昨天写了一篇SCI/SSCI/SCIE/ESCI的区别，收到不少朋友的反馈，说内容实用、接地气。今天换个话题：在科研过程中，到底是计算更重要，还是实验更重要？其实，这个话题我是在知乎上看到的，在AJE的资源中心里我就借题发挥一次。
我看到有人说“现在是计算时代，实验太贵太慢，模拟就能出Nature”；也有人反驳“计算再准也是纸上谈兵，没有实验验证就是空中楼阁”。两边都有道理，但也都有极端。我自己从理工科背景出发，亲身经历过纯实验组、计算组和计算+实验混合组，感觉这个争论其实没必要非黑即白。真正好的科研，往往是两者互相喂饭、互相救命的关系。
下面我试着从几个维度把这件事掰开揉碎说清楚，结合一些真实案例和思考，希望能帮你少走弯路。
先搞清楚“计算”和“实验”各自在干嘛
实验：直接跟真实世界打交道。通过仪器、样品、测量，获得第一手数据。它是科学的“底线”和“试金石”。没有实验，很多理论就停留在猜想阶段。经典例子：伽利略斜面实验验证匀加速运动；迈克尔逊-莫雷实验推翻以太说；LIGO探测引力波直接证实广义相对论的预言。
计算（这里主要指数值模拟、第一性原理计算、机器学习预测等）：用数学模型、算法、在计算机上“重现”或“预测”现象。它擅长处理实验难以触及的极端条件（超高温、超高压、纳秒级动态、万亿级原子体系），也能快速扫描参数空间、提出假设、指导实验方向。典型例子：密度泛函理论（DFT）计算帮助设计新材料；分子动力学模拟预测蛋白质折叠；AI加速药物筛选。
一句话总结：实验提供真实世界的“锚点”，计算提供高效的“探索”和“解释”。
历史视角：谁更重要随时代变化
科学史告诉我们，这个问题的答案不是永恒的，而是跟技术水平挂钩。
- 17-19世纪：实验占绝对主导。牛顿力学、热力学、电磁学基本靠实验堆出来，理论往往滞后解释。
- 20世纪中后期：计算崛起。计算机出现后，理论物理（如量子化学、等离子体物理）和材料科学开始大量用数值方法。蒙特卡罗、有限元等方法让“不可能实验”变成可能。
- 21世纪到现在：进入“第四/第五范式”。从“实验→理论→计算→数据→智能”的演进。计算不只是工具，而是能独立产生洞见（比如AlphaFold解决蛋白质结构预测）；同时，高通量实验+自动化闭环也在加速（材料基因组计划、机器人化学实验室）。
所以现在很多人说“计算更重要”，其实是说在某些领域（如材料设计、药物发现、气候模拟），计算的杠杆效应更大，能以较低成本产生海量假设，再用少量关键实验去验证。
但别忘了：再牛的计算模型，如果最终不被实验证实或证伪，它在科学共同体里的地位就很尴尬。计算可以领跑，但实验往往是终点线。
不同学科的实际情况对比
不同领域对两者的依赖度天差地别：
高能物理/天体物理 → 实验极难（大型强子对撞机、引力波探测器花几十亿），计算模拟（蒙特卡罗事件生成、宇宙学模拟）占比很高，但最终还是靠实验数据定生死。
凝聚态/材料科学 → 计算现在非常强势。DFT、分子动力学能预测新材料性质，指导合成。但真正做出器件、测性能，还是实验说了算。很多高影响论文是“计算预测+实验验证”的组合拳。
生物/医学 → 传统实验为主，但AI+计算生物学（AlphaFold、分子对接）正在颠覆。未来可能是“计算大规模筛选→少量高价值实验验证”。
化学 → 计算（量子化学）帮了大忙，但有机合成、催化实验仍是核心。
社会科学/心理学 → 实验（行为实验、问卷）更关键，计算模型（如agent-based modeling）辅助解释。
一句话：越是实验成本高、周期长、危险或不可重复的领域，计算的相对重要性越高。
我的经验与教训
我见过三种典型组合：
1. 纯实验组：数据扎实，但思路容易局限，常常“测了再说”。发文靠现象新颖，但机理解释弱。
2. 纯计算组：想法多、速度快，但模型假设一堆，容易自嗨。审稿人常问：“实验证据呢？”
3. 计算+实验强强联合：计算提出机制假设，实验设计针对性验证；实验发现新现象，计算解释微观机理。这种组出大成果的概率最高。
我自己最深刻的教训是：别把计算当万能钥匙。有一次我们用模拟预测了一个新相，结果实验做了半年，死活测不到。后来发现模型里忽略了一个关键的热膨胀效应——实验一针见血地把我们打回原形。从那以后，我组里定了个规矩：任何计算结论，必须设计至少一个可行的实验验证路径，哪怕暂时做不了，也要写清楚。
怎么平衡计算和实验？
1. 问题导向，而非工具导向。先问：这个问题最缺的是什么？是想法？是数据？是机理？再决定用什么手段。
2. 计算先行，实验断后。用计算快速扫描、排除不可能的方向，节省实验资源。然后挑最关键的点去做实验。
3. 实验反哺计算。实验数据是最好的“ground truth”，拿来校准模型、改进算法。
4. 学跨界。现在最吃香的是既懂计算又会实验的人（或团队）。纯理论或纯实验都容易被边缘化。
5. 警惕“计算黑箱”。计算结果要可解释、可复现；实验要可控制、可重复。
6. 关注闭环。未来趋势是“AI预测 → 机器人实验 → 数据反馈 → 模型迭代”的自动化科学发现循环。谁先掌握，谁就领先。
最后
计算和实验从来不是对立的，而是互为唇齿。计算让科学跑得更快，实验让科学跑得更稳。没有实验的计算容易飘，没有计算的实验容易瞎。真正决定科研高度的，不是你更偏向哪一边，而是你能不能让这两者形成正反馈循环，不断逼近真相。
如果你现在纠结选方向，不妨问自己一句：在这个具体问题上，我最缺的是“真实世界的反馈”还是“高效的探索空间”？ 答案往往就出来了。
