# Интеллектуальная эволюционная система EvoX и практика AI Native в научных исследованиях — учебный конспект
Продолжительность занятия: 1 · Страниц презентации: 16
## Навигация по чтению
- [Урок 7｜Тема: парадигма AI Native в научных исследованиях и практическое введение в EvoX](#lecture-lesson-1)
---
## Урок 7｜Тема: парадигма AI Native в научных исследованиях и практическое введение в EvoX
### Парадигма AI Native в научных исследованиях и практическое введение в EvoX
*Страница 1*
> **Цель страницы:** Освоить практический путь вхождения в EvoX в среде AI Native и прочувствовать основной принцип научных исследований «Code is cheap. Taste matters».
> **Цель страницы**
>
> Это вступительная страница седьмого урока, задающая тон всему блоку «Парадигма AI Native в научных исследованиях и практическое введение в EvoX». Учащимся необходимо сформировать два понимания: во-первых, практический путь эффективного проведения экспериментов с EvoX в среде AI Native с помощью таких инструментов ИИ, как Codex; во-вторых, когда код может быть автоматически сгенерирован, по-настоящему незаменимой способностью исследователя становится вкус и умение задавать ключевые вопросы — то, что неоднократно подчёркивается на этой странице: Code is cheap. Taste matters.
> **Порядок изложения**
>
> 1. Сначала дать контекст. Объяснить, что при работе в стиле AI Native такие «рутинные» задачи, как написание экспериментальных скриптов, построение конвейера оптимизации EvoX и проведение сравнительных экспериментов, в значительной степени могут быть выполнены инструментами ИИ, и исследователю не нужно писать всё вручную строка за строкой. Это напрямую меняет ритм научной работы: от «могу ли я это написать» к «стоит ли это делать».
>
> 2. Затем перейти к методу. При проведении экспериментов с EvoX с помощью таких инструментов, как Codex, типичный подход заключается в чётком изложении своих экспериментальных намерений, постановки задачи и критериев оценки, чтобы инструмент сгенерировал работающий программный каркас, а исследователь сосредоточился на проверке того, состоятельна ли экспериментальная схема и заслуживают ли доверия результаты.
>
> 3. В заключение обозначить основной принцип. Раз код стал дешёвым, дефицитом становится способность к суждению: ценна ли тема, справедлив ли базовый уровень сравнения, отражают ли метрики суть проблемы, обоснованы ли выводы. Вкус определяет направление исследования, способность задавать вопросы определяет его глубину.
**Ключевые тезисы**
- Инструменты ИИ снижают стоимость реализации, а не порог входа в исследование
- Порог сместился от «навыков программирования» к «вкусу к задачам». При использовании таких инструментов, как Codex, роль человека — ставить хорошие вопросы, задавать критерии оценки, критически осмысливать сгенерированные результаты, а не пассивно принимать вывод. «Code is cheap. Taste matters.» — это не отрицание инженерных навыков, а напоминание: в эпоху автоматизированного программирования именно вкус и способность задавать вопросы являются настоящим рвом исследователя.
**Проверка понимания**
Попросите одного учащегося своими словами объяснить, куда следует перенаправить время исследователя в экспериментах с EvoX, если код может генерироваться автоматически. Правильный ответ должен указывать на оценочную работу — выбор задач, проектирование экспериментов, суждение о результатах, — а не просто «пусть ИИ пишет быстрее».
> **Переход**
>
> Убедившись, что учащийся может сформулировать основную связь «стоимость реализации снижается, ценность суждения растёт», переходите к следующим страницам с конкретными шагами и примерами практического применения EvoX.
### Парадигма AI Native в научных исследованиях и практическое введение в EvoX
*Страница 2*
> **Цель страницы:** Понять общий путь вхождения в EvoX в среде AI Native и основные принципы научных исследований.
> **Цель страницы**
>
> Соединить «парадигму AI Native в научных исследованиях» и «практическое введение в EvoX» в единый путь — когда стоимость реализации снижается, исследователь должен перенести внимание с написания кода на постановку вопросов, определение критериев оценки, выбор направления и критический анализ результатов, помня основной принцип «Code is cheap. Taste matters.».
> **Порядок изложения**
>
> Сначала о смене парадигмы, затем чтение архитектурной схемы, после чего объяснение того, что EvoX — это не единичный алгоритмический инструмент, а работающая, компонуемая, способная к непрерывному исследованию интеллектуальная эволюционная система; и наконец — практическое введение: от «выбора алгоритма» к «проектированию процесса».
**Ключевые тезисы**
- Большие модели, GPU, агенты и автоматизированные рабочие процессы становятся инфраструктурой научных исследований по умолчанию. Реализация кода, массовые эксперименты и расширение поиска становятся всё дешевле
- ИИ отвечает за реализацию ответов, ускорение экспериментов, расширение поиска
- Человек отвечает за направление, ограничения, вкус и ключевые решения. Внимание человека смещается с «написания кода» на «определение стандартов, принятие компромиссов, оценку результатов». Отправной точкой служит «реальная проблема · исследовательский вкус» — человек ставит вопросы, определяет стандарты, выбирает направление
- После преобразования в исполняемое исследование эстафету принимает инфраструктура ИИ, а затем — EvoX. Внутри EvoX четыре этапа: определение проблемы (конфликты целей, ограничения), проектирование оценки (метрики, веса, пороги), эволюционный процесс (кандидатные решения, массовые итерации), Runtime-планирование (вычислительные ресурсы, параллелизм, воспроизводимость). На выходе — множество кандидатных решений, верифицируемые результаты, непрерывная эволюция, формирующие критикуемый и воспроизводимый научный результат, который через цикл обратной связи «критика и приёмка» возвращается к началу. Продолжая традицию эволюционных вычислений, система ориентирована на сложные многоцелевые задачи, открытое исследование и общесистемную непрерывную эволюцию. Это не единичный решатель, а работающая, компонуемая, способная к непрерывному исследованию инженерная основа: результаты одного эксперимента могут быть унаследованы следующим, а сам процесс поиска способен непрерывно эволюционировать. Четыре опоры остаются теми же: определение проблемы, проектирование оценки, эволюционный процесс, Runtime-планирование. Типичное заблуждение — воспринимать точку входа как «выбор одного алгоритма из нескольких». Правильная отправная точка — сначала выявить конфликты целей и ограничения, преобразовать проблему в исполняемый, сравнимый, способный к непрерывной эволюции процесс исследования. Человек сначала определяет конфликты целей, ограничения и критерии приёмки
- ИИ быстро генерирует и итерирует код
- EvoX выполняет массовые запуски и сравнивает кандидатные решения
- В итоге формируются критикуемые и верифицируемые результаты. Например, в эксперименте по многоцелевой оптимизации не следует позволять ИИ написать весь код и напрямую принять его выводы; машина должна отвечать за реализацию и исследование, а человек — за определение и суждение. Code is cheap. Taste matters. Когда код перестаёт быть дефицитом, именно вкус к задачам, критерии оценки, способность к компромиссам и приёмке становятся наиболее трудно заменимой исследовательской компетенцией.
**Работа с упражнениями**
К этой странице прилагается 5 тестовых вопросов. Правильный ответ на вопрос 1 — «перейти от написания кода к постановке вопросов, определению критериев оценки и выбору направления»; ключевой тезис обратной связи: реализацию и массовое исследование можно передать ИИ, а основная обязанность человека — ставить вопросы, определять стандарты и оценивать результаты. Правильный ответ на вопрос 2 — «работающая, компонуемая, способная к непрерывному исследованию интеллектуальная эволюционная система и инженерная основа»; при ошибке напомните, что не следует сводить EvoX к одному алгоритму. Правильный ответ на вопрос 3 — «сначала выявить конфликты целей и ограничения, преобразовать проблему в исполняемый процесс исследования»; подчеркните, что точка входа — это не выбор алгоритма или настройка параметров. Правильный ответ на вопрос 4 — «когда код перестаёт быть дефицитом, вкус к задачам, критерии оценки и способность к приёмке становятся более дефицитными способностями»;
это не отрицает реализацию и верификацию, а подчёркивает смещение дефицита. Правильный ответ на вопрос 5 — «позволить ИИ написать весь код и напрямую принять результаты его выполнения, больше не определяя цели и стандарты вручную»; это противоречит разделению труда «ИИ реализует и исследует, человек определяет и судит».
Спроектируйте эксперимент по многоцелевой оптимизации с помощью EvoX. Сценарий требует одновременной оптимизации стоимости, производительности и робастности, три показателя конфликтуют между собой и ограничены бюджетом вычислений и сроками сдачи. Разделение труда должно быть записано так: человек отвечает за определение и суждение — ставит проблему, явно прописывает конфликты целей и ограничения, проектирует метрики оценки и пороги приёмки, а также принимает решения о направлении и критически оценивает результаты; ИИ отвечает за реализацию и исследование — быстро генерирует и итерирует код, массово запускает кандидатные решения, расширяет поиск и ускоряет эксперименты. Оба образуют замкнутый цикл «человек задаёт направление — ИИ расширяет исследование — человек выполняет приёмку».
Конфликты целей не определены явно, критерии оценки размыты, ограничения проигнорированы — результаты трудно оценить на лучшее/худшее, воспроизвести и закрепить; следует перейти к проектированию процесса, чётко определить проблему и способ оценки, спланировать генерацию кандидатных решений, массовое сравнение запусков и Runtime-планирование, а результаты каждого раунда включать в цикл критики и приёмки.
**Аудиторная активность**
Попросите студентов выбрать знакомую задачу, одной фразой записать конфликт целей и критерии приёмки, а затем объяснить, какой участок берут на себя ИИ и EvoX. Проверка понимания: случайным образом попросите студента пересказать «почему сначала определяем оценку, а потом трогаем код» и указать роль цикла обратной связи на архитектурной схеме. Переход: убедившись, что студенты различают дешёвые и дефицитные способности, переходите к следующей странице с примерами, применением или итогами.
### Границы возможностей больших моделей и системы непрерывной эволюции
*Страница 3*
> **Цель страницы:** Понять разрыв между ростом возможностей больших моделей и построением систем, способных долгосрочно адаптироваться к реальному миру.
**Ключевые тезисы**
- Услышав утверждение вроде «возможности модели растут», задайте два вопроса: где осели полезные результаты этого раунда? Кто унаследует их в следующем? Если ответа нет, то выросла лишь способность к единичному вызову, а не долгосрочная адаптивность системы.
- Сначала породить кандидатов → затем проверить в реальности → закрепить в хранилище → унаследовать и продолжить эволюцию. Порядок нельзя менять: без кандидатов нечего проверять, без проверки не о чем говорить в плане закрепления, без закрепления нет наследуемой отправной точки.
- Два распространённых заблуждения: принимать «хорошее выполнение единичной задачи» за «способность системы к долгосрочной адаптации»; принимать «непроверенного кандидата» за «готовый вывод». Способ самопроверки — посмотреть, прошёл ли этот результат реальную проверку и записан ли он в наследуемую версию проекта.
Цель страницы**
«Рост возможностей» больших моделей и «долгосрочная адаптация» системы — не одно и то же. Учащимся необходимо понять, почему усиление возможностей модели не автоматически означает, что проект может непрерывно развиваться в реальном мире, и из каких этапов должен состоять общесистемный замкнутый цикл.
Порядок изложения**
Рекомендуется придерживаться порядка «способности-компоненты → почему этого недостаточно → четырёхшаговый замкнутый цикл → отношение компонентов и системы → самопроверка заблуждений». Сначала объяснить, что умеет большая модель, затем создать когнитивный разрыв (единичная мощь ≠ долгосрочная стабильность), потом дать структуру замкнутого цикла как решение и в заключение закрепить парой понятий «компонент — система».
Ключевые тезисы**
I. Три типа способностей, предоставляемых большими моделями. Она уже стабильно справляется с сильным пониманием, генерацией и вызовом инструментов: разбирает цели и ограничения в исполняемое описание задачи; порождает кандидатные гипотезы, код, экспериментальные схемы и документацию; подключает внешние ресурсы — поиск, вычисления, компиляцию, симуляцию. Поэтому использование большой модели как «интеллектуального компонента» в научных и инженерных процессах уже является практически применимым. Но следует чётко сказать: эти три типа способностей отвечают на вопрос «может ли она правильно выполнить единичную задачу», но не на вопрос «может ли она правильно выполнять долгосрочную задачу постоянно».
II. Почему сильных способностей в единичной задаче недостаточно. Реальные инженерные проекты часто длятся месяцами и даже годами, а контекст отдельного агента в конечном итоге исчерпывается. Если опыт не может быть закреплён, каждый раунд работы начинается с нуля, и рост возможностей не превратится автоматически в долгосрочную адаптивность. Здесь уместно предложить: необходимо расширить объект эволюции до постоянно существующего «программного мира» и опираться на проектную персистентность, чтобы опыт не терялся с каждым отдельным экспериментом.
Интеллектуальные компоненты выдвигают гипотезы, модифицируют или реализуют — на этом этапе они лишь кандидаты, а не выводы; реальная проверка: кандидаты должны пройти через реальную среду, симуляцию или эксперимент и преодолеть компиляцию, тестирование, проверку поведения и приёмку верхнего уровня; закрепление результатов: только прошедшие проверку полезные результаты записываются в принятую версию проекта и становятся многоразовыми активами; повторная эволюция: последующая работа наследует закреплённые результаты и на их основе продолжает выдвигать кандидатов. Формула: «сначала породить кандидатов → затем проверить в реальности → закрепить в хранилище → унаследовать и продолжить эволюцию». Следует подчеркнуть логическую зависимость: без кандидатов нечего проверять, без проверки не о чем говорить в плане закрепления, без закрепления нет наследуемой отправной точки.
IV. В качестве примера замкнутого цикла — многоагентная система сотрудничества типа Genesis. Жизненный цикл агентов, участвующих в работе, ограничен; исполнители верхнего уровня понимают цель и рекурсивно декомпозируют задачи, исполнители нижнего уровня выполняют локальную реализацию и тестирование, при необходимости продолжая рекурсию вниз; кандидатные изменения подаются только как кандидаты и должны пройти компиляцию, тестирование, проверку поведения и приёмку верхнего уровня, чтобы быть принятыми; неудачные попытки отклоняются, прошедшие верификацию результаты записываются в версию проекта и становятся исторической основой для последующих исполнителей. В таких сценариях, как рефакторинг компилятора и обновление научного ПО, этот механизм демонстрирует высокую надёжность и ускорение выполнения.
Компоненты способностей отвечают за создание высококачественных кандидатов в отдельной точке, замкнутый цикл системы — за определение того, какие кандидаты стоит сохранить, как сохранить и как их унаследует следующий раунд. Без замкнутого цикла чем сильнее способности, тем больше непроверенных кандидатов; без сильных компонентов замкнутому циклу не хватает источника качественных кандидатов.
VI. Распространённые заблуждения и методы самопроверки. Самое частое неверное прочтение — прямое отождествление «роста возможностей модели» с «долгосрочной адаптивностью системы». Критерий оценки — не то, насколько хорошо модель показала себя в одной задаче, а то, могут ли полезные результаты стабильно закрепляться и наследоваться следующей работой. Можно научить учащихся двум вопросам: где осели полезные результаты этого раунда? Кто унаследует их в следующем? Если ответа нет, то выросла лишь способность к единичному вызову. Другое заблуждение — принимать «непроверенного кандидата» за «готовый вывод»; способ самопроверки — посмотреть, прошёл ли он реальную проверку и записан ли в наследуемую версию проекта.
Материалы-подсказки**
Слева — блок компонентов «возможности большой модели» с тремя пунктами: понимание, генерация, вызов инструментов; справа — «замкнутый цикл системы непрерывной эволюции» с четырьмя узлами: порождение кандидатов, реальная проверка, закрепление результатов, повторная эволюция, образующими цикл, в центре пометка «компоненты способностей должны быть организованы системой». При объяснении можно провести студентов по замкнутому циклу вдоль стрелок, а затем вернуться к левой части, пояснив, что компоненты приобретают долгосрочную ценность только будучи организованными системой.
Подсказки к упражнениям и ориентиры ответов**
Правильное положение большой модели в процессе (интеллектуальный компонент, который может быть организован системой, отвечающий за понимание, генерацию и вызов инструментов); почему рост возможностей не равен долгосрочной адаптации (контекст единичной сессии исчерпывается, а непроверенные результаты не могут закрепиться как наследуемые активы); правильный порядок этапов замкнутого цикла (порождение кандидатов → реальная проверка → закрепление результатов → повторная эволюция); порог вхождения кода в историю проекта в Genesis (пройти компиляцию, тестирование и проверку поведения, а также приёмку верхнего уровня); а также точная формулировка отношения «компонент — система».
Кейс-задача требует спроектировать общесистемный замкнутый цикл для долгосрочной лаборатории научных вычислений и предложить механизмы для ситуаций «неудачные решения повторно перебираются» и «новые члены не могут унаследовать ранние выводы». Ключевые пункты ответа: использовать строгий шлюз приёмки и журнал решений для отклонения непрошедших кандидатов с сохранением причин неудач, использовать проектную персистентность для записи прошедших приёмку результатов в принятую версию проекта; при этом указать, что простое усиление возможностей модели лишь повышает качество единичных кандидатов, а корень обеих проблем — в отсутствии проверки, записи и закрепления.
Проверка понимания**
Почему более сильная модель не равна способности проекта к долгосрочному развитию, и какие проблемы решает каждый из четырёх шагов замкнутого цикла. Если ответ останавливается на «модель очень мощная», можно подсказать вернуться к двум вопросам: «где осели полезные результаты, кто их унаследует» — и дополнить.
Переход**
Убедившись, что учащийся различает «качество единичного кандидата» и «системный отбор, закрепление и наследование», переходите к следующей странице с применением, примерами или практическими заданиями.
### Преобразование реальной задачи в процесс исследования EvoX
*Страница 4*
> **Цель страницы:** Освоить определение изменяемых объектов, критериев оценки и механизма сохранения при столкновении с реальной задачей.
> **Цель страницы**
>
> Освоить определение изменяемых объектов, критериев оценки и механизма сохранения при столкновении с реальной задачей, а также понять порядок «сначала преобразование задачи, потом выбор алгоритма».
> **Порядок изложения**
>
> Реальная задача (потребность описываема) → определение изменяемых объектов (переменные могут быть засемплированы) → построение критериев оценки (цели вычислимы) → механизм сохранения и отбора (кандидаты наследуемы) → итеративное исследование EvoX (каждое поколение воспроизводимо) → вывод кандидатных решений (выводы измеримы).
>
> При искажении оценки — возврат к построению критериев оценки; при коллапсе разнообразия — возврат к механизму сохранения.
>
> 3. Затем последовательно раскрыть четыре условия приёмки и проиллюстрировать способ отображения на примере проектирования сверхкритического профиля крыла.
>
> 4. В заключение проверить понимание с помощью пяти вопросов на суждение и кейса с охлаждающей пластиной батарейного модуля.
**Ключевые тезисы**
- Преобразование реальной задачи в процесс исследования EvoX — это, до написания любой конфигурации алгоритма, переписывание размытой инженерной или научной потребности в определение эволюционной задачи, которое «может быть засемплировано, оценено, сохранено и итеративно проверено». EvoX обслуживает конвейер исследования, и ему нужно знать, в каком пространстве семплировать, по какому критерию оценивать, какие результаты стоит продолжать. Эта информация может исходить только из самой задачи. Алгоритм может искать ответ только внутри определения и не может найти правильный ответ в неправильно определённой задаче. Перевод реальной потребности в переменные решения, определение формы представления, размерности и границ, а также различение непрерывных параметров, дискретных структур и даже объектов программного уровня. Слишком узкие границы исключат истинно оптимальное решение из пространства поиска
- Переменные могут быть засемплированы. Разложение размытой цели на вычислимые целевые функции и ограничения, чёткое определение максимизируемых показателей, жёстких ограничений и многоцелевых компромиссов. При разреженной обратной связи или дорогостоящей симуляции вводится суррогатная модель для замены дорогостоящих вычислений. Условие приёмки: цель вычислима, и при одном и том же входе результат стабилен и воспроизводим. Определение того, как кандидаты сохраняются, сравниваются и продолжаются, чтобы эволюционный процесс обладал памятью, направлением и разнообразием, а не представлял собой череду несвязанных одноразовых проб и ошибок. Условие приёмки: кандидаты наследуемы. Результат преобразования должен быть воспроизводимым, измеримым и итеративно проверяемым, каждый шаг должен отвечать на вопрос «действительно ли это изменение лучше». Пропуск переменных приведёт к неверному пониманию пространства решений, искажение оценки уведёт оптимизацию в сторону
- Оба типа отклонений невозможно компенсировать последующими операторами или дополнительными итерациями. В проектировании сверхкритического профиля крыла изменяемыми объектами являются параметры геометрического возмущения базового профиля
- Критерии оценки — многоцелевые показатели: аэродинамическое качество, дивергенция сопротивления, робастность, — с использованием суррогатной модели для контроля стоимости симуляции
- Механизм сохранения — вывод группы разнообразных кандидатных решений, учитывающих все показатели, для взвешенного решения экспертами предметной области. Для одной и той же реальной задачи достаточно изменить набор границ переменных или критериев оценки, и выводы исследования будут совершенно иными.
**Покрытие ключевых слов**
- Преобразование задачи, определение изменяемых объектов, засемплируемость переменных, построение критериев оценки, вычислимость целей, механизм сохранения и отбора, наследуемость кандидатов, итеративное исследование EvoX, воспроизводимость каждого поколения, искажение оценки, коллапс разнообразия, суррогатная модель, сверхкритический профиль крыла.
**Работа с упражнениями**
Правильный ответ — «поскольку преобразование определяет пространство поиска и критерии оценки, алгоритм может искать ответ только внутри этого определения». При объяснении подчеркните, что преобразование отвечает на вопросы «что можно изменить» и «как оценивать после изменения», и именно оно определяет верхнюю границу пространства исследования и направление оптимизации; затраты на семплирование или тип оператора не являются ключевыми.
Правильный ответ — «пространство поиска слишком узкое, истинно оптимальное решение не входит в него, и последующие операторы и итерации не могут это компенсировать». Пропуск переменных относится к отклонениям этапа преобразования; функция оценки, механизм сохранения и операторы не могут создать неопределённые измерения из ничего.
Правильный ответ — «использовать суррогатную модель для низкозатратной аппроксимации оценки, одновременно явно сохраняя многоцелевые компромиссы и жёсткие ограничения». Когда оценка дорога, а цели конфликтуют, правильный подход — снизить стоимость единичной оценки и явно выразить конфликты и ограничения, а не сокращать число итераций или просто объединять через взвешивание.
Правильный ответ — «позволить кандидатам сохраняться, сравниваться и продолжаться, чтобы эволюционный процесс обладал памятью, направлением и разнообразием». Механизм сохранения не отвечает за оценку и не отвечает за исправление границ переменных.
Правильный ответ — «каждый шаг должен быть воспроизводим и отвечать на вопрос "действительно ли это изменение лучше", иначе отклонения будут усиливаться в итерациях». Итоговая оценка постфактум не заменяет пошаговую проверку: пропуск переменных и искажение оценки происходят на этапе преобразования, а итерации лишь усиливают отклонения.
При правильном ответе подтвердите, что студент может связать концепции страницы и обосновать; при неправильном — попросите вернуться к соответствующему абзацу, найти ключевое доказательство или пример и только затем делать вывод.
> **Подсказки к упражнениям**
>
> - Оптимизация геометрии каналов охлаждающей пластины батарейного модуля. Рассмотрение только ширины канала в качестве переменной решения, игнорирование направления канала, топологической формы, числа ветвлений, расположения входов и выходов и других степеней свободы дискретной структуры — это слишком узкое определение изменяемых объектов, истинно оптимальная геометрия может не входить в пространство поиска
> - Использование только максимальной температуры в качестве единственной цели с передачей перепада давления и равномерности температуры на эмпирическое усмотрение — это искажение критериев оценки, многоцелевые конфликты не смоделированы явно
> - Одна симуляция 3 часа умножить на 200 поколений, отсутствие контроля стоимости оценки и воспроизводимых критериев проверки, прямой выбор «выглядящего лучшим» индивида из результатов — невозможно ответить на вопрос «действительно ли это изменение лучше». В изменяемых объектах следует включить как непрерывные параметры (ширина, глубина, толщина стенок канала), так и дискретные структуры (топология канала, число ветвлений, расположение входов и выходов), прописать диапазоны значений или способ кодирования и различить фиксированные величины; условие проверки — засемплируемость переменных. В критериях оценки следует записать максимальную температуру, перепад давления и равномерность температуры как явную многоцелевую целевую функцию, записать верхний предел перепада давления и технологическую осуществимость как жёсткие ограничения, использовать суррогатную модель для большей части оценок с периодической калибровкой реальной симуляцией; условие проверки — вычислимость цели, стабильная воспроизводимость при одном входе. В механизме сохранения следует сохранять группу разнообразных кандидатов с межцелевыми компромиссами, а не единственное оптимальное решение, определить правила сравнения и продолжения, использовать метрику разнообразия для мониторинга гомогенизации; условие проверки — наследуемость кандидатов. При запуске и проверке — пошаговая запись воспроизводимых показателей
> - При снижении достоверности оценки — возврат к построению критериев оценки для повторной калибровки
> - При коллапсе разнообразия — возврат к механизму сохранения для корректировки стратегии отбора и продолжения.
**Аудиторная активность**
Попросите студентов одной фразой переписать «сделать этот проект лучше» в определение исследовательской задачи, включающее изменяемые объекты, критерии оценки и механизм сохранения, а затем взаимно проверить, удовлетворяет ли оно условиям «засемплируемость, вычислимость, наследуемость, воспроизводимость».
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать ключевые моменты страницы; преподаватель дополняет пропущенные условия приёмки и циклы обратной связи.
> **Переход**
>
> Убедившись, что студент может сформулировать «сначала определение, потом оптимизатор» и два типа механизмов возврата, переходите к следующей странице с примерами, применением или итогами.
### Многоцелевая оптимизация и многорешениевое исследование
*Страница 5*
> **Цель страницы:** Осознать сложность многоцелевых компромиссов в реальном мире и необходимость сохранения группы кандидатных решений.
> **Цель страницы**
>
> Осознать сложность многоцелевых компромиссов в реальном мире, понять, почему необходимо сохранять группу кандидатных решений, и освоить доминирование по Парето, фронт Парето, цену скаляризации, а также двумерную оценку сходимости и разнообразия.
**Ключевые тезисы**
- Действительно ли это многоцелевая задача? Критерий — не «число целей больше 1», а наличие разнонаправленности целей. На примере проектирования сверхкритического профиля крыла: аэродинамическое качество, структурная прочность, запас до срыва и стоимость производства/симуляции находятся во взаимном компромиссе: повышение аэродинамического качества часто означает одновременный рост структурных нагрузок и производственных затрат. Если все цели могут быть улучшены одновременно без потерь, задача вырождается в одноцелевую, и многорешениевое исследование не только не нужно, но и впустую расходует вычислительные ресурсы. Разнонаправленность, взаимный компромисс — только тогда это настоящая многоцелевая задача. II. Доминирование по Парето и фронт Парето. Решение A доминирует решение B тогда и только тогда, когда A не хуже B по всем целям (для каждой цели i: fᵢ(A) ≤ fᵢ(B)) и строго лучше хотя бы по одной цели (существует j, такое что fⱼ(A) < fⱼ(B)). Для любого доминируемого решения существует замена «не хуже и где-то лучше», поэтому оно не имеет ценности для сохранения. Все решения, не доминируемые никакими другими, образуют фронт Парето — решения на фронте взаимно не доминируют, и какое из них более подходящее, зависит от предпочтений, а не от математики. III. Цена сведения к одноцелевой задаче. Методы скаляризации, такие как взвешенная сумма и ε-ограничения, сжимают векторную цель в скаляр, что удобно в инженерии, но имеет конкретную цену: Скрытие структуры компромиссов — как только веса зафиксированы, форма фронта и альтернативные направления становятся невидимыми, и лицо, принимающее решение, видит только одну оценку. Веса должны быть заданы заранее — а реальные предпочтения часто невозможно формализовать заранее, они проясняются лишь на этапе рассмотрения. Ограниченное покрытие — взвешенная сумма обычно может достичь лишь отдельных точек на фронте, некоторые участки невыпуклого фронта труднодостижимы. Как только последующая проверка изменит веса, весь поиск придётся перезапускать — это прямо противоположно принципу «одно исследование в обмен на многократную свободу решений». Сходимость и разнообразие. Сходимость (приближается ли множество решений к истинному фронту) и разнообразие (покрывают ли решения различные участки фронта). Эти два свойства часто противодействуют друг другу: как только давление отбора чрезмерно смещается в сторону «лучше», популяция коллапсирует к одной точке или небольшому участку фронта, что выглядит как быстрая сходимость, но теряет информацию о компромиссах. Поэтому необходимо явно поддерживать разнообразие популяции и сочетать его с давлением отбора на основе скученности, декомпозиции, метрик (таких как гиперобъём). Позиция принятия решений смещается. Оптимизатор лишь отвечает за создание сравнимой группы кандидатов, окончательный выбор делается на основе предпочтений или экспертами предметной области, оптимизатор не должен преждевременно сходиться за лицо, принимающее решение. Реалистичное обоснование сохранения группы дифференцированных кандидатов — «хеджирование»: когда предпочтения неизвестны, меняются в зависимости от ситуации или ограничения будут скорректированы на этапе внедрения, разнообразная группа решений ценнее единственного «оптимального решения». На уровне интерфейса реализации многоцелевая задача должна быть определена как векторнозначная функция оценки (возвращающая несколько значений целей за один вызов) и вывод множества кандидатных решений, а не скалярная приспособленность с единственным возвращаемым значением. Количество возвращаемых значений функции оценки определяет размерность целей, структура вывода определяет, можно ли сохранить разнообразие.
> **Материалы-подсказки**
>
> - Страница содержит двумерную диаграмму рассеяния фронта Парето: по горизонтальной оси — цель 1: структурная масса (чем меньше, тем лучше), по вертикальной оси — цель 2: стоимость производства (чем меньше, тем лучше). На диаграмме отмечены недоминируемые решения, доминируемые решения, фронт Парето, точки попадания скаляризации, направление улучшения, разреженные и плотные области. С помощью этой диаграммы можно наглядно объяснить отношения доминирования, форму фронта и разнообразие, а также показать, что взвешенная сумма обычно может попасть лишь в отдельные точки на фронте.
> **Подсказки к упражнениям**
>
> - Страница содержит 5 тестовых вопросов и 1 кейс-исследование. Вопрос 1 проверяет определение доминирования по Парето; правильный ответ — «решение A доминирует решение B тогда и только тогда, когда A не хуже B по всем целям и строго лучше хотя бы по одной цели». При пояснении подчеркните, что оба условия должны выполняться одновременно; решения, имеющие взаимные преимущества и недостатки, не доминируют друг друга и остаются на фронте Парето. Вопрос 2 проверяет критерий определения многоцелевой задачи; правильный ответ — «цели разнонаправлены, улучшение одной обязательно происходит за счёт ухудшения другой». При пояснении укажите, что суть многоцелевой задачи — в конфликтности, ключ не в числе целей, а во взаимном компромиссе. Вопрос 3 проверяет суждение о методах скаляризации; правильный ответ — «скаляризация скрывает структуру компромиссов и требует заранее заданных весов, тогда как реальные предпочтения часто невозможно формализовать заранее». При пояснении напомните о двух издержках: скрытие структуры компромиссов и необходимость заранее заданных весов. Вопрос 4 проверяет отношение сходимости и разнообразия; правильный ответ — «они часто противодействуют друг другу: чрезмерное стремление к сходимости легко приводит к коллапсу популяции к отдельному участку фронта». Можно задать встречный вопрос: если все решения скучены в одной точке фронта, хотя это выглядит как сходимость, может ли лицо, принимающее решение, всё ещё делать выбор? Вопрос 5 проверяет разделение труда оптимизатора и лица, принимающего решение; правильный ответ — «оптимизатор выводит группу сравнимых недоминируемых кандидатов, окончательный выбор передаётся предпочтениям или экспертам предметной области». При пояснении укажите, что позиция принятия решений сместилась, и ценность многоцелевой оптимизации как раз в сохранении группы кандидатов. Кейс-исследование посвящено многоцелевому компромиссу сверхкритического профиля крыла. Вопрос 1 требует объяснить, почему это настоящая многоцелевая задача, и каковы риски вывода единственного «оптимального профиля» через взвешенную сумму на этапе рассмотрения. Ключевые пункты ответа: цели разнонаправлены и взаимно ограничивают друг друга, их невозможно улучшить одновременно без потерь
> - Взвешенная сумма скрывает структуру компромиссов, требует заранее заданных весов, при изменении весов требует перезапуска, что трудно выдержать с точки зрения бюджета симуляции. Вопрос 2 требует объяснить, как определить функцию оценки и структуру вывода, а также как выбирать на этапе рассмотрения. Ключевые пункты ответа: функция оценки изменяется на векторнозначную форму, возвращающую кортеж из четырёх элементов (аэродинамическое качество, структурная масса, запас до срыва, стоимость производства и симуляции)
> - Вывод — множество кандидатных решений, то есть группа взаимно недоминируемых решений фронта Парето
> - На уровне алгоритма — явное поддержание разнообразия с давлением отбора на основе скученности, декомпозиции или гиперобъёма
> - На этапе рассмотрения — выбор из группы кандидатов в соответствии с реальными предпочтениями. При правильном ответе подтвердите, что студент может связать концепции страницы и обосновать
> - При неправильном — попросите вернуться к объяснению на странице, найти ключевое доказательство или пример и только затем делать вывод.
**Аудиторная активность**
Можно попросить студентов привести пример повседневного многоцелевого конфликта (например, выбор телефона с компромиссом между производительностью, ценой и автономностью) и объяснить, почему не существует единственного оптимального решения и в чём ценность сохранения группы кандидатов.
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать ключевые моменты страницы; преподаватель дополняет пропущенные ключевые слова, такие как доминирование по Парето, фронт Парето, сходимость, разнообразие, коллапс популяции, векторнозначная функция оценки.
> **Переход**
>
> Убедившись, что студент может сформулировать суть многоцелевой задачи (конфликт целей) и значение фронта Парето и разнообразия, переходите к следующей странице с примерами, применением или итогами.
**Источники**
Из черновика EvoClass, страницы 7-7.
### MetaDE: улучшение эволюционного алгоритма эволюционным алгоритмом
*Страница 6*
> **Цель страницы:** Понять, как сделать сам метод порождения кандидатных решений объектом эволюции.
**Ключевые тезисы**
- Внутренний уровень отвечает на вопрос «что вычислить», внешний — на вопрос «как вычислить лучше». Между уровнями передаётся только один сигнал — производительность на задаче, то есть приспособленность.
- Не принимайте решение, полученное внутренним уровнем, за окончательный результат MetaDE. Настоящий продукт — переносимая конфигурация алгоритма: при переходе на новый экземпляр того же класса конфигурация остаётся работоспособной, тогда как отдельное решение часто уже устарело.
- Закройте конспект и спросите себя: одна внешняя оценка примерно равна скольким полным запускам внутреннего уровня? Если ответа нет, вы ещё не уловили структуру затрат MetaDE и то, почему необходим параллелизм.
【Цель страницы】
Понять, как сделать сам метод порождения кандидатных решений объектом эволюции, то есть двухуровневый замкнутый цикл оптимизации, в котором MetaDE улучшает эволюционный алгоритм эволюционным алгоритмом.
【Порядок изложения】
Кто вообще выбирает стратегию мутации, вероятность скрещивания CR, масштабирующий фактор F, размер популяции NP?
Внешний уровень кодирует и эволюционирует конфигурации, внутренний уровень параллельно запускает DE на реальных задачах и возвращает оценку производительности.
Подняться от «поиска решения» к «поиску метода, который умеет искать решения».
Передача конфигурации → решение на внутреннем уровне → возврат производительности → обновление внешнего уровня; оценка дорогостоящая, параллелизм GPU — ключевое условие осуществимости.
5. Обобщить суть одной фразой и типичные заблуждения, выполнить упражнения и проверку понимания.
【Ключевые тезисы】
Внутренний уровень получает конкретный набор конфигураций DE, выполняет полное решение на реальной задаче, порождает кандидатные решения и возвращает сравнимую оценку производительности; внешний уровень кодирует конфигурацию, гиперпараметры или комбинацию стратегий DE как индивида, использует производительность на задаче как приспособленность и обновляет конфигурацию следующего поколения через отбор, рекомбинацию и мутацию.
Продукт традиционного DE — вектор решения; продукт MetaDE — набор конфигураций алгоритма, способных стабильно порождать лучшие решения на задачах этого класса. Объект поиска поднимается от «ответа» к «машине, производящей ответы», так что результаты одного внешнего поиска могут быть перенесены и переиспользованы на других экземплярах того же семейства.
Вся система связана одним замкнутым циклом — внешний уровень передаёт конфигурацию → внутренний уровень выполняет решение → производительность возвращается → внешний уровень на её основе обновляет конфигурацию следующего поколения. Чтобы один индивид внешнего уровня получил приспособленность, необходимо заплатить за один (часто многократный параллельный) полный запуск внутреннего уровня, поэтому управление стоимостью оценки и параллельное планирование являются ядром проектирования системы. Именно способность GPU одновременно запускать множество внутренних задач делает такую «дорогостоящую в оценке» метаоптимизацию инженерно осуществимой.
Внутренний уровень отвечает за «что вычислить», внешний — за «как вычислить лучше». Оба уровня разделяют один и тот же сигнал приспособленности — производительность на задаче, что и является причиной возможности замкнутого цикла.
【Покрытие ключевых слов】
Двухуровневая оптимизация, внутренний уровень, внешний уровень, приспособленность, передача конфигурации, возврат производительности, параллелизм GPU, стоимость оценки, конфигурация дифференциальной эволюции (стратегия мутации, вероятность скрещивания CR, масштабирующий фактор F, размер популяции NP).
【Подсказки к упражнениям】
Объект внешней эволюции — конфигурация алгоритма; обязанность внутреннего уровня — принять конфигурацию, решить на реальной задаче и вернуть оценку производительности; порядок информационного замкнутого цикла — передача конфигурации → решение на внутреннем уровне → возврат производительности → обновление внешнего уровня; по сравнению с традиционным DE целевой сдвиг — от поиска оптимального решения единичной задачи к поиску алгоритмов и конфигураций, лучше порождающих решения; основные вычислительные затраты происходят от того, что оценка внешнего индивида требует полного запуска внутреннего уровня; параллелизм GPU запускает множество внутренних задач одновременно, делая метаоптимизацию инженерно осуществимой.
При правильном ответе подтвердите, что студент может связать концепции страницы и обосновать; при неправильном — подскажите вернуться к объяснению на странице, найти ключевое доказательство или пример и только затем делать вывод.
Конфигурация MetaDE для решателя логистических маршрутов. Внутренний уровень выполняет полный запуск DE на реальной задаче доставки, получает решение маршрута и среднюю стоимость перевозки, возвращаемые как сравнимая оценка производительности. Внешний уровень кодирует конфигурацию DE (например, [стратегия мутации DE/best/1, CR = 0.7, F = 0.5, NP = 60]) как индивида, использует среднюю стоимость перевозки как приспособленность, выполняет отбор, рекомбинацию и мутацию, генерируя популяцию конфигураций следующего поколения. При ограниченном бюджете GPU можно использовать иерархическую оценку (сначала грубый отбор на небольшом наборе репрезентативных задач, затем переоценка только лучших конфигураций на полном наборе задач) и пакетное параллельное планирование (упаковка всех внутренних запусков, соответствующих всем индивидам одного поколения, в пакет для отправки на GPU) для снижения стоимости оценки или повышения эффективности поиска;
также можно уменьшить размер внешней популяции или использовать суррогатную модель для аппроксимации производительности, но необходимо взвесить разнообразие поиска и ошибку оценки. Обоснования вращаются вокруг «приспособленность внешнего уровня зависит от полного запуска внутреннего уровня» и «параллелизм позволяет распределить время ожидания одного индивида».
【Типичные заблуждения】
Не принимайте решение, полученное внутренним уровнем, за окончательный результат MetaDE. Настоящий продукт — переносимая конфигурация алгоритма: при переходе на новый экземпляр того же класса конфигурация остаётся работоспособной, тогда как отдельное решение часто уже устарело.
【Проверка понимания】
Одна внешняя оценка примерно равна скольким полным запускам внутреннего уровня? Если ответа нет, значит, вы ещё не уловили структуру затрат MetaDE и то, почему необходим параллелизм. Также можно попросить студентов своими словами резюмировать обязанности внутреннего и внешнего уровней и порядок замкнутого цикла.
【Переход】
Убедившись, что студент может сформулировать «внутренний уровень отвечает на вопрос "что вычислить", внешний — на вопрос "как вычислить лучше", оба уровня разделяют сигнал приспособленности — производительность на задаче», переходите к следующей странице с примерами, применением или итогами.
### Рабочий процесс AI Native и удобная точка входа
*Страница 7*
> **Цель страницы:** Испытать рабочий процесс в стиле AI Native, не требующий заучивания команд установки или сложных интерфейсов.
> **Цель страницы**
>
> Понять рабочий процесс AI Native и удобную точку входа, перенеся отправную точку использования EvoX с запоминания команд установки и сложных интерфейсов на выражение экспериментальных намерений на естественном языке. После обучения учащийся должен уметь объяснить смысл «диалог как точка входа» и различать, какие этапы отвечает ИИ-инструмент, а какие — исследователь.
> **Порядок изложения**
>
> Сначала сравнить традиционный способ и способ AI Native; затем объяснить полный процесс по схеме «намерение на естественном языке → понимание и выполнение ИИ → результат эксперимента EvoX»; в заключение на кейсе обхода препятствий складским роботом продемонстрировать, как описать эксперимент ИИ с помощью триады «цель — ограничения — приёмка».
**Ключевые тезисы**
- Описать задачу, ограничения и цели приёмки на естественном языке, ИИ отвечает за понимание кода и выполнение. Не нужно заранее владеть командами установки, настройкой зависимостей и сложными вызовами интерфейсов. Установка фреймворка, настройка запуска, выбор или генерация алгоритма — всё это может быть выполнено с помощью ИИ. Диалог становится удобной точкой входа, соединяющей намерения исследователя с результатами экспериментов EvoX. Исследователь сосредоточивается на вкусе к задачам, многоцелевых компромиссах, приёмке решений и критическом суждении. В традиционном подходе для запуска эксперимента EvoX необходимо сначала запомнить команды, зависимости и интерфейсы
- Рабочий процесс AI Native поднимает точку входа на уровень «выражения намерения». Вы описываете, на какой задаче, при каких ограничениях и по какому критерию приёмки — инструменты вроде Codex переводят намерение в исполняемый код и операции со средой и возвращают состояние выполнения. Так отправной точкой эксперимента становится не запоминание команд, а чёткое определение задачи. Обход препятствий складским роботом. Можно на естественном языке попросить ИИ вызвать EvoX NSGA-II, выполнить многоцелевую оптимизацию на GPU и вывести визуализированный маршрут. Здесь следует различать три типа информации: намерение — «для обхода препятствий складским роботом использовать EvoX NSGA-II для многоцелевой оптимизации на GPU»
- Цели — минимальная длина пути, максимальная безопасная дистанция, минимальное энергопотребление
- Ограничение — вернуть результат за 5 минут
- Цели приёмки — вывести фронт Парето и визуализированный маршрут, сохранить воспроизводимые результаты выполнения. ИИ-инструмент отвечает за понимание кода, настройку среды и зависимостей, выбор или генерацию алгоритма, выполнение на GPU и возврат состояния
- Обязанности человека смещаются к определению задачи, установке критериев оценки, многоцелевым компромиссам, приёмке решений и критическому суждению.
**Работа с упражнениями**
Если спросят «какая ключевая концепция», следует уловить «испытать рабочий процесс в стиле AI Native, не требующий заучивания команд установки или сложных интерфейсов». Если требуется определить, какое утверждение наиболее разумно, следует выбрать вариант, который связывает концепции страницы и приводит доказательства или примеры; выбор только по ощущению, одновременное изменение всех факторов, пропуск материалов и прямое заучивание ответов не соответствуют требованиям. Относительно «быстрого выполнения настройки среды и проектирования алгоритма» также нужно уметь объяснить с доказательствами или примерами, а не просто запомнить вывод.
**Проверка понимания**
Попросите студентов своими словами объяснить связь «намерение на естественном языке → понимание и выполнение ИИ → результат эксперимента EvoX» и объяснить, почему исследователь всё равно должен проверять, соблюдены ли ограничения, разумен ли фронт Парето, безопасен ли и осуществим ли маршрут. Убедившись, что студент различает исполнительские обязанности ИИ и оценочные обязанности человека, переходите к последующему практическому содержанию.
### Практика задачи поиска пути складским роботом
*Страница 8*
> **Цель страницы:** Понять, как с помощью ИИ быстро вызвать EvoX для решения конкретной задачи обхода препятствий.
> **Порядок изложения**
>
> Стеллажи, проходы, препятствия, начальная и конечная точки определены; необходимо найти бесконфликтный и по возможности короткий путь.
>
> 2. Указать, что длина пути и безопасность обхода препятствий обычно не согласуются, поэтому это типичная задача многоцелевой оптимизации, а не одноцелевой поиск кратчайшего пути.
>
> 3. Объяснить, что ИИ выступает как «переводчик задач», преобразуя описание задачи на естественном языке в исполняемый вызов EvoX, сокращая ручное кодирование и настройку параметров.
>
> 4. EvoX NSGA-II параллельно выполняет оценку популяции и поиск на GPU, сохраняя множество компромиссных решений, формируя семейство маршрутов от «коротких, но рискованных» до «длинных, но безопасных».
>
> Визуализация кандидатных маршрутов и кривых сходимости для наблюдения за осуществимостью и прогрессом поиска.
**Ключевые тезисы**
- Фиксированная планировка склада, среда препятствий, начальная и конечная точки робота. Ключевые точки пути, контрольные точки кривой, радиус поворота, профиль скорости и т.д. Минимизация длины пути
- Минимизация риска столкновения или максимизация бесконфликтной осуществимости. Маршрут должен оставаться в пределах прохода, не пересекать стеллажи или препятствия и удовлетворять кинематическим ограничениям робота. Автоматическое преобразование описания на естественном языке в исполняемый вызов EvoX, снижение стоимости настройки
- Не заменяет сам алгоритм оптимизации. Параллельная оценка множества кандидатных маршрутов, ускорение итераций NSGA-II
- Не изменяет факт наличия компромиссных решений в многоцелевой задаче. Визуализация маршрутов для наблюдения за осуществимостью пути, разнообразием и рекомендации бесконфликтного маршрута
- Кривая сходимости для определения выхода на плато. Сначала определить цели и ограничения, потом настраивать параметры
- Осуществимость важнее длины пути
- По тенденции сходимости определять, продолжать итерации или остановиться.
**Работа с упражнениями**
Входные элементы задачи -> фиксированная планировка склада, среда препятствий, начальная и конечная точки. Обратная связь: входные данные задачи определяют среду, ограничения и начально-конечные условия.
Две цели, обрабатываемые NSGA-II -> длина пути и безопасность обхода препятствий. Обратная связь: более короткий путь может проходить ближе к препятствиям, требования безопасности могут удлинить путь.
Основная ценность ИИ -> автоматическое преобразование описания задачи в исполняемый вызов EvoX. Обратная связь: ИИ — это слой перевода задач и генерации вызовов, снижающий стоимость настройки.
Преимущество GPU -> параллельная оценка множества кандидатных маршрутов, ускорение итераций NSGA-II. Обратная связь: GPU ускоряет оценку и поиск, не изменяя сути многоцелевого компромисса.
Визуализация маршрутов и кривая сходимости -> соответственно наблюдение за осуществимостью маршрута, разнообразием и рекомендацией бесконфликтного маршрута; сходимость процесса оптимизации. Обратная связь: карта маршрутов показывает качество пространственного решения, тенденция сходимости — прогресс поиска во временном измерении.
Определить переменные решения, две цели оптимизации, ограничения; объяснить разделение труда между ИИ, EvoX NSGA-II и GPU, а также объяснить, как тенденция сходимости помогает принятию решений. Ключевые пункты ответа: ИИ разбирает описание задачи в вызов EvoX; NSGA-II параллельно оценивает на GPU, недоминируемая сортировка и скученность сохраняют компромиссные решения; вывод визуализированных маршрутов и кривых сходимости; если кривая выходит на плато, выгода ограничена, если продолжает снижаться — можно увеличить число итераций или размер популяции.
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать ключевые моменты страницы; преподаватель дополняет пропущенные ключевые слова.
> **Переход**
>
> Убедившись, что студент может сформулировать ключевые связи этой страницы, переходите к следующей странице с примерами, применением или итогами.
### Анализ результатов экспериментов и визуализация
*Страница 9*
> **Цель страницы:** Научиться интерпретировать тенденции сходимости и полные данные результатов в процессе оптимизации.
> **Цель страницы**
>
> Научиться интерпретировать тенденции сходимости и полные данные результатов в процессе оптимизации, понять, что «тенденция процесса + окончательный результат» должны взаимно подтверждаться, и нельзя делать выводы только по единственному лучшему результату.
> **Порядок изложения**
>
> 1. Сначала прочитать кривую сходимости, оценить, продвигается ли процесс поиска.
>
> 2. Затем посмотреть окончательный маршрут и таблицу показателей при фиксированной планировке склада, оценить пригодность решения.
>
> 3. Использовать полные данные эксперимента для обоснования воспроизводимых выводов.
>
> 4. Через упражнения и кейсы разобрать типичные ошибки интерпретации.
**Ключевые тезисы**
- Два типа доказательств необходимы. Кривая отвечает на вопрос «движется ли поиск», маршрут и показатели — «пригоден ли результат». Только тенденция сходимости показывает продвижение поиска, визуализация маршрута и таблица показателей — пригодность решения; вывод можно делать только при одновременном выполнении обоих условий. Без любой из половин это лишь догадка. Непрерывное улучшение: стабильное снижение в начале и середине или стабильный рост综合ного показателя
- Колебания: волнообразные изменения без долгосрочной тенденции, возможные причины — шум оценки, конфликт ограничений или чрезмерное разнообразие
- Стагнация: участок почти горизонтален, но в дальнейшем возможно улучшение
- Преждевременная сходимость: очень рано полностью выравнивается и больше не восстанавливается, чаще всего из-за потери разнообразия популяции или преждевременного сжатия пространства решений. Когда на кривой в поздней части появляется «поздняя стагнация/преждевременная сходимость?», необходимо различать по журналам, нельзя сразу писать «сошлось». Сравнение маршрутов при фиксированной планировке склада: нужно наложить оптимальный маршрут и сравнительный маршрут на одну и ту же карту фиксированного склада, проверить, действительно ли путь достижим, разумен ли обход препятствий, стабилен ли последний участок вблизи конечной точки. Фиксированная планировка — ключевое ограничение, позволяющее отнести различия маршрутов между разными запусками или параметрами к самой оптимизации, а не к изменению карты. Таблица показателей даёт наглядное сравнение: длина пути 128.4 против 156.9, общее число поворотов 6 против 9,综合ная стоимость 1.00 против 1.21, что отражает преимущество оптимального маршрута по ряду показателей. Конфигурация запуска и случайное зерно, журнал итераций, значения каждой цели по поколениям, окончательный маршрут и результаты оценки. Если кривая в поздней части больше не улучшается заметно, следует по полному журналу определить, это преждевременная сходимость, насыщение оценки или близость к пригодному решению
- При необходимости — перезапуск или перекрёстная проверка. Плавное раннее выравнивание кривой не автоматически означает нахождение оптимального решения и не автоматически означает отказ алгоритма
- Красивый маршрут также не означает стабильность поиска. Единственный лучший результат может быть как реальным улучшением, так и случайной флуктуацией или продуктом насыщения оценки; тенденция процесса и окончательный результат должны взаимно подтверждаться.
**Покрытие ключевых слов**
- Тенденция сходимости, верификация маршрута, фиксированная планировка склада, воспроизводимость, преждевременная сходимость, насыщение оценки, метрика гиперобъёма, длина пути, общее число поворотов,综合ная стоимость.
> **Подсказки к упражнениям**
>
> - Пять тестовых вопросов посвящены ключевым суждениям этой страницы. Вопрос 1 о связи кривой сходимости и визуализации окончательного маршрута; правильное направление — «кривая отражает продвижение процесса поиска, маршрут и таблица показателей — пригодность окончательного решения, их нужно оценивать совместно». Вопрос 2 о том, как поступить, когда значения целей после 200-го поколения долго не меняются; правильное направление — «по полному журналу определить, это преждевременная сходимость, насыщение оценки или близость к пригодному решению, при необходимости скорректировать стратегию и перезапустить». Вопрос 3 о том, что следует сохранять и проверять для воспроизводимых выводов; правильное направление — «конфигурацию запуска, случайное зерно, журнал итераций, значения каждой цели, окончательный маршрут и результаты оценки». Вопрос 4 о цели фиксированной планировки склада; правильное направление — «позволить отнести различия маршрутов между разными запусками или алгоритмами к самой оптимизации, а не к изменению среды». Вопрос 5 о строгой интерпретации «очень плавной и рано остановившейся» кривой; правильное направление — «проверить наличие насыщения оценки или преждевременной потери разнообразия популяции и подтвердить перезапуском и перекрёстной проверкой показателей». Обратная связь: при правильном ответе указать, что суждение связывает концепции страницы и даёт обоснование
> - При неправильном — вернуться к объяснению на странице, найти ключевое доказательство или пример и только затем делать вывод. В кейсе «воспроизведение многоцелевого поиска пути при фиксированной планировке склада», если после 180-го поколения кривая выходит на плато и получен неплохой кандидатный маршрут, необходимо собрать и проверить конфигурацию запуска и случайное зерно, журнал итераций, значения каждой цели по поколениям, окончательный маршрут и результаты оценки при фиксированной планировке, таблицу ключевых показателей, а также рекомендуется перезапуск или перекрёстная проверка. Нельзя ограничиваться единственным лучшим результатом, поскольку единичный оптимум может быть следствием случайной флуктуации или насыщения оценки, не позволяет судить о реальном продвижении поиска и не может быть воспроизведён другими. Если после перезапуска форма кривой похожа, но окончательный маршрут отличается, следует сравнивать распределение показателей, а не единичные значения, проверить согласованность зерна и конфигурации, проверить преждевременную сходимость или насыщение оценки, при необходимости увеличить число итераций, скорректировать стратегию поддержания разнообразия или исправить функцию оценки и представить в отчёте типичные маршруты и статистическую сводку.
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать связь «кривая показывает тенденцию, маршрут показывает реализацию» и «тенденция процесса и окончательный результат одинаково необходимы»; преподаватель дополняет пропущенные ключевые слова. Можно попросить студента привести близкий к опыту пример, показывающий, почему суждение только по кривой или только по маршруту может быть ошибочным.
> **Переход**
>
> Убедившись, что студент может сформулировать необходимость совместной оценки кривой сходимости и визуализации маршрута, переходите к следующей странице с примерами, применением или итогами.
### Чем проще инструменты, тем яснее ответственность человека
*Страница 10*
> **Цель страницы:** Осознать смену роли и ответственности исследователя после распространения автоматизированных инструментов.
> **Цель страницы**
>
> Понять, что после распространения автоматизированных инструментов ответственность исследователя не становится легче, а смещается от «реализации» к «определению и арбитражу». На этой странице студенты должны запомнить фразу: чем проще инструменты, тем яснее ответственность человека.
**Ключевые тезисы**
- ИИ и EvoX сильно снижают стоимость выполнения цепочки «идея→код→эксперимент»: быстро генерировать кандидатные реализации, массово настраивать параметры, строить графики становится легко. Но снижение стоимости выполнения не означает исчезновения стоимости суждения. Модель не может ответить за исследователя на три предварительных вопроса: стоит ли изучать эту проблему? Точны ли цели? Справедливо ли сравнение? Успешный запуск, пройденная компиляция, пройденные тесты, улучшенные показатели — всё это лишь сигналы-кандидаты, а не подтверждение научного вывода. Слева — уровень выполнения ИИ/инструментов, отвечающий за генерацию кандидатного кода, массовые эксперименты и настройку параметров, автоматическое построение графиков и визуализацию, а также быстрое отсеивание малоценных реализаций
- Справа — уровень ответственности человека, отвечающий за постановку ключевых вопросов, определение целей и критериев оценки, обеспечение справедливого сравнения, проверку обоснованности выводов, а также ценностные суждения и вкус. В центре — шлюз «непередаваемого суждения»: критерии приёмки не подлежат компромиссу, кандидатные изменения должны пройти человеческий арбитраж. Шлюз приёмки Genesis — это именно инженерное воплощение такой границы: кандидатное изменение должно пройти компиляцию, тестирование, проверку поведения и приёмку верхнего уровня, чтобы войти в историю проекта. В многоцелевых экспериментах EvoX агент может быстро генерировать кандидатные решения, настраивать параметры и строить графики, но исследователь всё равно должен проверить: отражает ли целевая функция реальные потребности? Не скрыто ли разнообразие кандидатов за показателями? Не демонстрируются ли выборочно режимы отказа? Здесь ценность инструментов в том, чтобы малоценные реализации быстрее отсеивались, а высокоценные суждения раньше становились узким местом. Подсказка Тьюринга также об этом: впереди много дел, Code is cheap. Taste matters. Ключевая способность — ставить ключевые вопросы и воспроизводимым образом контролировать выводы
- Вкус исследователя определяет, в какую научную ценность в конечном итоге превратится техническое удобство.
**Покрытие ключевых слов**
- Стоимость выполнения, стоимость суждения, непередаваемое суждение, научная валидность, шлюз приёмки, сигнал-кандидат, справедливое сравнение, ценностное суждение и вкус. Источники: страница построена вокруг тем «смещение ответственности: от реализации к определению и арбитражу» и «валидность результата важнее успешного запуска». Материалы-подсказки: можно использовать сравнительную схему слева-справа, выделяющую разделение труда между уровнем выполнения ИИ/инструментов и уровнем ответственности человека, с акцентом на «непередаваемое суждение» в центре.
**Работа с упражнениями**
Вопрос 1: следует выбрать «пройти компиляцию, тестирование, проверку поведения и приёмку верхнего уровня»; ключевой тезис обратной связи: каким бы быстрым и красивым ни был график, это лишь сигнал-кандидат, ключ — шлюз приёмки. Вопрос 2: следует выбрать «выбор проблемы, определение целей и критериев оценки по-прежнему лежат на человеке»; ключевой тезис: инструменты ускоряют выполнение, но не отменяют суждение. Вопрос 3: следует выбрать «стоит ли изучать проблему, точны ли цели, справедливо ли сравнение»; ключевой тезис: эти три — предварительные условия научной валидности. Вопрос 4: следует в первую очередь проверить «отражает ли целевая функция реальные потребности, не скрыто ли разнообразие кандидатов за показателями, не демонстрируются ли выборочно режимы отказа»; ключевой тезис: улучшение показателей не равно обоснованности вывода.
Вопрос 5: следует выбрать «после снижения стоимости реализации вкус и суждение исследователя определяют, в какую научную ценность превратится техническое удобство»; ключевой тезис: Code is cheap означает снижение стоимости реализации, Taste matters означает, что суждение и вкус важнее.
В многоагентном проекте Genesis агенты могут предлагать кандидатные патчи, запускать тесты и суммировать показатели, но утверждение вхождения в историю проекта, установка критериев приёмки и интерпретация выводов должны оставаться за человеком. Непередаваемые суждения включают: является ли повышение стабильности реальной потребностью, как определяется стабильность, представляет ли базовый уровень реальные сценарии, а также одинаково ли рассматриваются базовые линии, переменные и режимы отказа. Если единственным критерием приёмки является «улучшение показателей на базовом уровне», риски могут исходить от смещения целевой функции, переобучения на базовом уровне, выборочной демонстрации успешных случаев, скрытия режимов отказа или несправедливого сравнения.
Направление улучшения — включить в шлюз приёмки воспроизведение базовых линий, контроль переменных, абляционные эксперименты, отчёт о режимах отказа, многоцелевые компромиссы и проверку границ экстраполяции, а также требовать от человека подтверждения того, отражает ли целевая функция реальные потребности и справедливо ли сравнение.
Сначала спросите, стоит ли, потом — как реализовать; относитесь к критериям приёмки как к своей ответственности; вкус определяет, куда направлено техническое удобство. Проверка понимания: попросите студентов одной фразой сказать, какое самое важное непередаваемое суждение на этой странице, и объяснить, как его проверить. Переход: убедившись, что студент различает «сигнал-кандидат» и «научный вывод», может сформулировать границу между уровнем выполнения и уровнем ответственности, переходите к следующей странице с применением или итогами.
### Ядро научной работы: способность ставить ключевые вопросы
*Страница 11*
> **Цель страницы:** Освоить ключевую способность задавать вопросы, которая в эпоху автоматизированного программирования важнее написания кода.
> **Цель страницы**
>
> Эта страница должна помочь студентам понять, что в научных исследованиях AI Native автоматизированное программирование и большие модели уже сильно снизили стоимость «реализации ответа», поэтому центр тяжести научной работы смещается от «могу ли я это сделать» к «стоит ли это делать и куда двигаться». Ключевая способность исследователя — ставить ключевые вопросы и удерживать направление, критерии компромиссов и научную значимость.
**Ключевые тезисы**
- 1. Изменение структуры затрат — логическая отправная точка этой страницы. Генерацию кода, поиск решений, выполнение экспериментов можно передать ИИ
- Когда ответ становится дешёвым, дефицитом становится «правильно поставленный вопрос». ИИ отвечает за расширение пространства ответов и путей выполнения, человек — за определение задачи и контроль направления, ответственность смещается вверх. 2. С помощью интеллект-карты страницы разложить способность ставить ключевые вопросы на шесть типов элементов и объяснить каждый: цели и конфликты — какую величину действительно нужно улучшить, как выбирать между многоцелевыми компромиссами, что приоритетно
- Ограничения и границы — какие условия не подлежат обмену, насколько велико пространство решений
- Оценка и верификация — наблюдаемы ли показатели, каков протокол верификации и бюджет оценки
- Кандидаты/пространство решений — какое разнообразие и робастность необходимы
- Критерии失败 — какие результаты следует считать неудачей
- Разделение труда человек-ИИ и вкус — ИИ расширяет ответы, человек контролирует направление. Можно подсказать студентам запомнить эти шесть типов как контрольный список для самопроверки. 3. Суть ключевого вопроса — не углубление в детали реализации, а преобразование размытой интуиции в проверяемую, эволюционирующую, разделяемую структуру исследования. Качество вопроса определяет качество пространства решений: чем яснее определение задачи, тем вероятнее поиск и эволюция попадут в значимую область, тем более интерпретируемыми и переиспользуемыми будут результаты
- Чем размытее определение, тем больше модель случайно блуждает в слишком большом пространстве, и результаты часто кажутся осуществимыми, но не могут быть закреплены. 4. Разделение труда человек-ИИ и ключевой вкус исследователя. ИИ расширяет пространство ответов и путей выполнения, человек контролирует направление, критерии компромиссов и научную значимость. На примере практики общесистемной непрерывной эволюции типа Genesis: кандидатное изменение должно пройти компиляцию, тестирование и приёмку верхнего уровня, чтобы войти в принятую версию проекта и стать исторической основой для последующей работы
- Если на этапе постановки вопроса не определить чётко протокол оценки и критерии失败, шлюз приёмки не сможет ничего оценить, и продукты ИИ останутся одноразовыми кодовыми артефактами, не способными накапливаться через контексты и циклы задач. Ключевой вкус — это три суждения: что стоит спрашивать, какие доказательства приемлемы, какое решение хотя и осуществимо, но не стоит делать. Перепишите это в вопросы: «в чём реальный конфликт? как количественно выразить цели и ограничения? каков бюджет оценки и стандарты верификации? какое разнообразие и робастность необходимы? какой результат следует считать неудачей?» Тогда ИИ сможет эффективно реализовать ответ, а человек — обоснованно принять результат. Пять тестовых вопросов соответствуют пяти суждениям страницы — почему центр научной работы смещается вверх, суть ключевого вопроса, какие элементы должен уточнять один ключевой вопрос, связь качества вопроса и пространства решений, тройное суждение ключевого вкуса. При обработке не обязательно зачитывать по очереди; можно сначала дать студентам ответить, затем скорректировать с помощью反馈 «снижается стоимость реализации, а не стоимость суждения», «размытость не равна свободе». Кейс-задача требует переписать «сделать оптимизацию с помощью EvoX» в карточку задачи, охватывающую цели и конфликты, ограничения и границы, оценку и верификацию, критерии失败, и объяснить, как качество постановки вопроса определяет, сможет ли эксперимент закрепиться как устойчиво эволюционирующий результат проекта. Ориентиры: Genesis рассматривает提交ный код как кандидатное изменение, только прошедшее компиляцию, тестирование и приёмку верхнего уровня попадает в принятую версию
- Без наблюдаемых показателей, протокола верификации и критериев失败 у приёмки нет оснований
- ИИ отвечает за генерацию кандидатов, поиск и запуск тестов, человек — за определение целей, жёстких ограничений, бюджета оценки и критериев失败 и принятие решения о приёмке. Случайным образом попросите одного студента своими словами воспроизвести шесть пунктов самопроверки и привести размытую потребность из собственного исследования, попытавшись переписать её на месте. Убедившись, что студент может сформулировать две связи — «успешный запуск не равен тому, что стоит вкладываться» и «качество вопроса определяет качество пространства решений» — переходите к следующей странице.
### Разделение труда человек-ИИ: ИИ реализует ответы, человек контролирует направление
*Страница 12*
> **Цель страницы:** Разобраться в разделении труда и взаимодействии ИИ и исследователя в процессе научного поиска.
**Ключевые тезисы**
- Перед каждым экспериментом задайте себе три вопроса: кто выбрал эту проблему? кто определил критерии оценки? кто принимает выводы? Если ответы на все три вопроса указывают на «меня», разделение труда здоровое; если все указывают на модель, контроль направления утрачен.
- Как только критерии оценки могут быть переписаны автоматизированным процессом, оптимизация незаметно сместится к «показателю, который легче всего улучшить». Сделать целевую функцию и ограничения доступными только для чтения — первый шлюз против дрейфа.
- ИИ расширяет пропускную способность, человек охраняет смысл — поставляются не больше чисел, а обоснованные выводы.
### Цель страницы
Разобраться в разделении труда и взаимодействии ИИ и исследователя, чётко определить границу между исполнительным уровнем ИИ и уровнем контроля человека, понять, почему «ИИ расширяет пропускную способность исследования, человек охраняет научный смысл».
### Порядок изложения
Реализацию и исследование — ИИ, направление и суждение — исследователю.
Замкнутый цикл взаимодействия человек-ИИ. Исполнительный уровень ИИ включает реализацию ответов, массовый запуск экспериментов, поиск кандидатных решений, обратную связь по результатам; уровень контроля человека включает определение задачи, выбор направления, оценку доказательств, приёмку научной значимости. Обе стороны связаны через «результаты вверх, стандарты вниз»: ИИ передаёт исследователю кандидатные ответы и экспериментальную обратную связь, исследователь возвращает ИИ цели, ограничения и критерии приёмки.
Быстрая реализация ответов, массовый запуск экспериментов, поиск кандидатных решений и обратная связь. Как только задача и критерии оценки определены, ИИ может за очень короткое время выдать работающее, проверяемое решение, превратив проб и ошибки из дефицитного ресурса в обычную операцию.
Постановка ключевых вопросов, установка целей, ограничений и критериев оценки, оценка достоверности доказательств, приёмка научной значимости. Необходимо различать «работающий результат» и «надёжный результат», выявлять переобучение, утечку данных и фальсификацию показателей.
Отсутствие любой из сторон ведёт к провалу. Только ИИ — получим массу бессмысленных результатов; только человек — пропускная способность исследования ограничена. На примере многоцелевого эволюционного исследования: ИИ может автоматически генерировать и запускать множество кандидатных решений, исследователь решает, отражают ли цели оптимизации, ограничения и метрики оценки реальную проблему, и отбирает научно достоверные, заслуживающие дальнейшего исследования направления.
Передача критериев оценки ИИ на автоматическое определение. Тогда система будет очень эффективно оптимизировать цель, не отражающую реальную научную проблему, производя массу «выглядящих разумно», но бессмысленных результатов. Любое решение, меняющее «что считается хорошим», должно оставаться на стороне человека.
Кто выбрал эту проблему? Кто определил критерии оценки? Кто принимает выводы? Если ответы на все три вопроса указывают на «меня», разделение труда здоровое; если все указывают на модель, контроль направления утрачен.
ИИ расширяет пропускную способность, человек охраняет смысл — поставляются не больше чисел, а обоснованные выводы.
### Ключевые тезисы
Реализация ответов, массовый запуск экспериментов, поиск кандидатных решений, обратная связь по результатам; суть — свести стоимость реализации почти к нулю.
Определение задачи, выбор направления, оценка доказательств, приёмка научной значимости; суть — оставить стоимость суждения в своих руках.
ИИ расширяет пропускную способность исследования, человек контролирует направление и критерии приёмки.
Как только критерии оценки могут быть переписаны автоматизированным процессом, оптимизация незаметно сместится к «показателю, который легче всего улучшить». Сделать целевую функцию и ограничения доступными только для чтения — первый шлюз против дрейфа.
Ценность не в том, чтобы выдать больше числовых результатов, а в том, чтобы результат был научно значимым; тогда количество имеет ценность.
### Покрытие ключевых слов
Исполнительный уровень ИИ, уровень контроля человека, замкнутый цикл взаимодействия человек-ИИ, пропускная способность исследования, дрейф критериев оценки, целевая функция только для чтения, приёмка научной значимости, три вопроса самопроверки.
### Работа с упражнениями
Правильный ответ — «быстрая реализация ответов, массовый запуск экспериментов и поиск кандидатных решений». ИИ берёт на себя реализацию и исследование; определение ценности проблемы, оценка достоверности доказательств, приёмка научной значимости относятся к уровню контроля человека.
Правильный ответ — «потому что количество имеет ценность только тогда, когда результат действительно научно значим». Количество исходит от пропускной способности исследования ИИ, ценность — от суждения человека о научной значимости.
Правильный ответ — «отражают ли цели оптимизации, ограничения и метрики оценки реальную проблему». Генерация кандидатов и массовый запуск относятся к исполнительному уровню ИИ; исследователь должен удерживать уровень «что считается хорошим».
Правильный ответ — «позволить исследователю сосредоточить внимание на выборе направления и критериях приёмки». ИИ расширяет широту, человек задаёт направление; они дополняют, а не заменяют друг друга.
Правильный ответ — «система будет эффективно оптимизировать цель, не отражающую реальную научную проблему, производя массу кажущихся разумными, но бессмысленных результатов». Передать критерии оценки системе — значит позволить оцениваемому самому составлять экзамен; любое решение, меняющее критерии оценки, должно сохранять человеческую проверку.
### Работа с кейсами
1. Исполнительный уровень ИИ включает генерацию кандидатных рецептур, массовый запуск симуляций, сбор показателей производительности и обновление популяции — это реализация и исследование. Уровень контроля человека включает выбор исследуемой системы материалов, цели производительности и технологические ограничения, отражают ли показатели реальный физический смысл, стоит ли продолжать инвестировать в окончательных кандидатов — это направление и суждение. Основание разделения: любое решение, меняющее «что считается хорошим», должно оставаться на стороне человека; любая работа по выполнению уже установленных стандартов в большем масштабе может быть передана ИИ.
2. Если позволить ИИ через метаоптимизацию автоматически настраивать веса показателей производительности, основной риск — дрейф критериев оценки: когда оптимизируемая система одновременно получает власть оценивать себя, она смещается к «показателю, который легче всего улучшить», и производимые высокобалльные рецептуры могут быть физически неосуществимы или не иметь практической ценности, при этом внешне часто выглядят вполне разумно и трудно распознаются с первого взгляда. Защитные меры включают: объявить целевую функцию и ограничения контролируемыми и доступными только для чтения; метаоптимизации разрешить регулировать лишь небольшое число гиперпараметров в заданных человеком границах с верхними и нижними пределами; установить шлюз приёмки, независимый от цели оптимизации, например реальный синтез и эксперименты характеризации; любое изменение весов должно явно проверяться исследователем с записью, обеспечивая прослеживаемость решений о направлении.
### Аудиторная активность
Попросите студентов на примере, близком к их учебному или исследовательскому опыту, воспроизвести разделение труда «ИИ реализует ответы, человек контролирует направление» и объяснить связь этого примера с тремя вопросами самопроверки.
### Проверка понимания
Исполнительный уровень ИИ, уровень контроля человека, замкнутый цикл взаимодействия человек-ИИ, дрейф показателей, три вопроса самопроверки. По ответам дополнить пропущенные ключевые слова.
### Переход
Убедившись, что студент может сформулировать ключевую связь «ИИ расширяет пропускную способность исследования, человек контролирует направление и критерии приёмки», переходите к следующей странице с примерами, применением или итогами.
### Основной принцип: Code is cheap. Taste matters
*Страница 13*
> **Цель страницы:** Прочувствовать идею Тьюринга и конечную цель EvoX по созданию открытой инфраструктуры.
> **Цель страницы**
>
> Понять основной принцип «Code is cheap. Taste matters», прочувствовать идею Тьюринга и конечную цель EvoX по созданию открытой инфраструктуры.
**Ключевые тезисы**
- 1. Code is cheap — объективное описание инженерной реальности. Когда предельная стоимость генерации и реализации кода снижена большими моделями и тензоризованной основой почти до нуля, код перестаёт быть барьером и единицей измерения научного вклада. «Успешный запуск» из результата превращается в предпосылку, из демонстрируемого достижения — в пропуск для продолжения работы. 2. Taste matters — переопределение обязанностей человека после разделения труда человек-ИИ. Когда «ИИ реализует ответы, человек контролирует направление» становится разделением по умолчанию, на стороне человека действительно дефицитными становятся способность ставить ключевые вопросы, устанавливать критерии оценки, выбирать направление в многоцелевых конфликтах. Выбор проблемы — какая проблема важнее, чем метод её решения, определяет потолок; при неверном направлении чем быстрее реализация, тем больше потерь
- Проектирование целевой функции и критериев оценки — если показатели выбраны неверно, модель лишь эффективно сойдётся в неверном направлении
- Критерии многоцелевых компромиссов — предпочтения между производительностью, воспроизводимостью, поддерживаемостью и стоимостью внедрения должны быть явно заявлены, а не решаться на месте. 4. Вкус должен быть проверяем. Вкус — не эстетическое утверждение и не может определяться стажем или голосованием. Он должен опровергаться через «вход в реальную среду — принятие реальной обратной связи»: записать суждение как проверяемую гипотезу и корректировать её через неудачи и успехи в реальных сценариях. Иначе обсуждение сведётся к спору о предпочтениях. 5. Смысл инфраструктуры — дать вкусу точку опоры. Конечная цель EvoX — построить открытую инфраструктуру, способную входить в реальную среду и принимать реальную обратную связь. Открытая, развязанная, компонуемая основа снижает стоимость внедрения до достаточно низкого уровня, позволяя хорошим идеям с низкими затратами входить в реальные сценарии, отбираться, закрепляться, наследоваться — и суждение получает носитель, который можно многократно оттачивать. Code cheap не означает, что инженерию можно опустить. Шлюз приёмки, воспроизводимость, поддерживаемость и цикл обратной связи по-прежнему составляют реальный порог. Вкус как раз проявляется в суждениях о компромиссах на этих порогах: какая обратная связь заслуживает доверия, какие показатели необходимо отстаивать, какие неудачные попытки следует отклонить, а не объединить. Ценность механизма в стиле Genesis также здесь — кандидатное изменение становится наследуемой исторической основой для последующих исполнителей только после прохождения компиляции, тестирования, проверки поведения и приёмки верхнего уровня. Мы видим лишь очень близкое расстояние впереди, но видим, что там многое предстоит сделать. Вместо споров о конкретной форме финала интеллекта лучше сначала построить открытую инфраструктуру, способную непрерывно входить в реальные сценарии и принимать реальную обратную связь, чтобы каждый раунд исследования был проверяем и наследуем. Страница использует график тенденций, показывающий непрерывное снижение стоимости реализации и непрерывный рост ценности суждения; их пересечение образует переломную точку, означающую, что суждение становится ключевой переменной. Под графиком перечислены ключевые слова видения EvoX: открытость, компонуемость, реальная обратная связь, непрерывная эволюция.
**Работа с упражнениями**
К этой странице прилагается пять тестовых вопросов, проверяющих понимание инженерного смысла Code is cheap, направления смещения дефицита, опровержимости вкуса, четырёх инженерных порогов и цели инфраструктуры EvoX. После ответов сверьтесь с обратной связью, акцентируя различие между «показателями стороны реализации» и «способностями стороны суждения»: число строк кода, точность автодополнения, популярность фреймворка, частота коммитов не могут заменить суждение о «что должно быть принято». Кейс-задача требует от команды перечислить приоритетные направления вложений и спроектировать процесс приёмки кандидатных изменений, проверяющий вкус;
ориентиры включают выбор проблемы и определение целей, проектирование целевой функции и критериев оценки, шлюз приёмки и критерии многоцелевых компромиссов, интерпретацию и атрибуцию результатов, а также замкнутый цикл «кандидатное изменение — изолированное тестирование — оценка по баллам — приёмка верхнего уровня — наследование истории — обратная связь».
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать ключевые моменты страницы; преподаватель дополняет пропущенные ключевые слова, например «успешный запуск — лишь пропуск», «вкус должен быть опровержим», «четыре инженерных порога».
> **Переход**
>
> Эта страница продолжает разделение труда предыдущей страницы «ИИ реализует ответы, человек контролирует направление» и даёт основной принцип, поддерживающий это разделение; следующая страница перейдёт к практике диалогового управления ИИ для выполнения задач EvoX.
### Аудиторная активность: диалоговое управление ИИ для выполнения задач EvoX
*Страница 14*
> **Цель страницы:** Проверить базовый процесс оптимизационной задачи в среде AI Native через практическую работу.
**Аудиторная активность**
Диалоговое управление ИИ для выполнения задач EvoX
> **Цель страницы**
>
> Завершить минимальный замкнутый цикл «подсказка → генерация → запуск → приёмка» в реальной среде EvoX. Акцент не на получении читаемого кода, а на проверке рабочего процесса AI Native: человек задаёт направление, ИИ даёт реализацию, человек выполняет приёмку.
> **Порядок изложения**
>
> Сначала объяснить задачу активности, затем разобрать, как построить подсказку, после чего рассказать, как проверять результаты запуска, и наконец через добавление ограничений разобрать неудовлетворительные результаты и вернуться к разделению труда человек-ИИ.
**Ключевые тезисы**
- С помощью одного диалогового запроса заставить ИИ сгенерировать и запустить базовую оптимизационную задачу EvoX, а затем проверить вывод как инженер. Задача оптимизации и целевая функция (например, минимизация функции Растригина), пространство поиска и размерность (например, 10 измерений и диапазон значений), алгоритм или оператор (например, алгоритм DE, операторы скрещивания и мутации), размер популяции и число итераций (например, популяция 128, 200 поколений), вычислительная платформа (CPU или тензоризация на GPU), ожидаемый вывод (оптимальное значение, кривая сходимости, журнал выполнения). Слишком грубая подсказка вызовет конфигурацию по умолчанию, по которой трудно судить, соответствует ли она намерению
- Слишком детальная выродится в ручное кодирование. Подходящий подход — чётко определить ограничения и критерии приёмки, оставив детали реализации ИИ. Например, указать задачу, алгоритм, размер популяции и число итераций, но не прописывать, как именно вызывать конкретный интерфейс. Действительно ли выполнено, а не только дан код, можно проверить по журналу терминала и времени выполнения
- Является ли кривая сходимости монотонно улучшающейся и без аномальных колебаний
- Соответствует ли оптимальное значение известному порядку величины задачи, например, глобальный оптимум функции Растригина равен 0
- Воспроизводимы ли случайное зерно и конфигурация; при фиксированном зерне повторный запуск должен давать одинаковый или близкий результат. Когда результат не соответствует ожиданиям, в первую очередь добавляйте ограничения через диалог, например «зафиксировать seed=42, перезапустить и выдать среднее и дисперсию трёх повторов», наблюдая, сможет ли ИИ итеративно исправить, а не переписать. Человек отвечает за определение задачи, критерии показателей и суждение о результатах
- ИИ отвечает за выбор интерфейсов, организацию кода и отладку выполнения. Выполняется только проверка процесса базовой задачи, без раскрытия MetaDE, двухуровневой эволюции, многоцелевых компромиссов или многоагентного Genesis и других последующих тем. Пример справочной подсказки: «С помощью EvoX решить задачу минимизации функции Растригина (10 измерений), использовать алгоритм DE, популяция 128, 200 поколений, тензоризованный бэкенд GPU, фиксировать seed=42
- запустить напрямую и вернуть оптимальную приспособленность, график кривой сходимости и журнал выполнения.» Действительно ли выполнен запуск, разумна ли форма кривой сходимости, близко ли оптимальное значение к 0, согласованы ли результаты повторных запусков.
> **Подсказки к упражнениям**
>
> - Не нужно указывать конкретное число строк кода реализации алгоритма
> - Ключевое доказательство реального выполнения — журнал итераций терминала и кривая сходимости
> - При неудовлетворительном результате наиболее эффективно добавить ограничения, например зафиксировать случайное зерно и повторить запуск
> - Человек в основном отвечает за определение задачи, критерии показателей и суждение о результатах
> - Гранулярность подсказки должна чётко определять ограничения и критерии приёмки, оставляя детали реализации ИИ. Если студент ответил неверно, можно направить его к трём разделам: «элементы подсказки», «контрольный список проверки запуска», «разделение труда человек-ИИ». Функция Аккли 20 измерений, CMA-ES, популяция 64, 500 итераций, CPU, фиксированный seed=123; если кривая в начале сильно колеблется и оптимальное значение далеко от 0, возможные причины включают слишком большой параметр шага, недостаточное разнообразие популяции, несоответствие параметров алгоритма размерности задачи, флуктуации начального исследования из-за случайного зерна. Добавление ограничений может зафиксировать seed и повторить запуск трижды с вычислением среднего и дисперсии
> - потребовать вывод изменения оптимального значения по поколениям
> - скорректировать шаг или размер популяции и перезапустить. При приёмке помимо оптимального значения следует проверить, действительно ли выполнен запуск, форму кривой сходимости, порядок величины оптимального значения, воспроизводимость, разумность времени выполнения. Можно разделить студентов на группы по ролям: один отвечает за построение подсказки, один — за наблюдение за журналом выполнения и кривой сходимости, один — за вывод заключения о приёмке по контрольному списку
> - записать один неудачный или неудовлетворительный результат и попытаться улучшить его добавлением ограничений.
**Проверка понимания**
Случайным образом попросите одного студента своими словами резюмировать ключевые моменты страницы; преподаватель дополняет элементы подсказки, четыре вопроса приёмки и принцип итеративного исправления вместо переписывания.
> **Переход**
>
> Убедившись, что студент может сформулировать ключевую связь «человек задаёт направление, ИИ даёт реализацию, человек выполняет приёмку», переходите к следующей странице с примерами, применением или итогами.
### Итоги курса: рабочий процесс AI Native и научный вкус
*Страница 15*
> **Цель страницы:** Обобщить рабочий процесс AI Native в EvoX и критическое мышление в взаимодействии человек-ИИ.
> **Цель страницы**
>
> Эта страница завершает весь курс, сводя рабочий процесс AI Native в EvoX и незаменимый научный вкус исследователя к одному выводу: когда инструменты снижают стоимость «реализации ответа» до крайне низкого уровня, «определение того, что стоит делать, и суждение о том, каким результатам доверять» становится водоразделом научной ценности.
> **Порядок изложения**
>
> Слева — рабочий процесс AI Native: от диалога на естественном языке до настройки среды, построения задачи и ограничений, запуска эволюции и массового исследования, визуализации результатов и ретроспективы; справа — научный вкус человека: определение задачи, установка целей и ограничений, многоцелевые компромиссы, суждение о достоверности результатов и направлении эволюции.
>
> ИИ реализует ответы, человек контролирует направление; в одной фразе — Code is cheap. Taste matters.
>
> Рабочий процесс сжимает стоимость пути от идеи до первого работающего эксперимента; ответственность растёт вместе с удобством; научный вкус имеет указываемые точки опоры; критическое мышление имеет структурированные четыре вопроса; проектная и общесистемная непрерывная эволюция по-прежнему требует установки критериев приёмки и направления развития человеком.
>
> Дефицит — не код, а способность к суждению; беглость рабочего процесса определяет, как быстро можно бежать, научный вкус и критическое мышление — правильное ли направление.
**Ключевые тезисы**
- Диалог на естественном языке как точка входа управляет полным конвейером экспериментов EvoX. Он снижает стоимость пути от «идеи» до «первого работающего эксперимента», а не самого эксперимента и не заменяет определение задачи и суждение о результатах. Каркас скрипта, интерфейс параметров и код построения графиков формируются быстрее, исследователь получает более высокую частоту итераций экспериментов. Чем проще инструменты, тем яснее ответственность человека. Автоматизация переносит бремя выполнения, а не ответственность за суждение. Когда ИИ за минуты выдаёт кандидатные решения, «разумны ли многоцелевые компромиссы», «достоверно ли улучшение показателей», «какое направление исследовать дальше» — на эти вопросы всё равно должен отвечать исследователь. Удобство повышает пропускную способность проб и ошибок и в той же мере ускоряет распространение ошибочных решений. Определение задачи — что исследовать, от чего отказаться
- Установка целей и ограничений — перевод размытого намерения в оптимизируемую целевую функцию и жёсткие ограничения
- Многоцелевые компромиссы — защитимое предпочтение между скоростью сходимости, разнообразием, робастностью, стоимостью
- Суждение о достоверности результатов — различение «запустилось» и «вывод обоснован»
- Установка направления эволюции — куда исследовать в следующем раунде, а не пассивное принятие текущего оптимума. Это не вычислительные задачи, а вопросы ценности и суждения. Состоятельна ли гипотеза? ИИ мог незаметно дополнить невысказанные предпосылки
- Не misinterpretированы ли показатели? Улучшение может происходить от утечки данных, изменения критериев оценки или переобучения
- Воспроизводим ли результат? Случайное зерно, параллельное планирование, версии зависимостей влияют на воспроизводимость
- Проверены ли границы и режимы отказа? Остаётся ли решение верным при экстремальных ограничениях, разреженных данных или высокой размерности. ИИ отвечает за реализацию и массовое исследование, человек — за направление и ценностное суждение. Какой бы высокой ни была степень автоматизации, критерии приёмки и направление развития всё равно должен задавать человек
- При длительном отсутствии такого суждения пробел во вкусе со временем превратится в трудно погашаемый технический долг. ИИ реализует ответы, человек контролирует направление. Прежде чем передать задачу ИИ, сначала чётко определите критерии приёмки.
**Покрытие ключевых слов**
- Рабочий процесс AI Native, научный вкус, критическое мышление, разделение труда человек-ИИ, бремя выполнения, ответственность за суждение, определение задачи, цели и ограничения, многоцелевые компромиссы, достоверность результатов, направление эволюции, технический долг, Code is cheap. Taste matters.
> **Подсказки к упражнениям**
>
> - Упражнения этой страницы посвящены сжатию стоимости, смещению ответственности, точкам опоры научного вкуса, критической проверке и рискам непрерывной эволюции. При обработке сначала попросите студентов определить, «что заменено автоматизацией и что не заменено», затем вернуться к двухшаговой схеме «сначала запустить, потом верифицировать».
**Работа с упражнениями**
Инструменты сжимают стоимость реализации от идеи до первого работающего эксперимента, но не меняют сложность определения задачи и суждения о результатах. При обратной связи напомните различать «бремя выполнения» и «ответственность за суждение».
Скорость вывода растёт, и непроверенные выводы легче распространяются как подтверждённые результаты. При обратной связи подчеркните, что удобство повышает пропускную способность проб и ошибок и в той же пропорции ускоряет распространение ошибочных решений.
Определение задачи, установка целей и ограничений, многоцелевые компромиссы, суждение о достоверности результатов, установка направления эволюции. При обратной связи объясните, что эти этапы — вопросы ценности и суждения, а не вычислений.
Невысказанные, но молча дополненные ИИ имплицитные предпосылки, а также изменение критериев оценки. При обратной связи укажите, что фокус критической проверки — предпосылки, критерии показателей, воспроизводимость и граничные условия, а не форма представления.
Пробел во вкусе постоянно увеличивается временем и накапливается в трудно погашаемый технический долг. При обратной связи повторите, что автоматизация гарантирует только «успешный запуск», но не «правильное направление».
При получении от ИИ кандидатных решений и рекомендуемого ранжирования сначала проверьте, соответствуют ли цели и ограничения реальным бизнес-потребностям, затем проверьте критерии показателей и базовые линии, проверьте распределение и робастность решений на фронте компромиссов, проведите тесты границ и режимов отказа и зафиксируйте случайное зерно, версии зависимостей и конфигурацию эксперимента для воспроизводимости. Если полностью доверить ранжированию ИИ выбор основного решения и автоматически продвигать направление, риск в том, что многоцелевой компромисс как ценностное суждение будет передан вовне, ошибочное направление будет многократно унаследовано последующими итерациями, а «успешный запуск» будет ошибочно принят за «правильное направление». При перераспределении труда позвольте ИИ отвечать за реализацию и массовое исследование, а человеку — чётко определить веса целей и жёсткие ограничения, установить критерии приёмки, сохранить право на проверку и отклонение и указать гипотезы и способы верификации для следующего раунда исследования.
**Аудиторная активность**
Попросите студентов своими словами воспроизвести «четыре вопроса самопроверки» и привести пример, близкий к их учебному или исследовательскому опыту, показывающий, как пропуск верификации приводит к ошибочному принятию «запустилось» за «обосновано».
**Проверка понимания**
Случайным образом попросите одного студента резюмировать ключевые моменты страницы и ответить, «что определяет беглость рабочего процесса и что определяют научный вкус и критическое мышление». Преподаватель по ответам дополняет пропущенные связи: первое определяет скорость, второе — направление и ценность.
> **Переход**
>
> Убедившись, что студент различает «запустилось» и «обосновано», «реализацию ответа» и «контроль направления», переходите к следующей странице с примерами, применением или итогами.
### Приложение и точки входа в открытое сообщество
*Страница 16*
> **Цель страницы:** Получить официальные каналы связи EvoX и ресурсы для непрерывного обучения.
> **Цель страницы**
>
> Эта страница как приложение к курсу суммирует официальные точки входа в сообщество по интеллектуальной эволюционной системе EvoX и практике AI Native в научных исследованиях, объясняет каналы для непрерывного обучения, вопросов и участия в передовых исследованиях после курса.
**Ключевые тезисы**
- Сначала различать две официальные точки входа. Официальный аккаунт WeChat — «演化机器智能» — используется для публикации обновлений курса, технических статей, уведомлений о мероприятиях и интерпретации передовых направлений, подходит для систематического отслеживания направления интеллектуальной эволюции. Официальная группа QQ — номер 297969717 — используется для оперативных вопросов, обсуждений и общения с коллегами, удобна для получения обратной связи по конкретным вопросам. Обе указывают на «непрерывное участие в передовых исследованиях интеллектуальной эволюции», не заменяют аудиторное обучение, а формируют цикл «обучение — практика — общение — повторное обучение». После присоединения сначала просмотрите закреплённые объявления и историю сообщений, ознакомьтесь с правилами и имеющимися ресурсами, затем участвуйте в обсуждениях с учётом направления исследования. При вопросе предоставляйте чёткий контекст, конкретный вопрос и уже испробованные методы
- Активное участие в обсуждениях других также углубляет понимание. Регулярно просматривайте передовые материалы, превращайте ресурсы сообщества в исследовательские способности. Упражнения этой страницы построены вокруг трёх фактов и двух установок. Название официального аккаунта — «演化机器智能»
- Номер группы QQ — 297969717
- Цель точек входа в сообщество — предоставить каналы непрерывного обучения, вопросов и передовых исследований после курса
- Для получения ресурсов после курса следует через официальные точки входа подписаться на аккаунт и вступить в группу QQ
- Использовать сообщество следует активно задавая вопросы, делясь и участвуя в обсуждениях, а не только перед экзаменом, не вступая в неофициальные группы и не оставаясь пассивным наблюдателем. Кейс-исследование может предложить студентам указать два официальных канала и дать как минимум две рекомендации по непрерывному обучению, например следить за обновлениями аккаунта, задавать вопросы и общаться в группе, отслеживать передовые тенденции, участвовать в открытых проектах или онлайн-мероприятиях, применять изученное в курсе в реальных исследованиях и делиться опытом.
**Проверка понимания**
Попросите студентов своими словами объяснить, для каких целей подходит каждая из двух официальных точек входа, и воспроизвести правильные действия после присоединения к сообществу. Если студент запомнил только названия, но не может объяснить назначение, попросите его вернуться к странице и сравнить две точки входа.
> **Переход**
>
> Убедившись, что студент может сформулировать связь между официальными точками входа и циклом непрерывного обучения, переходите к следующей странице.
--- КОНЕЦ ИСХОДНОГО ТЕКСТА ---
Язык оригинала: китайский (упрощённый) 中文 (简体)
Язык перевода: русский