当AI把越来越多研究环节自动化，科研协作的形态正在被重新定义。
发生了什么
Hacker News上的一篇讨论以"Waymo效应"为切口，观察到一个现象：随着AI工具在科研流程中承担越来越多工作——从文献梳理、数据分析到代码实现——研究者之间的协作反而在减少。Waymo作为高度自动化的代表，被借用来比喻这种"系统替人完成大部分工作、人只需少量介入"的模式。讨论并未给出严格统计，但指向一个可被观察的趋势：AI让个体研究者具备了以往需要团队才能完成的能力。
为什么重要
科研协作长期以来不只是分工手段，更是知识交换、同行校验和隐性经验传承的载体。当AI补上了个人能力的短板，协作的"必要性"下降，研究者可能更倾向于独自推进项目。这一变化的背景是AI工具能力的快速提升：过去需要多人协作完成的文献综述、实验设计、数据处理，如今一个人配合模型就能推进。
值得注意的是，这种转变未必是坏事。协作减少可能意味着沟通成本降低、决策更快、个人对研究方向的掌控更强。但它也带来隐忧：跨领域碰撞的机会减少，年轻研究者通过协作学习的机会被压缩，同行评议和纠错机制的触发频率可能下降。
影响与看点
对科研机构和团队管理者而言，需要重新思考协作的价值定位——如果协作不再是为了"补能力"，那它应该服务于什么？可能的答案是：服务于视角的多样性、结果的交叉验证，以及难以被自动化的问题定义环节。
对工具开发者来说，这是一个产品信号：AI科研工具的设计不应只追求"替代协作"，也可以主动创造协作场景，比如让模型承担协调、记录和知识沉淀的角色，把人的协作从执行层抬升到判断层。
对个体研究者，短期看是效率红利，长期看则要警惕能力结构的单一化——当协作减少，独立判断和跨领域视野反而更需要刻意练习。
一个独立判断：AI不会消灭科研协作，但会淘汰那些仅靠"人手凑数"的协作。真正有价值的协作，将越来越集中在问题定义和结果质疑上，而非执行环节。
