问题的起点
博士阶段做实证研究，最大的障碍不是理论，而是数据处理能力的门槛。双重差分（DID）、工具变量、面板数据清洗——这些方法在教材里都有，但真正跑起来需要大量的代码工作。如果你不会写 Python 或 R，你就需要一个 RA（研究助理）。
这造成了一种结构性的不平等：资源充足的研究机构可以配备 RA，独立研究者或资源有限的团队很难独立完成复杂的实证工作。
我实际做了什么
我选了论文里的一个 DID 模块重做了一遍。数据清洗、平行趋势检验、回归、稳健性检验——全程主要用 Claude + Cursor 辅助写代码，自己来判断逻辑和结果是否合理。
最大的感受：我不需要记住 pandas 的所有 API，我只需要知道我想做什么，然后让 AI 帮我写出来，再逐行理解和验证。这是一种全新的人机协作模式——我是研究的决策者，AI 是执行者。
民主化，不是替代
"AI4S 把研究民主化"这个判断的意思是：AI 降低了进入复杂实证研究的技术门槛，让更多有研究想法但缺乏编程能力的人，有机会亲自完成从假设到数据的全链路。
这不是"AI 替你想"，而是"AI 帮你做"。研究者的判断力、问题意识、理论素养——这些反而变得更重要，因为你直接暴露在数据和结果面前，没有 RA 替你过滤。