AI数分钟解开放问题，科研求职先核查什么？

消息提到，有研究人员称OpenAI内部的数学家和物理学家本周经历了自己的“Lee Sedol时刻”，该模型在数分钟内解决了他们多年未解的开放问题；引用的OpenAI介绍还称，内部模型团队用约10,000个协作AI agents在88小时内得出Navier–Stokes解，训练仍在进行，并遵循监控与隔离等安全防护。这些说法来自聚合摘要，具体能力边界、可复现性和验证方式尚未核验。对准备科研求职的人，它不是一个可以推出岗位增减的结论，而是提醒你核查三件事：目标团队是否用类似工具、研究流程如何分工、成果如何归属。这里写的是求职分析，不是对新闻的补充报道。

面试科研岗位，怎么问清团队真实的研究流程？

不要只问“你们用不用AI”，这个问题太粗。可以换成：目前哪些环节用AI辅助，哪些仍靠人工推导；新人进来后参与问题定义、实验设计还是结果验证；团队如何判断一个由工具产出的结果可信；如果工具给出反直觉答案，谁负责复核、复现和记录。引用介绍提到全程遵循前沿评测的监控与隔离等安全防护措施，但这是该项目的做法，不能假定每个团队都有同样流程。读岗位描述时也要区分：写“熟悉AI工具”和写“能独立定义问题”是两种要求，前者偏执行，后者偏判断。假设一个模拟场景：两个候选人都能用工具跑出结果，一个只复述输出，另一个能说明为什么这样设问、结果哪里可疑、下一步怎么验证。后者不一定被录用，但能让面试官看到他能进入研究流程的哪一段。工具辅助和方向替代也不同：前者是帮你算、搜、生成假设，后者是研究问题、评价标准和团队分工被重构；是否发生，只能向团队核实。

如果AI能快速解决开放问题，该准备哪些可迁移能力？

把重点放在问题定义、结果验证、跨领域沟通和工具使用边界上。它们不依赖某个模型版本，换工具后仍可能迁移，但不能保证求职一定更有优势。具体练习：找一篇自己熟悉的论文，写出“如果让工具参与，我会在哪一步介入、用什么标准判断它错了”；面试时讲这段思考，比罗列工具名更有说服力。同时要接受不确定性：消息提到数学家和物理学家经历冲击，但无法确认他们的具体角色和日常工作是否改变，也无法确认这类能力对招聘门槛的实际影响。所以别把“AI无法替代科研”或“掌握工具就有优势”当结论，而是问目标岗位的人：你们最近一次因为工具改变工作方式，是哪个环节？成果如何验证？一个实际可做的小建议：下次面试前，准备一个你亲自验证过结果的研究片段，说清你如何发现并修正错误。