人机协同研发：不是替换人，是重构研发的底层逻辑

被夸大的“替代”和被低估的“协同”

去年深秋在南京江北的产业园跑项目，跟几个研发人员蹲在楼下抽烟聊天，有个干了快十五年整车标定的老师傅吐槽，大老板年初拍板上了AI项目，说以后大半标定活都能交给机器，吓得他连着半个月失眠，就怕哪天HR找谈话。

这种焦虑太常见了。开口就是AI颠覆研发，闭口就是机器取代工程师，全行业都在渲染这种对立，把原本正常的技术组合扯成了你死我活的零和博弈。

真相是什么？我见过近十个落地一年以上的项目，没有一个是真让AI把人替掉的。

新药研发里，AI能在三天之内把百万级的化合物库按照靶点结合率筛到几千个候选，速度比人工快了整整六十倍，这确实是AI的强项。但是最终从这几千个里挑哪十个进离体实验，还是得靠做了二三十年药物化学的研究员拍板——那些经过无数次失败攒出来的直觉，那些对分子毒性、合成难度的隐性判断，根本没法变成数据喂给AI。

航空航天的结构设计也一样，AI能在几个小时内生成上百种符合基础受力要求的拓扑优化方案，但是哪一种符合现有加工工艺、哪一种能兼顾后期维护的便利性、哪一种能把重量控制在要求区间内，还得靠资深工程师一个个调。很多行业默认的规则，从来就没写进公开的数据集里。

把人和机器放到对立面，从根上就是错的。

跑通落地绕不开的三个核心约束

不是挂个牌子、凑个团队就算做成了，我见过一半以上的项目，推进到一半就卡壳，要么效果达不到预期，要么干脆弃用，问题都出在没看清这几个约束。

数据是“死”的，经验是“活”的

现在主流AI训练依赖的是结构化的存量数据，但是研发过程中，最值钱的从来都是不成文的隐性经验。做芯片验证的老工程师，会习惯性加几个针对上几代芯片出过的隐错的测试用例，这种经验不会写在项目规范里，更不会整理成结构化数据集，AI根本学不到。去年有一家国内的芯片设计公司，花了大价钱上线全AI自动化验证流程，结果流片回来出了一个老工程师一眼就能预判的时序错，直接损失近两亿，项目负责人懊恼了好几个月。

目标是模糊的，试错要讲边界

研发本身就是探索未知，多数项目从起步的时候，根本就没有清晰到可以量化的目标函数。做消费电子的工业设计，客户要一个“有年轻感的造型”，这个“年轻感”怎么给AI写目标？AI只会按照你给的参数拼命优化，最后出来一堆看起来好看、根本没法开模量产的方案，浪费几个月的时间。真正的研发过程，是人边做边调整目标，试错的时候也能控制成本，这是AI目前做不到的。

责任要闭环，不能甩锅给机器

研发出了问题，总得有人负责。AI做不了决策，也担不起责任，最终拍板的只能是人。我见过一个创业公司，把候选分子的选择权完全放给AI，结果三个进入临床的项目全失败了，团队内部互相甩锅，说这是AI选的，最后整个公司散伙。权责不对等，是很多协同项目垮掉的核心原因。

未来真正的方向：把人的能力放回该在的位置

说实话，我见过跑的最顺的那个项目，在苏州一家做医疗设备的企业，他们的思路其实很简单：AI把研发人员从重复、机械的活里抢出来，让人去干只有人能干的事。原来一个影像设备的算法工程师，一年有半年时间在调参数、跑基础测试、改标注，现在这些活全交给AI了，工程师能把全部时间花在琢磨临床需求、优化核心算法逻辑这些事上，原来一年只能推一个新品，现在一年能推三个，研发的天花板一下子就打开了。

不过话说回来，现在很多企业走歪了。搞协同就是为了裁员降本，把AI当成砍人力成本的刀，完全没想着提升研发的上限。这其实是捡了芝麻丢了西瓜。原来整个团队一年只能啃一个大项目，现在能同时推进三个探索性项目，摊到每个项目上的试错成本其实降了，出原创成果的概率自然就上去了，这才是真正的价值。

也要讲清楚边界。不是所有研发环节都需要深度协同，那些已经完全标准化、流程化的成熟研发，AI自己就能搞定，不需要额外折腾；那些从0到1的完全原创性探索，现在AI也只能当个帮着搬砖的助手，核心的方向判断、价值选择还是得靠人。

最大的风险其实不在技术，在人。过度依赖AI做基础研发，年轻工程师得不到基础训练，老工程师的经验没人接，十几年后，没人懂底层的研发逻辑，全靠AI出方案，那才是真的灭顶之灾。

前几天那个南京的老师傅给我发微信，说他们项目调整了，AI干基础的标定数据采集和初调，他带着几个年轻工程师做核心的策略调整和工况验证，上个月新车型出来，油耗比上一代降了快八个点，他现在不光不焦虑，还成了项目的首席顾问，每天带着年轻人改方案，忙得很。

挺好。这才是该有的样子。