AI 时代的材料科学家，不是更会用工具，而是更能判断工具的判断

材料科学的发现方式正在被 AI 重塑。预测材料性质、优先排序实验、生成假设——这些任务现在 AI 都能做。但 Mei、Moore 和 Sayler 在这篇立场论文中提出的核心问题是：学生的训练跟上了吗？

问题不在于学生会不会用 AI 工具。用 ChatGPT 查个材料参数，现在的小学生都会。问题是在于更深层的几个能力：数据溯源（AI 预测用的训练数据本身是否有偏）、领域特征工程（什么样的材料特征对预测最重要）、模型验证（这个预测结果是否经得起物理规律的检验）、不确定性量化（AI 说"这个新材料导电率高"，但它有多确定？）。

论文提出了两个需要警惕的学生行为模式。认知卸载——学生遇到问题直接扔给 AI，跳过思考过程。认知投降——学生觉得"AI 比我懂"而放弃自己的科学判断。两者加在一起，培养出来的不是更好的科学家，而是更高效的 AI 操作员。

框架的核心是"工作流对齐"——不是单独开一门"AI 工具使用"课，而是把 AI 素养嵌入到材料科学的真实工作流中：实验设计、数据收集、建模、验证、反馈。评估标准也不是"你会不会用这个 API"，而是你在 AI 辅助下做出的科学判断是否准确、你的自信程度是否和实际能力匹配。

不清楚的地方：这是一个立场框架而非实证研究——建议的具体效果有待验证。双轨课程模型的具体内容——"工作流对齐"在课程表上长什么样？"认知卸载"和"认知投降"是否有量化的检测方法？

参考文献

1. Mei, D., Moore, K., & Sayler, B. (2026). Preparing Students for AI-Powered Materials Discovery: A Workflow-Aligned Framework for AI Literacy, Equity, and Scientific Judgment. arXiv:2605.09624 [physics.ed-ph].

2. Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. CHI.

3. Wang, Y., et al. (2023). Scientific Discovery in the Age of Artificial Intelligence. Nature.