加进来之后，这件事更难了；实验室里更高的透明度，帮到了他的「元信心」——对自己判断力的信心 [25]。
他的长期期望是：成员可以用任何推动工作的方式使用 AI，包括一知半解的快速原型；但全实验室和合作者都清楚，哪些东西真懂，哪些不懂，哪些需要后续工作去补牢或推翻 [25]。
一个领域该表态了
为什么紧迫？博士生用 AI 已经接近普及，焦虑也随之普及。法律学者早就指出一个危险的循环：一种情形仅仅因为存在，时间久了就被当成常态，显得合法又正当。AI 正走在这条路上——大家悄悄开始做的事，很快就是规矩 [25]。
因此舒克认为，光有实验室的规定不够，整个领域要对 AI 带来的经费、优先级和议程变化表明立场。数学家已经集体行动：《莱顿宣言》警告学术研究过度依赖少数公司拥有的技术。神经科学界最好也出台自己的规范声明 [25]。
类似的呼声在同一家刊物上密集出现。6 月的一篇评议里，七位理论神经科学家承认，AI 智能体编程把构建模型的时间从数月压到数小时 [34]；伦敦大学学院的肯尼斯·哈里斯在 7 月警告「大规模生产的科学」正在到来 [39]，他 1 月就写道，超过 60% 的研究者已经在工作中使用 AI [43]。