为什么有了 AI，
做成一件事还是这么难？
我们没有从一个宏大的命题开始。
我们从自己每天都在做的事里找答案——做研究。
更准确地说，是我们自己正在做的社会科学研究。
01 · ONE FINISHED THING
先看一件已经做成的事。
同一批研究数据，走完了一条完整的论文链：分析在智研网，写作与审稿返修在 Paper Director。终稿与全流程审计可以打开核对。
这两个分数是我们这套流程里的审稿分，用来证明步骤被跑通、被记录、可回溯——不证明期刊已接收。
做完这件事之后，路径上的摩擦更清楚了——大致落在四道槛上。
一个研究想法，
为什么总要在工具之间来回切换？
工具并不缺。缺的是连续性：找工具、学工具、切平台、搬数据，再把结果拼回去——时间多花在衔接上。
今天一个人做研究，手里往往同时开着这些
每换一步，就要重新上传、导出、对齐上下文
把分散的科研工具，放进一个连续的研究空间。
减少反复上传与搬运
文本 / 数据 / 仿真 / 绘图
上下文不再轻易丢失
结果有了，
论文却还没成形。
从「有结果」到「有论文」，中间仍有大量整理、对齐、返修与格式工作。它们必要，但往往很碎。
从「有结果」到「有论文」，中间还卡着这些事
先确定研究，再生成正文。所有修改落到同一套画布。
03 · EXPERIENCE
做过的经验，
为什么很难留在下一次？
很多卡点不是不会推理，而是「做过才知道」：不同期刊的格式体例、审稿人的偏好、哪类结果能写、哪类不能写。Skill 不是商店，而是把这些经验接进下一次执行。
「同一篇稿，投不同期刊，参考文献、图表标注、标题层级往往不是一套。」
「图本身没问题，但该刊习惯三线表；版式不对，审稿人会先卡住。」
「这种数据能算，但不能直接写成因果——上次就是在这里被退回。」
「改方法段时，结果表编号和讨论里的交叉引用要一起动，漏一处就返工。」
04 · THE HUMAN LAYER
工具、流程、经验之后，
还要能判断。
什么问题值得做、结果是否站得住、经验何时可用——最终仍要人来判断。判断力不是凭空出现的，它来自持续的学习与知识积累。
YANXI TUTOR
用学习，把判断力养起来。
Tutor 的位置是：当问题落到人的学习时，系统不会在这里断开。
理论支撑：马海群，林鑫，陈媛媛．人智协作中的冰桶理论：人与AI的三态信息熵混合系统研究［J］．情报理论与实践，2026，49（7）：273-282．DOI: 10.16353/j.cnki.1000-7490.2026.07.031
05 · THE SYSTEM
四条能力，对应同一条链路。
分别处理：把研究做起来、把成果做出来、让经验可复用、以及人的学习与判断。
智研网
减少研究工具之间的切换、搬运和重复操作。
Paper Director
把成果制作中的多个步骤，组织成更连续的过程。
研析 Skills
把值得固定的经验沉淀下来，供 Agent 按需调用。
YANXI Tutor
在需要老师、自学支持和监督时，提供持续支持。
同一批研究数据：智研完成分析 → Paper 成文、审稿、返修、导出。经验进入 Skills，学习由 Tutor 接住。终稿与全流程审计可打开核对。
06 · WHY NOW
AI 的使用方式，
正在从单次问答走向持续执行。
以前分散的工具、流程和经验，第一次越来越有可能，被一个智能执行层连接起来。
研析做的，就是科研场景里的这个执行层。
07 · MOAT
模型可以买，
界面可以模仿。
那什么不能？
基座能力大家都能获得，这不构成差异。
产品形态可以被复制，这也不构成差异。
它们来自真实科研任务，需要时间、真实用户、一遍一遍跑真实任务。这件事没有捷径。
08 · MARKET
市场，我们只算最小的那一层。
不报「全球 AI 教育万亿美元」。下面每一行数字，都附可核验来源。
其中博士 75.36 万、硕士 354.60 万。另有高等教育专任教师 222.36 万人。
来源：教育部《2025年全国教育事业发展统计公报》
麦可思调查：近 60% 高校师生每天或每周多次使用；仅约 1% 从未使用。取「高频」保守区间时按 30%–50% 估算。
来源：MyCOS / MIT Technology Review 引述（2025）
沙利文：中国高校科研机构 AI4S 云市场约 51 亿，2030 年有望约 107 亿（CAGR ~16%）。另：高校信息化及 AI 相关投入约 280 亿量级。
来源：Frost & Sullivan《中国高校科研机构AI4S市场追踪报告，2025》；博研咨询（信息化/AI投入）
最小真实市场怎么算（个人侧）
第三项取可观察价位带：国内个人 AI 订阅常见约 40–200 元/月；腾讯研究院调研显示已付费用户中 55% 月支出低于 100 元。折年约 200–1,200 元。乘积只框量级（约 4–40 亿），不写成 TAM；最终人均以自身真实付费校准。机构侧另有高校与课题组预算。
- 教育部：《2025年全国教育事业发展统计公报》——在学研究生 429.95 万；高等教育专任教师 222.36 万。moe.gov.cn ↗
- 国家统计局：《2025年国民经济和社会发展统计公报》——在学研究生约 430 万（与教育部口径一致）。
- MyCOS（麦可思）高校生成式 AI 使用调查，经 MIT Technology Review 等引述——近 60% 频繁使用，约 1% 从未使用。
- 腾讯研究院《中国公众对生成式AI的看法与使用行为》2025.9——约 16% 已付费；已付费用户中 55.2% 月支出低于 100 元；研究生日用比例约 81.8%。
- 公开价位：国内主流个人 AI / Coding 订阅常见约 40–200 元/月（豆包大学生档、各厂商 Coding Plan、ChatGPT Plus 等）。
- Frost & Sullivan：《中国高校科研机构 AI4S 市场追踪报告，2025》——2025 年云市场约 51 亿元，2030 年约 107 亿元。
- 博研咨询等行业估算：2025 年中国高校信息化及 AI 相关投入约 280 亿元量级（上层参考，非个人 TAM）。
持续使用，和真实付费。用自己的数字校准人均，不预估乘积。
高校、课题组预算另列。研究院是研发协作与产品落地场景之一。
09 · EVIDENCE
已经具备落地规模。
使用、成果与付费意愿，已经在真实场景里出现。
上百名测试用户持续使用
智研网部分工具已进入真实论文与科研项目
平台已发生持续、高频的工具调用
已有论文成果与真实研究报告支撑
Paper 已跑通完整论文—审稿—返修—导出链路
已产生真实付费，现有用户表现出明确付费意愿
依托黑龙江大学数字社会研究院开展研发协作与产品验证
依托国家社科基金重大项目开展相关研究与转化
真实问卷调查：94% 科研工作者愿意知识付费
已发表研究（部分）· 理论在先，产品在后
- 冰桶理论 · 人智三态 马海群，林鑫，陈媛媛．人智协作中的冰桶理论：人与AI的三态信息熵混合系统研究［J］．情报理论与实践，2026，49（7）． 对应：Tutor · 学习与判断
- 学术信息生产过程评价 林鑫，马海群，马小琪，张国庆．人智协同学术信息生产的过程评价模型构建——基于元认知评分的反向认知审计与实证［J］．图书与情报，2026． 对应：Paper · 流程与成果质量
- AIGC 信息生态与伪优质均衡 陈秀宁，林鑫，马海群，等．信息拥堵与伪优质均衡：AIGC信息生态的「新柠檬化」危机及其算法规制策略研究［J］．现代情报，2026． 对应：为什么要结构化做研究，而不是堆生成
- 中美 AI 非对称竞争 林鑫，马海群．基于生态位构建理论的中美人工智能技术非对称竞争分析［J］．情报杂志，2025． 对应：竞争判断与护城河取舍
10 · LIVE PRODUCT PROOF
产品可以现场打开。
下方嵌入的是各产品真实前端沙盘（与研析官网同源），预置官方体验案例。路演时按兴趣点开即可。
11 · FROM RESEARCH, THEN OUTWARD
如果把研究拿掉呢？
把视野放远看：学习 → 实践 → 成果 → 反馈 → 再学习。这条飞轮在工程、咨询、创作等很多地方同样适用。
研究是我们先跑通的入口。
野心不止于研究领域。12 · WHY US
我们自己是
第一批用户。
问题来自日常研究工作，产品也在同一批工作里迭代，而不是从外部想象工作流。
来自我们自己面对的工具割裂。
来自成果生产中的重复劳动。
来自 Agent 反复犯同样的错。
来自 AI 帮我们做得越来越多以后，对人的学习问题的继续追问。
13 · WHY OPC