“数据收集效率低得令人发指。”一位认知科学研究者回忆起研究生时代的眼动实验，语气里透着无奈。那时为了研究人脑如何实时理解口语，他和同事不得不把沉重的头戴式眼动仪拧在志愿者脑袋上。校准过程需要一种近乎外科手术的精准：你得根据每个参与者眼皮褶皱的深浅、睫毛的弯曲弧度，反复调整摄像头的位置。稍有不慎，前期标定便前功尽弃，那一大段视线追踪数据只能被扔进回收站。

分析数据也不比上门求人轻松。他得打开录像，手动画线，一帧一帧地标记志愿者的视线落点，再把每一道光标的跳动与耳机里某个单词的起始时刻精准对齐。一个人的数据，常常就要耗掉好几个小时的苦力。好在，这番笨拙而昂贵的工作，最终撬开了语言科学中一直紧闭的大门：它告诉人们，大脑是如何把听到的话和看到的画面拼接起来的。只不过代价是时间、耐性，以及一点点卑微到尘土里的运气。

打开网易新闻 查看精彩图片

今天的研究生们大概很难体会这种“数据苦难史”。眼动追踪设备早已瘦身不少，自动化分析程序把那些曾让人崩溃的手工活变成了一个点击。更省心的是，亚马逊的Mechanical Turk等众包平台，让实验彻底甩掉了物理实验室——研究者坐在自家沙发上，就能一次招募数千名受试者，用轻轻一记回车代替曾经捣鼓半天的螺丝刀。

然而科学的效率曲线并没有停下。最近，行为科学圈的一个新动向让非科学界的朋友坐不住了：在某些初步探索中，人类的位子或许可以被AI替身所取代。替身不是什么仿生机器人，而是你耳熟能详的大语言模型（LLM）。在一项研究估算里，用AI代理完成探索性实验的成本仅为2125美元；而如果全程使用真人，预期账单是37.5万美元——两相比较，像开着经济型小车驶过