数学家Tristan Buckmaster和Levent Alpöge借助Claude、Codex等模型公开了三个流体方程相关的结果。Buckmaster在声明里说，项目所有草稿都被放进了Codex会话；他追问这些数据是否参与训练时，没有得到回答。消息提到，他得到的答复是模型不会主动查找用户数据。对正在选导师、进课题组或考虑读博方向的人来说，这件事的价值不在模型本身，而在于提醒你：研究过程数据放在哪里，是选环境时要主动核查的事。

进组前，把“数据放哪”问成具体问题

“你们数据怎么管理”太笼统，容易得到“还好”“都这样”的回答。可以拆成几个能落到具体动作的问题：未发表的草稿、失败路线、原始记录分别存在哪里，是本地、组内服务器还是某个云端账号；账号是个人注册还是课题组统一管理；谁有权限看，毕业后数据怎么交接。

同一件事，两种做法差别很大。一种是把所有推导草稿随手放进个人云端会话，方便但边界模糊；另一种是按敏感程度分层，公开资料用通用工具，未公开内容放本地或受控环境。问的时候不必评判哪种更好，先弄清对方实际怎么做，再对照自己的风险偏好。

外部AI工具的使用边界，直接问比猜可靠

素材里两位数学家在研究中一直使用Claude、Codex等模型，并把草稿放进Codex会话。这说明工具已经进入真实研究流程，但不同课题组的态度可能差异很大。有的导师明确允许用AI辅助推导，有的只允许用于查文献或改语言，有的要求任何未公开内容不得上传。

这些边界通常不会写在组规里，直接问导师或高年级成员更可靠。可以问：组里有没有关于外部工具的使用约定；如果我想用某类工具处理未公开数据，需要先跟谁确认；组内有没有替代方案，比如本地部署或受控环境。注意，具体产品是否支持某项功能、数据是否会被用于训练，属于需要向工具方和目标课题组分别查证的事项，不要凭宣传或传闻下结论。

回答与风险偏好不匹配时，怎么调整

如果对方说“大家都这么用，没出过事”，这本身是一个信息：组里可能没有明确约定。你可以据此判断自己能否接受，而不是默认沿用师兄师姐的习惯。

一种调整是按数据分层：公开预印本、已发表内容用通用工具；未公开草稿、审稿中材料、涉及合作方的内容，放本地或组内受控环境。另一种调整是在进组初期就和导师约定一条简单规则，比如哪些内容可以出组、哪些必须留在本地。

假设场景：你进组后发现同门都把推导草稿放在个人云端账号里。你可以先观察，再找机会问导师是否有统一要求；如果没有，至少把自己的未公开内容留在本地，并记录清楚版本。这不是对抗，而是把风险偏好落到具体动作。

选课题组时，研究数据管理方式值得和方向、导师风格放在一起看。进组前问一句“未发表的草稿一般放哪”，比进组后才发现边界模糊要好。

一个实际可做的小建议：下次和潜在导师或师兄师姐聊时，挑一个你手头正在做的具体任务，问他们“这类内容你们会放在哪里”，从回答里看边界是否清楚。