选题是科研的起点和前提，没有科学问题，科研就没有目标，所有实验、分析都属于无目的的资料收集，算不上研究。好的问题也决定研究价值、方向与最终成果上限。持续提出新问题，不断挑战现有认知，是学科迭代、理论更新的根本动力。

随着人工智能的发展，我在指导研究生过程中注意到一个越来越普遍的现象：不少学生在开题之前，习惯先请大模型梳理研究现状、推荐选题方向、生成“创新点”。AI给出的框架结构完整、措辞周全，初看令人眼前一亮，但细读之下发现，这些“创新点”大多是对已有工作的排列组合，缺少对工程实际问题的深入体察。以我们团队近年来研究的堆石混凝土为例，真正有价值的问题，往往来自工程现场，如一处异常裂缝、一组不合常理的监测数据等。这些“不对劲”的信号，只有在坝上、在试验台前反复观察和思考，才能捕捉得到。

问题从来不是从数据中自动浮现的。我曾承担中尼交通廊道冻融灾害调查的科考任务，在高原寒区实地踏勘中发现，冻融循环对混凝土的破坏远比室内试验所呈现的复杂得多——真实环境中的温度梯度、水分迁移和物相变化，无法在任何单一模型中完整重现。这种对“现场复杂性”的感知，恰恰是提出好问题的前提。AI无法替代你在寒风凛冽的大坝上看到一道裂缝，并在心中涌起那个追问：为什么偏偏在这里？

这并非否定AI赋能科研的价值。AI可以成为强大的假设生成器与效率加速器，但无法替代研究人员在问题凝练、机理阐释、价值判断以及最终科学结论形成中的核心作用。换言之，AI擅长在已知中寻找关联，却不具备结合领域经验与理论框架创造性思考的能力。如果研究者把“提出问题”这一最关键的认知环节也交给算法，科研就可能沦为“数据驱动的知识搬运”。

更深层的忧虑在于，问题意识的退化是渐进的、隐蔽的。当综述可以一键生成，当创新点可以自动提炼，学生还需不需要在故纸堆中翻找、在实验失败中追问、在环境恶劣的工程现场奔波？长此以往，科研人员可能越来越擅长“回答问题”，却越来越不善于“提出问题”。

AI时代，科研的“源头活水”是什么？不是算力，不是数据，而是人对未知世界的好奇与追问。真正定义一个科学家的，从来不是他擅长使用什么工具，而是他追问了什么问题。

（作者系西北农林科技大学水利与建筑工程学院副教授）