<aside> 💡
三条法则重读一遍，我的答案其实很短。第一，先摸清"你 + AI"的边界，然后用最新的能力把它往外推，前提是你自己那个 $x$ 得严格大于 1。第二，在 AI 端出来的东西里分辨出科学严谨的那一部分，尽力拥抱那一部分，然后想办法让它对真实世界靠谱。第三，做有门槛的事，当工业界不敢当的裁判，捡工业界看不上的尾巴，因为乌云都藏在那里。
</aside>
1957 年，一个荷兰年轻人去阿姆斯特丹市政厅登记结婚，职业一栏写了"程序员"，办事员说，没有这个职业，改。他只好改成"理论物理学家"。这个人叫 Edsger Dijkstra，二十年后，他写了三条科研法则，被广大科研工作人员奉为圭臬；六十年后，我进课题组第一天，老板带我们全体博士生把这三条科研法则仔细读了几遍；七十年后，我想尝试继续拿它们来回答几个常见的问题。
在如今这个时代，每一个实验室都必然会流行一些问题："老师，我们现在该做什么？”，“AI现在这么厉害，我们的科研还有价值吗？”，“我们要 all-in [Embodied/Physical] AI/LLM/VFM/WM/WAM… 吗？”，诸如此类。
问题不难理解。AI 和 CV 这两年基本上每个月爆一次，几个月之前对 AI 来说已经是上一个时代了，模型能力的天花板像北京海淀区 2016-2021 年的房价一样，隔一阵子回头看，又高了一截。像我们这些做感知、做系统、做计算起家的人心里难免打鼓：我们手上这些东西，会不会明年就被一个新模型顺手做掉了？
要回答这个问题，我脑子里冒出来的不是什么新东西，还是那位荷兰人 1977 年写的一份手稿。Dijkstra 后来拿了图灵奖，大家在算法课上学的那个最短路径算法就是他的。这位老先生有个习惯：一辈子用钢笔写文章，写完复印，寄给朋友，每份编个号，人称 EWD。EWD 637 的标题就叫《成功科研的三条黄金法则》（The Three Golden Rules for Successful Scientific Research）。
由一个坚持手写、对计算机保持相当距离的人，来指导我们这些用 AI 写代码写论文的人做科研，听起来有点滑稽。但 Dijkstra 自己说过，计算机科学和计算机的关系，不比天文学和望远镜的关系更近。工具换了，科研的道理未必换。他的三条法则大意如下：
在我刚开始读博士的时候这三条法则大概是四十岁。如今，他们快五十岁了。我最近也一直在思考，这些规则是否还能像当年继续启发每一位科研工作者呢？这篇文章是我目前的一些思考：每一条放到今天值得重新解释一遍，有的地方内涵变了，有的地方反而比当年更成立。下面分三部分说说我的理解。
Dijkstra 的第一条说，要在自己能力的边界上工作，因为只有站在边界上，你才知道边界该往哪儿推。维特根斯坦说语言的界限就是世界的界限，套用一下，能力的边界就是你科研世界的边界。
这句话有个前提：你得知道自己的边界在哪。以前这不算难，读几年博士，做几个项目，被审稿人打几回，大致就摸清了。但现在情况变了。决定你能做什么的，不再是你一个人，而是你和 AI 加在一起。这条新边界在哪里，目前没有人说得清。AI 的边界比人大还是比人小？在哪些事上大，哪些事上小？人和 AI 合起来，边界能推到什么位置？这些问题都没有定论，而且每隔几个月答案还会变一次。
有意思的是，Dijkstra 本人经历过类似的时刻。前面说过，他结婚的时候，市政厅连"程序员"三个字都不认。一个连职业名称都还不存在的领域，边界自然无从谈起。今天"人 + AI 做科研"这件事，虽然已经成为每个人的 common practice，大概仍处在市政厅还不愿意盖章确认的阶段。不过换个角度来想，Dijkstra 还有一句话，说"机器能不能思考"这个问题，和"潜艇会不会游泳"一样没意思。我觉得放到今天可以接着说：AI 到底比人强还是比人弱，也是个潜艇会不会游泳的问题。真正要紧的是，你和它绑在一起之后，能游多远。
所以我对第一条的理解是，在2026年，"在边界上工作"的第一步，是先把这条边界摸出来。这也是我一直支持甚至是要求大家用 AI 写代码、写论文、跑实验的原因。不是为了省事（当然省事也是重要动机，但不是我要说的那个），而是你不亲手把它用到极限，就不知道它在哪儿会崩、在哪儿比你强、在哪儿必须你自己上。纸上得来终觉浅，绝知此事要躬行。边界这种东西，看别人的测评报告是看不出来的，得自己撞上去才知道。
不过有一个很重要的前提得单独说。人和 AI 的组合“潜水艇”，其能力可以粗暴地写成 $x^N$，$N$ 是 AI 给的，它把你进行指数放大。$x$ 是你自己，而这个公式对 $x$ 很挑剔：大于 1，$N$ 越大越好；等于 1，$N$ 再大也还是 1；小于 1，$N$ 越大越接近 0。AI 不会帮一个小于 1 的人探到边界，只会帮他更快地坍缩成一个点。AI 时代之前读博士的人有个奢侈的东西：$x$ 是被逼出来的。代码自己写，实验自己跑，论文一个字一个字地被审稿人骂，骂着骂着就大于 1 了，哪怕只有 1.000000001，而且有证据。今天的同学一上来就拿到了 $N$，所以要认真想一个新问题：怎么把自己练成一个严格大于 1 的 $x$，并且证明它大于 1 ？我没有标准答案，只有一个简单的思考：1.1 和 0.9 代入公式，结果其实天差地别。 AI 给你一个结果时，你能不能很轻易看出它是不是错的，是不是好的？如果你还没有具备这个判断能力，那 AI 肯定还不能帮你摸到边界。
第二步是，一旦摸到了边界，要往外推就必须把 AI 【最新的能力】用上。我常跟大家说，做一个工作之前要先问自己：为什么这篇 paper 在今年（2026）还值得发？更狠一点，等你做完投出去、审完改完发出来，为什么它在明年（2027）还值得发？要知道，一篇论文从投稿到发表的周期，够 AI 更新两代模型了。如果答案里没有用到此情此景、此时此刻 AI 最新的能力，那大概率说明你不在边界上，而是在一块被人开垦过的地里再翻一遍，翻得再认真也是翻地。这也是我最近让大家去看手头上现在做的无论什么科研项目如何结合上 Atlas、WAM、GPT-6 Astra 这些新东西的原因。不是让大家追热点。追热点的人是在别人的边界上散步，我希望大家是在自己的边界上开路。只有紧跟这些能力的变化，你才能确认自己做的事情确实处在"人 + AI"的边界上。跟不上，就不在边界上，这件事没有中间状态。
Dijkstra 的第二条讲取舍：社会价值和科学严谨都想要，两者打架的时候，以科学严谨为准。