科研核心：提出關鍵問題的能力

在 AI Native 科研中，自動化程式設計與大模型能力已經把「實現答案」的成本壓得很低：程式碼生成、方案搜尋、實驗執行都可以交給 AI 完成。當答案變得廉價，科研的重心就不再是「能不能做出來」，而是值不值得做、該往哪裡做——這正是提出關鍵問題的能力。

一個關鍵問題通常需要說清什麼

關鍵提問不是追問實作細節，而是把模糊直覺轉化為可檢驗、可演化、可分工的研究結構。它至少要把下面幾件事定義清楚：

• 真實目標與多目標衝突：真正要改善的量是什麼？幾個目標之間如何取捨、誰優先？
• 不可交易的約束：哪些條件是硬邊界，任何方案都不能突破？
• 可觀測的評價指標：用什麼量、在什麼條件下測量，才能讓結論站得住？
• 候選空間邊界：搜尋與演化的可行範圍有多大，需要何種多樣性與穩健性？
• 驗證協定與失敗判據：用多少評價預算、按什麼流程驗證，以及何種結果應當被判定為失敗？

提問品質決定解空間品質

AI 探索的解空間是由問題定義圈出來的。問題定義越清晰，搜尋與演化越可能落在有意義的區域內，產出也越可能可解釋、可複用；問題定義越模糊，模型只能在過大的空間裡隨機試探，結果往往看似可行卻無法沉澱。以「用 EvoX 做最佳化」為例，關鍵提問應轉成：「真實衝突是什麼？目標與約束如何量化？評價預算與驗證標準是什麼？需要何種多樣性與穩健性？何種結果應被判定為失敗？」 這樣 AI 才能高效實現答案，人則把控方向。

人機分工與研究者的核心品味

人機分工的核心是：AI 擴展答案空間與執行路徑，人類把控方向、取捨標準與科學意義。在 Genesis 這類系統級持續演化實踐中，這一點尤其明顯——候選修改必須通過編譯、測試與上層驗收，才能進入被接納的專案版本並成為後續工作的歷史基礎。如果關鍵問題沒有把評價協定與失敗判據定義清楚，驗收關卡就無從判斷，AI 產出只會停留在一次性程式碼產物，無法跨越上下文與任務週期持續累積。

因此，研究者的核心品味體現為三種判斷：什麼值得問、什麼證據可接受、什麼方案雖可行但不值得做。在 EvoX 實踐中，關鍵問題應當能引導出可運行、可評估、可迭代的工作流，而不是只追求一次性的實現結果。