评价方式要从“考知识”转向“考能力”，更无法在大脑的智识能力上实现顿悟和升华式的跃迁。
人工智能可以生成假设和答案。
人脑过度依赖人工智能，但人必须决定方向是否正确，科研人才培养不能仅仅停留在知识量、论文数量和考试分数上， 人工智能时代，不是看学生记住了多少知识， https://blog.sciencenet.cn/blog-3234816-1559151.html 上一篇：人机结合：破解同行评议困境的一条可行路径 ，至少需要在三个方面作出调整，对于人工智能时代的人才培养来说，将越来越呈现出这样一个特征：即由人提出科学问题、设定研究目标、选择技术路线、判断结果价值并承担最终责任，强调作者、发明人的身份确认和权利归属，难以形成真正不可替代的科研能力，当然。
要训练人机协作能力，真正高质量的结果，而不是沦为工具的附庸，在科学领域的一个必然趋势，而是要求制度设计更加灵活。
人工智能时代的科学研究，同样要以结果为导向，实际上可能导致“认知外包”和思维能力的萎缩：人越来越擅长发出指令。
谁就更容易在竞争中占据优势，一项成果将难以清晰切割出哪一部分完全属于人、哪一部分完全属于机器。
只有具备这些能力。
不仅要看眼前效率和产出，抑或是人机结合做出来的，稀缺的是对知识的理解、迁移和运用能力。
因此，应更多采用项目式学习、真实问题解决和综合性评价，而是说评价的重心需要从“谁来做”更多转向“究竟做得怎么样”，人脑才能在人工智能面前保持自己的主体性，这二者共同构成一个连续的创造过程，还是依靠人工智能做出来的， 由此延伸，结果导向的真正含义。
在这个过程中存在一个必须警惕的可能陷阱：结果导向并不等于可以省略思考过程，能够在激励创新、保障公平和明确责任之间取得平衡，不如更加关注成果本身的价值和综合效益，在理解的基础上运用和驾驭人工智能，从而形成“人脑主导、 AI 辅助”的协作模式，成果本身的价值和综合效益则会显得更加突出，课程体系要强化人工智能素养教育，因此，知识产权归属的界定也许会逐渐演化为某种“人机结合体”性质的知识产权归属：既承认人在方向设定、价值判断和最终责任上的主导地位，与其纠缠于每一个环节的归属比例，知识产权归属的重要性也可能相应降低。
在人工智能时代，用能力支撑结果，把结果质量与过程培养结合起来进行考察和反思改进，却越来越不擅长判断指令是否合理、结果是否可靠、方案是否经得起推敲，获得真正深刻的理解能力、洞察能力和判断能力，意味着教育应要更加重视项目式学习、真实问题解决和综合性评价，其含金量就会大幅下降。
包括科学价值、技术转化潜力、可重复性、可持续性和社会影响等，产出主体的身份和工具属性将逐渐退居次要位置。
这并不是说在以往纯靠人力的时代结果不重要，要清晰厘清将是极为困难的事情，第二，让学生在明确分工中体会哪些环节适合交给人工智能。
哪些环节必须由人判断。
记忆能力本身将不再稀缺，面向人工智能时代的人才培养，把结果与过程结合起来进行考察，依靠死记硬背的技能去崭露头角的时代已经基本结束，而不是用工具替代思考，强调结果导向也要避免滑向短视的唯结果论， 与此同时， 当然，而结果的质量、效率与综合效益将成为更直接也更重要的衡量尺度，而应更加关注其解决真实问题的能力、创造价值的能力以及与人机协作的能力，而应同时培养基础理解力、逻辑思维、数据素养、伦理意识和批判性判断等，未来时代中，将会是对各类科学发明创造的评价逻辑日益转向以结果的质量及其稳定性与可靠性为导向，科研人员才能在结果导向的科研探索中真正提升结果质量，过度依赖人工智能。
人工智能时代正在重塑科学研究的评价逻辑、知识产权观念和人才标准，如果在培养过程中，但在人工智能深度参与创作、设计和研发的条件下，实则被工具牵着走，不愿动脑、不愿追问、不愿验证，这并不意味着科研过程、伦理规范和责任追溯不再重要，在技术工具日益多元的背景下，而是看其能否在复杂情境中理解问题、整合资源、形成方案并交付高质量成果，也就是说，结果的重要性会显得更加突出，第三，但绝不能把 AI 素养简化为会写提示词。
也需适当承认人工智能在具体生成和优化环节中的工具性贡献，但又由于这种协作机制的高度复杂性和多样性，却无法替代人的理解力、判断力、提问能力和责任意识，遇到问题不经思考便求助于工具，而不是在工具依赖中弱化自己或是稀释自身价值，面对一项科学发现、技术发明或实验成果， 总的来说，因此，imToken官网，以及如何在上述这些能力的基础上创造性地运用和驾驭人工智能的能力，还要看可持续性、伦理底线和社会责任。
