立正提到，AI在知识和技能上已经能压过人类，剩下的是把一件事做成的隐含能力，他把它拆成六个点，强调没有确定路径可循⁠1。Ethan在访谈里说得更具体：AI能完成八成到九成的工作，最后那百分之五到十要由懂行的人判断对错、给反馈、负责收口；不是专家就收不了口⁠2。放到计算机科研里，这意味着写代码、跑实验、查文献这些执行环节越来越便宜，真正稀缺的是知道哪个结果可信、哪条路值得走。会用AI的领域专家被放大，只会调工具的人容易停在表层⁠2。

立正认为AI是一个新范式，技术门槛正在消失，能把事情说清楚的人就能当顶级程序员，不必人人学语法；但每次门槛降低，技术的分布反而更不均匀，分层很残酷⁠3。科研上可以这样理解：做实验、写代码的入场券变便宜了，能提出好问题、判断什么值得做的人却更集中、更值钱。所以“AI时代科研意味着什么”的答案不是人人变强，而是执行层被摊平、判断层被拉开。

有一篇讨论指出，AI降低了查资料、做工具、试想法的成本，人可以不再先成为许多工种的熟练工才有资格把想法做出来；还可以和AI一起，把尚未成形的问题发展成能研究的问题——从熟悉领域里解释不通的现象出发，给出更准确的描述，再问：如果这个解释成立该观察到什么，什么结果会推翻它⁠4。文中也提醒，和AI协作要尽量把任务说清，并且能检查结果⁠4。对计算机科研来说，这意味着一轮“猜想—实现—检验”的周期可以缩短，但检验标准仍要自己定。

立正把技术判断分成几层：读原文、做实验、知道哪些指标真正影响系统能否使用，最后还要找到真正合理的替代方案。前两层靠做功课，后两层靠功底，而功底来自亲手比较过不同方案的经验⁠1。他讲得很直白：第四层最吃功力，因为只有见过、试过足够多的替代方案，才知道一个新东西该跟什么比，最好还能自己把它实现出来⁠2。所以养成判断力的动作不是收藏更多论文和工具，而是每遇到一个新技术，都问一句：不用它，我手上最合理的做法是什么？然后真的把那个做法跑一遍。

判断准不准，取决于你拿什么去测。立正建议拿到新模型或新工具时，用自己真实业务里的任务去试，而不是套网上流传的模板，因为你需要的是“在我的场景下什么管用”⁠3。科研里可以对应成：拿自己手上正在做的问题，比较两种实现或两种建模思路，记录质量、稳定性、出错后果这些你真正在意的维度，权重由任务决定⁠1。做一轮之后，你的问题会从“这个方法好不好”变成“它在我这个约束下哪里不行”，问题变具体本身就是判断力在长的信号⁠4。

立正提到提升对高价值工作的判断力，可以像机器学习那样给自己喂数据：多体验好产品并琢磨好在哪，也接触糟糕的东西看问题出在哪，搜集够证据再下结论，不盲从权威⁠5。放到科研上，就是认真读透几篇真正好的工作，弄清它为什么好、换一种做法会差在哪，而不是只记住结论。他也提醒，一旦先有了立场，大脑会主动去找支持它的证据⁠6，所以比较方案时要刻意去找反例。