AI 科研全流程地图：一张图看懂 AI 能替你干哪些活
来自 @Gas1688 分享的 Awesome AI Auto-Research：把学术研究切成四个阶段、八个环节，每个环节的 AI 工具和论文一次收齐。
开篇：科研不是"写论文"那一刻
一提到"AI 搞科研"，很多人第一反应是"帮我写论文"。但 @Gas1688 转发的这份 Awesome AI Auto-Research 告诉我们：真正的学术研究是一条很长的流水线，从"想到一个点子"到"把成果讲给全世界听"，中间有四个阶段、八个环节——AI 在每一段都能插上手。
这门课不教你具体用哪个工具点哪里，而是先给你一张全流程地图：知道科研有哪些环节、每个环节 AI 能替你干什么、去哪里找对应的工具和论文。细节的操作课（比如怎么写科研绘图提示词、Feynman 这样的具体工具怎么用）放在本专题第 7、8 课。
四个阶段、八个环节：科研的全貌
以下划分来自 Awesome AI Auto-Research 项目对科研流程的切分（原文帖未展开每阶段的精确定义，这里按帖中列出的环节还原）：
阶段一 · 选题。从海量文献和现象中发现值得研究的问题、提出假设。AI 能做的是帮你发散：基于现有文献提出研究空白、生成多个候选方向。
注意：原帖明确列出的是创意生成、文献检索、代码实验、论文写作、同行评审、答辩修改、传播推广七个环节（"四个阶段、八个环节"是项目的整体框架表述），上面按此还原。
这就像造一栋楼：创意生成是"选址"，文献综述是"看别人怎么盖"，代码实验是"打地基施工"，论文写作是"装修"，同行评审是"验收"，答辩修改是"整改"，传播推广是"开盘卖房"。AI 不是只会"装修"的工人，而是从选址到卖房每一步都有对应的工程队。
每个环节 AI 能做什么：工具链视角
以下来自项目对"每个环节对应工具和论文"的收录思路（具体工具名录以 GitHub 项目页为准，项目持续更新）：
传统做法：关键词搜、逐篇下载、手动做笔记。AI 做法：语义检索（按意思找论文，不只看关键词）、一键生成带引用的综述初稿、自动追踪某个主题的新论文。对应本专题第 8 课的 Feynman：一句话就完成"检索→综述→提炼共识与争议"。
写代码、调参数、跑对比实验，是科研里最耗时的体力活。AI 编程智能体可以按你的意图改代码、跑测试。但注意：选哪个模型、哪个调用框架（harness），成本和质量差很多——第 2 课 Databricks 的实测会告诉你"贵的不一定赢"。
文字部分：大纲→初稿→润色→降重→格式排版。图表部分：作用机制图、Graphical Abstract、期刊封面图——第 7 课给了三套可直接复制的提示词模板，因为"信息图重讲清楚、封面图重有冲击、论文插图重准确"，不能混用一个万能提示词。
投稿前让 AI 按审稿人视角挑刺：创新点是否成立、对照实验是否充分、引用是否遗漏关键文献。收到真实审稿意见后，AI 帮你把意见逐条变成修改清单。这一步省下的返工时间，往往比写作本身更多。
这七个环节像一条汽车装配线：每个工位（环节）都有专门的机器人（AI 工具），项目方做的就是把"每个工位有哪些机器人可选、各有什么优缺点"整理成一本《设备手册》。你要做的不是记住所有机器人，而是知道"我的车现在开到哪个工位了"。
配套论文与持续更新：这份资料为什么值得收藏
以下来自原帖对项目本身的介绍：
- 配了篇综述论文：不只是工具列表，背后有一篇正式的综述论文讲方法论——"四个阶段、八个环节"这个切分本身就是研究成果。
- 项目页面一直在更：GitHub（github.com/worldbench/awesome-ai-auto-research）持续更新，每个环节的工具对比、局限分析都摆在明面上——作者没有只吹 AI 多厉害，局限也写清楚了。
- 定位：原帖原话——"想知道 AI 到底能替学术研究干哪些活，这份资料翻翻不亏。"它是一张地图，不是一本说明书。
地图不是领地：三个冷静提醒
有地图是好事，但本专题其他几课给了三个必要的冷静视角（以下为本课整理，观点分别来自对应课程）：
提醒一：AI 的"想法"可能趋同。来自第 4 课（Prime Intellect 实测）：153 次自主科研实验发现，不同模型的想法高度相似，拉开差距的是实验方法论——工具再多，也替代不了好的研究品味。详见第 4 课。
提醒二：快，只是把瓶颈转移了。来自第 8 课评论区：Feynman 几分钟生成研究简报，但"速度只是把瓶颈转移到了验证上，你仍然需要审计代码和边缘情况"。AI 替你跑得快，验证的责任还在你。详见第 8 课。
提醒三：会问问题的人更稀缺。来自第 8 课评论区：当"一句话做科研"成为标配，稀缺的不是执行力，而是"问出好问题"的能力——这正是"创意生成"环节最难被替代的部分。
地图能告诉你哪条路通罗马，但不能替你决定"要不要去罗马"。AI 是交通工具升级，不是目的地消失——科研的终点依然是"回答一个真问题"。
三步用好这份资料
给高中生 / 科研新人的上手路径（本课建议）：
问自己：我现在卡在哪个环节？是找不到方向（创意生成）、读不完文献（综述）、跑不动代码（实验），还是写不出来（写作）？先定位，再找工具。
术语翻卡：点卡片看解释
自测一下：点问题展开参考答案
四个阶段、八个环节。原帖明确列出的环节有：创意生成、文献检索、代码实验、论文写作、同行评审、答辩修改、传播推广。
配套了一篇综述论文讲方法论；GitHub 项目页持续更新，每个环节都有工具对比和局限分析。
① AI 的想法可能趋同，工具替代不了研究品味（第4课实测）；② 速度快只是把瓶颈转移到验证上（第8课评论）；③ 会问好问题的人更稀缺，创意生成最难被替代。
先定位自己卡在哪个环节，再去项目页查对应环节的工具对比（重点看局限分析），最后回到本专题第7、8、2课深挖具体用法。