---
author: Hung-yi Lee
date: '2026-03-15'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=VqB8zMujdjM
speaker: Hung-yi Lee
tags:
  - ai-agents
  - academic-research
  - large-language-models
  - future-of-work
  - research-automation
title: AI Agent 浪潮：重塑学术研究与工作未来
summary: 本文探讨AI Agent在学术研究领域的深刻变革，从内容生成、模型训练到概念发想到论文审稿，揭示其日益增长的自主性与效率。分析了AI Agents与人类研究者的成本效益对比，以及AI在研究过程各阶段的角色演变，并展望了AI驱动的未来研究范式。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people:
  - Andrew Hall
companies_orgs:
  - OpenAI
  - Claude
products_models:
  - Claude Code
media_books: []
status: evergreen
---
### AI Agent 的演进与自主性崛起

AI Agent 在我们未来工作中的冲击，尤其是在学术研究领域，正变得日益显著。AI 的角色正在经历一次根本性的转变：从最初的**工具**，只需一个指令便能执行单一任务；到**协作伙伴**，与人类共同完成复杂任务；再到现在，许多 AI Agent 已展现出更强的**自主性**，能够独立完成整个任务。这种演进对于学术研究而言，引发了一个核心问题：AI Agent 是否能够独立撰写一篇文章？

### AI Agent 在学术研究中的实践：以论文撰写为例

斯坦福大学政治经济学教授 **Andrew Hall** 在 X (原 Twitter) 上分享了他的经验。他展示了 **Claude Code** 如何能够独立撰写一篇文章。Hall 教授将 AI Agent 比作“迎面而来的货车”，强调其在学术研究领域带来的颠覆性力量。他花费约一个小时，通过精心设计的 **prompt**，指导 Claude Code 扩展了他过去一项关于美国大选的研究。该 prompt 细致入微，如同指导研究生进行研究，要求 AI Agent 使用新的数据，并套用他过往的研究方法来重写论文。

### 效率与成本的颠覆：100x 研究助理

研究完成后，Andrew Hall 撰写了《100 倍的 research assistant》一文，详细对比了 AI 与人类研究者的效率。他让一位博士生执行与 Claude Code 完全相同的任务，结果是，AI Agent 花费约 10 美元和 1 小时完成，而博士生则花费了 16 小时（约 2 个工作日）并需支付约 1000 美元。尽管 AI 的结果在数据贴错方面略有瑕疵，但其效率和成本优势是压倒性的。Hall 教授提出，未来最高效的研究机构可能不再是带领一群研究生，而是由资深学者带领一群 **LLM (Large Language Model)** 或 AI Agent 来进行研究。

### 反思与挑战：AI 错误的严重性与人类价值

尽管 AI Agent 展现出惊人潜力，但也伴随着挑战。Claude Code 在 Andrew Hall 的实验中犯了一个数据错误，其严重性尚待评估。这引发了关于人类在 AI 研究中的价值的讨论：是否AI的错误可能极其严重，影响整个研究判断？成本效益的权衡也需要更深入的考量，例如 AI 辅助人类检查错误的总成本，或是 AI 反复自我检查的能力。更有甚者，一些人对 AI 代劳研究工作表示反感，但从研究的本源——**找出问题、解决问题、改进世界**——来看，若 AI 能够更有效地达成这些目标，则并非不可接受。

### AI Agent 在研究全流程的应用

AI Agent 的能力已不局限于**文献收集**。在社会科学领域，AI Agent 可以辅助分析现有文献和数据。更进一步，在需要**建模型、训练模型、跑模型**的领域，AI Agent 也展现出强大能力。**Andrej Karpathy** 发布的 **autoresearch** 项目展示了 LLM 如何自动训练模型，通过约 5 分钟一次的实验迭代，不断优化模型表现，且整个过程无需人类干预。此外，在教育领域，AI Agent 也开始承担教学任务，例如通过操控 AI Agent 完成机器学习作业。

### AI 的创造力：生成新颖研究想法的潜力与局限

关于 AI Agent 的**问题发想**能力，一项 2024 年的研究（在 AI 发展史上已属“古老”）探讨了 LLM 生成新颖研究想法的潜力。研究对比了 AI 与人类产生的研究想法，发现在**新颖性 (novelty)** 和**兴奋度 (excitement)** 等指标上，AI 表现优于人类；但在**可行性 (feasibility)** 上，人类仍占优势。AI 产生的想法可能过于堆砌新颖词汇，执行起来却困难重重。后续研究证实，当 AI 的点子被真正实现后，其新颖性便不如最初预期，人类在**点子发想**和**实验设计**阶段的早期介入，对于产出高质量研究成果仍然至关重要。

### AI 在学术评审中的角色演变

AI Agent 已开始进入**论文评审**环节。在 2026 年的 AAAI 国际会议上，AI 不仅作为审稿人（reviewer），也作为**元审稿人 (Meta Reviewer)** 出现。AI 审稿人主要提供意见而非分数，但其意见是人类最终决策的参考。演讲者指出，表面上的人类审稿人背后可能也隐藏着 AI Agent。尽管如此，演讲者并非反对 AI 辅助审稿，而是反对**不够优秀**的 AI 进行评审。他认为，AI 评审的真正意义在于帮助论文发现问题并改进，若 AI 能比人类更有效地识别问题，则应被采用。

### "小金"：AI 助教与个性化评审的范例

演讲者以其 AI 助手“小金”为例，展示了 AI 如何通过定制化指示，提供高质量的论文反馈。小金在成为 YouTuber 前，曾为实验室同学提供论文建议。经过调整，小金的评审不再仅是批评，而是附带建设性**建议**，并能考虑**论文截止日期**，在临近截稿时给予学生鼓励。这体现了 AI Agent 在理解情境、提供个性化反馈方面的潜力。

### AI 驱动的闭环研究与未来展望

AI Agent 撰写论文、AI Agent 评审论文，正形成一个**闭环**，可能实现无需人类干预的自动化研究进步。**"AI Agent for Science"** 会议的尝试，要求 AI 必须是论文的主要贡献者，并由 AI 审稿，其较低的接受率表明，即使在 AI 主导的评审中，高质量论文的产出依然不易。研究发现，在 AI Agent 主导的论文中，人类在**点子发想**和**实验设计**阶段的介入，对于论文被接受起到了关键作用，而 AI 则在**资料分析**和**论文写作**方面表现出色。

### AI Agent 在教学领域的潜力

AI Agent 在**教学**领域也展现出巨大潜力。小金自主完成的教学影片，证明了 AI 已能达到一定水平的教学能力。台大 AI 卓越中心举办的教学 AI 比赛，进一步探索 AI Agent 在制作教学内容方面的能力。

### 课程展望

本次分享（AI Agent 对工作的影响）是系列科普内容的收尾，接下来的课程将深入探讨**语言模型内部的推断（inference）机制**。建议提前预习相关的机器学习导论视频，以便更好地理解下周内容。