2024年3月初，在加勒比海的巴巴多斯岛，一个重要的启示降临。康拉德·科丁（Konrad Kording）教授身着泳裤，站在约30位主要来自神经科学和机器学习领域的首席研究员（PI）面前，现场演示了Claude Code。在强烈的日光下，投影仪的画面几乎难以辨认，但他仅用几分钟就让Claude构建了一个可供测试的网页应用。这次演示旨在展示具身智能AI（agentic AI）如今如何独立完成任务，画面定格：人类轻松自在，机器辛勤工作。
令我震惊的不仅是具身智能AI带来的变革广度，更是其惊人的速度。对我及许多人而言，这种影响是立竿见影的。当天，我们原本需要数天才能完成的讨论，在AI的帮助下，几分钟内就变成了可编码的模拟。我很快意识到，这种影响力和速度的结合意味着我们不能仅仅“随波逐流”。相反，我们必须主动掌控方向盘，决定如何在神经科学实验室中运用具身智能AI，何时以及为何使用它。原因在于，它至少触及了神经科学实验室的三个核心要素：实验室产出的研究成果、人员在此过程中培养的技能，以及我们期望实验室遵守的文化和方法论规范。
回到家中，Claude Code的影响很快波及我的实验室。巴巴多斯之行仅三周后，我们举行了年度研讨会，重点是动手开发我们长期以来希望实施的分析流程。由于我已经习惯了具身智能编码，包括我在内的一些人，在一天之内就为我们的数据原型化了一个复杂的全新解码流程——这一进展无意中震惊了实验室的其他成员。从那时起，午餐和晚餐的讨论焦点不再是我们的项目，而是具身智能编码将如何影响我们作为科学家以及我们在实验室的工作。这些对话让我意识到，我们需要制定一项正式的实验室AI政策。在接下来的几个月里，我与团队的持续讨论以及对公开辩论的研究，帮助我们完善了这项政策。
在随后的几周里，实验室成员发布了关于AI的博客文章和学术论文，之后我们再次开会讨论实验室的政策。我们实施的第一条规则，旨在解决我们认为的核心问题——人类知识获取与AI使用之间的权衡。当然，在某些情况下，AI可以加速学习，但许多人担心人类的训练会因此受损。正如一篇博客文章所言：“机器很好。我担心的是我们自己。”事实上，Anthropic最近的一项研究发现，在学习编码过程中使用AI的开发者，在后续的学习和理解方面表现更差。
我们的首要原则明确了这种潜在的权衡，并要求每个人手动完成那些能培养核心智力技能的任务，例如提出问题、构建模型和撰写论证。学员可以把他们不感兴趣学习或已经擅长的任务交给AI。写作似乎是一个特别容易滑坡的领域。AI在润色文字方面可以帮助非英语母语的作者，降低在英语主导的学术出版体系中经常讨论的障碍。但AI写作助手不仅仅是润色文字，它们常常会改变内容，甚至可以改变论点和用户态度。因此，我们一致认为，在将文本交给AI之前，必须先自行起草，并仔细留意AI引入的任何内容转变。
其他原则也随之自然形成。验证和确认：AI的输出即使是错误的，听起来也自信满满，因此需要了解如何证伪模型生成的内容。编写脚本来检查输出，而不是要求模型自我检查。尽管找到这样的测试并非易事，但拉塞尔·波尔德拉克（Russ Poldrack）等人对此过程提供了有用而具体的建议。我们的下一个原则是规避风险。参与者数据不应与AI工具共享，且AI代理只应访问其所需文件夹。嵌入在看似无害文档中的隐藏指令是一个真实存在的风险，因此研究人员在使用强大的AI时需要格外小心。
与此相关，我们一致认为，研究人员应该投入时间学习如何更好地使用这些工具，因为输出质量在很大程度上取决于范围界定（scoping）和提示词（prompting）的质量。最后，我们同意了期刊和会议中普遍实施的关于作者身份和责任的规则：AI是一种工具，而非共同作者，“模型说的”不能作为辩护理由。你对你公开发布的一切负责。
对我作为一名首席研究员（PI）而言，制定AI政策还有另一层意义。由于我亲自处理数据和代码的时间大大减少，我不仅要判断结果，还要判断对结果的信任程度。在AI参与其中后，这变得更加困难。但实验室内部更高的透明度有助于提升我的元信任（meta-confidence），即我对结果信任程度的信心。我希望从长远来看，我们能够建立一种文化，让实验室成员以任何能推动其工作进展的方式使用AI，包括在理解有限的情况下进行快速原型设计，同时确保我们和合作者清楚地知道我们理解什么、不理解什么。并且，我们将弄清楚在何处进行更多的后续工作来巩固或摒弃这些初步见解。我们实验室政策最大的影响并非任何一条单一规则，而是创建了一种讨论AI使用而非隐藏AI使用的文化。
对我而言，迈向这种文化显然是迫在眉睫的。博士生中AI的使用已接近普遍，上述担忧也同样普遍。法律学者早就指出，存在一个危险的循环：某种情况的单纯存在会随着时间推移使其正常化，使其看起来合法且正当。AI的使用正沿着这条道路前进：我们所有人悄悄开始做的事情很快就会成为常态。这就是为什么我们不仅应该制定实验室政策，还应该作为一个领域，就AI带来的资金、优先事项和议程转变表明立场。数学家们已经认识到这一点，并以《莱顿宣言》（Leiden Declaration）的形式集体做出了回应，他们和其他人一样，警告不要让学术探究过度依赖少数公司拥有的技术。神经科学界也应效仿，制定自己的规范性声明。