最近读到一篇文章，标题很长：《AI时代，知识越来越廉价，博士训练应当回归其本质：比追逐热点更重要的，是建立自己的问题主线》。

文章写得很好。但读完以后，我的脑海里依然悬着另外一个问题：文章说到了要“建立问题主线”。如果这个问题如此重要，那为什么在AI时代之前，“建立问题主线”反而不那么被强调？而是现在它突然变得关键？

我问了自己这个问题，然后又问了一下AI，AI给了我一个蛮漂亮的回答，我将它的回答与我自己的思考结合起来，总结成一个短语，那就是：稀缺性的转移。                                           

AI到底改变了什么？

在AI之前，研究者的核心竞争力有很大一部分来自“知识垄断”：你比别人多读过几十篇、上百篇论文，你知道某个领域的完整演化脉络，你记得哪些方法在哪篇文献里被用过——这些就是壁垒。那个时代里，“读得够多、记得够牢”，这本身就是一种稀缺能力。

所以，导师与你的差距，正好在这里。导师比你早入场二十年，他脑子里可能装着半个世纪的文献。你的好问题、好直觉，在他的知识储量面前不堪一击。

但AI改变了这一点。现在任何人都可以在十分钟内，借助大模型拿到一个领域的知识骨架、方法论谱系和关键争议。知识获取的成本趋近于零，意味着以知识储量为壁垒的竞争模式失效了。你在知识竞争这一块，几乎与老师平权了。

当所有人面对的信息都一样多，那差异从哪来？导师拿什么继续领先你？你拿什么超越同龄人？这就是我们这篇文章要回答的问题。 

最常见的答案：提出好问题的能力

前面我说的这篇文章的答案，是“问题意识”，但这已经快成了一句新的“正确废话”了。人人都知道要会提问，但什么叫“好问题”？是别人没问过的，是技术上可解的，还是有深刻理论意涵的？“提出好问题”是一种能被训练的能力，还是一种只能被培养的品味？如果AI也能提出看起来不错的问题（其实它已经可以了），那区分“真的好问题”和“看起来像好问题的问题”的标准是什么？

注意，在AI之前，这些追问没有那么紧迫。因为即使你提出的问题不够好，你仍然可以凭借比别人读得多、了解得多来发表论文、通过答辩。知识量本身可以掩盖提问深度的不足。但现在AI抹平了知识量，提问质量一下子暴露出来了。 区别不再是“你知不知道”，而是你看到的问题，是不是AI就足于把它消解掉了——如果你的问题，AI三秒钟给出答案，就让你觉得“好吧，那这个问题没意思了。那它从一开始就不是一个好问题。

所以，未来稀缺的能力，不是提问，而是“判断什么值得花时间来做”

这里有一个AI时代之前几乎不被讨论的维度——时间。AI可以在一秒内给你一百个研究主题，但它无法替你承担任何一个问题的后果，最后需要花三到五年时间的，是你自己！

但这个道理在AI之前不成立吗？当然成立。问题在于：在AI之前，这种判断力不是竞争的胜负手。假设你是一名博士生，你有出色的判断力，知道哪个方向值得深耕。你的竞争对手，虽然判断力不如你，但却比你多读了一百篇论文、熟悉十种你不了解的方法。在旧体系里，后者的知识储量优势常常压倒前者的判断力优势。你的好判断，未必能转化成竞争力。

AI时代就把这个等式翻转了。当所有人都能借助AI在短时间内获取相同知识面时，知识储量不再是壁垒。过去被知识储量压住的判断力，现在浮到了水面上，变成了第一位的分水岭。

现在，当所有的知识都触手可及，所有人面对的信息都一样多，这个时候真正稀缺的，是在信息完全对称的情况下，仍然敢于说“我认为这个方向是对的，我愿意押上我的时间。”这个时候需要的，已经不是什么信息处理能力了，而是一种承担不确定性的勇气，加上基于不完备信息做决策的判断力。

什么会被AI替代？读文献？会。写综述？会。找baseline？会。在现有方法框架内组合已知方案？正在会。

什么不会被替代？面对一百个可能的方向，你敢说“不，这个才重要”。在一个方向还没有证据支持它是对的时候，你愿意走进去。在所有人都往东的时候，你选择往西，不是因为叛逆，而是因为你真的看懂了什么东西。

这些能力需求其实一直存在，但在AI之前它们是锦上添花，在AI之后它们是雪中送炭。也就是说，不是能力要求本身变了，是它的相对稀缺性变了。“判断什么值得花五年时间”从一项可有可无的加分项，变成了一项没有它就很难立足的核心能力。

我这里必须补充说明的是：对于时间问题，AI是无法与你“共情”的，因为它根本就没有“时间”的概念，它处理的是token sequence，不是lifetime。而你的每一个判断，都刻在你有限生命的时间轴上。

实际上，最重要的，是构建自己的解释框架

让我用自己目前感兴趣的例子来说说。近十多年来，太阳能电站的建设出现了爆发式增长，光伏板正以前所未有的速度在覆盖地球，这不是传统意义上的“土地覆盖与土地利用变化”问题，因为它不是农田、城市和牧场，而是一种全新的土地利用类型：大规模人工结构物在自然地表上的密集排列，或者叠加在原土地利用方式上，改变了光照、水分、风速，也可能周围植物的生长和动物迁移路径。

但如果你去翻生态学文献，你会发现几乎没有系统性研究回答这一问题的资料。这种新型土地利用方式对生态系统造成了什么影响？不是没有答案，而更可能是还没太多人进行广泛探讨，因为这种规模的覆盖，是一个近几年来才出现的新现象，而生态学的研究范式是为老问题设计的：森林砍伐、湿地退化、物种入侵。太阳能电站不属于任何现有的土地分类框架：它既不是退化，也不是恢复，它是一个你的教科书上没有写过的另一种状态。

回到我们前面思考问题的框架。你这里提出一个问题：太阳能电站会影响当地的生物多样性吗？AI能在一秒内帮你生成这个问题，附带二十篇不相关的文献综述，似乎任何人都能提出这个问题。但判断“光伏设施生态效应”这个方向在未来五到十年值不值得押上你的博士论文或研究项目，而不是等到政策风口过去、第一波粗颗粒度的监测数据已经被别人抢发完、你又得换下一个热点。这需要你对这个领域的演化节奏有体感：它现在处于学术关注度曲线上的哪个位置？是先发优势窗口期，还是即将进入内卷？你能分得清“真正的学术空白”和“别人暂时懒得写的灌水主题”之间的区别。 

有自己的解释框架，在AI时代之前和之后，有什么不同？

在AI之前，作为一名博士生，假设你有了一套“空间配置决定生态效应”的框架，但你的导师用的是经典景观生态学框架（land cover → fragstats → 显著性检验），你的审稿人也用的是这套。你的框架虽然可能更对，但你缺少一件东西，你没有能力在短时间内证明“主流框架在光伏这个问题上是失效的”。要做到这一点，你需要大量跨学科的文献支撑：微气象学、动物行为学、土壤水文学……而收集这些文献的时间成本，在AI之前是巨大的。一名博士生在面对一个成熟范式的防御体系时，单凭一个更好的框架是打不穿的。很多时候，有框架的人输给了有知识储量的人。

在有了AI之后，你完全可借助AI快速找到跨学科文献中支持你框架的证据：微尺度热缓冲在爬行动物生态学里有一组数据，降水再分配在旱地水文学里有另一组数据，空间异质性和种子库的关系在恢复生态学里也有积累。这些分散在不同子领域里的碎片，在AI之前需要几年的文献工作才能拼到一起。现在你可以在几周甚至几天内完成。AI 把跨学科证据的拼图成本打下来了。而这恰恰是“有自己的解释框架”的人最需要的武器。旧范式的维护者过去靠知识储量和学科壁垒挡住新框架，现在挡不住了。有自己框架的人，过去被知识壁垒压制，现在拥有了推翻旧框架的实际能力。框架从“认知资产”变成了“竞争武器”。你不再需要一个人去对抗一个范式，因为AI让你和导师在证据战场上平起平坐。

现在回到开头那个问题：AI时代真正稀缺的能力是什么？我们说到了三个关键能力：提问、判断、框架。其实它们有一个共同特点：在AI之前就存在，但在AI之前不占优势。旧竞争链的核心变量是知识储量。提问、判断、框架，这些都是加分项，但不是胜负手。一个知识储量巨大但框架平庸的研究者，往往能赢过一个框架出色但知识储量有限的研究者。因为旧体系奖励“知道”胜过奖励“看见”。

AI把这里的第一个环节给炸掉了。读得比别人多不再构成壁垒，于是旧竞争链断裂了，原本被盖住的判断力和框架，露出来变成了新的制高点。这就是AI时代真正发生的“稀缺性转移”：过去稀缺的是知识，提问、判断力和框架是附属品。现在知识廉价了，附属品变成了核心能力。

这就引申出一个更深的洞察：AI时代的胜出者，不仅仅是有了框架的人，而是知道用AI给自己的框架找证据的人。纯有框架，没有AI，在过去你可能被知识壁垒挡住，你看到了不对劲，但你没有足够的跨学科证据在十年内说服同行。纯有AI，没有框架，你就是那个“用AI跑 fragstats跑得最快”的人。你在做的是旧范式内的效率竞赛，而效率竞赛最终会被AI本身赢掉。最稀缺的组合，是“你有框架，AI 有知识”。框架告诉你去哪里挖，AI帮你把那一整片地翻过来。

所以，AI时代真正稀缺的，不是提问、判断或框架思维中的任何一项单独技能。稀缺的是一整条链——从提问，到判断，到构建自己的框架，这条链的每一环都绑定在一个有限生命上。AI可以模拟链上的任何一环，但它没有一条命来把这三环串起来。

AI把所有人的知识储量拉平了，你才第一次拥有了和导师、和大同行在同一个竞技场上正面竞争的机会。AI把知识给了所有人，但没给所有人你的眼睛。

当机器把知识变得像空气一样便宜，稀缺的不再是信息，而是那个只有你看见的裂缝，和你用有限的生命把它变成一条路的能力。

支持单位：