# EvoX 智能演化系統與 AI Native 科研實踐 課程講義
課時：1 · 課件頁面：16
## 閱讀導航
- [第7課｜主題：AI Native 科研範式與 EvoX 實戰切入](#lecture-lesson-1)
---
## 第7課｜主題：AI Native 科研範式與 EvoX 實戰切入
### AI Native 科研範式與 EvoX 實戰切入
*頁面 1*
> **頁面目標：** 掌握在 AI Native 環境下切入 EvoX 的實用路徑，體會「Code is cheap. Taste matters」的科研核心原則。
> **頁面目標**
>
> 這是第七課的開篇頁，為整個「AI Native 科研範式與 EvoX 實戰」單元定調。學習者需要建立兩點認識：一是在 AI Native 環境中藉助 Codex 等 AI 工具高效開展 EvoX 實驗的實用路徑；二是當代碼可以被自動生成時，研究者真正不可替代的能力——鑑賞力與關鍵提問能力，也就是本頁反覆強調的那句話：Code is cheap. Taste matters.
> **講解順序**
>
> 1. 先給場景。說明在 AI Native 的工作方式下，寫實驗腳本、搭建 EvoX 優化流程、跑對比實驗這類「體力活」，可以由 AI 工具承擔相當一部分，研究者不必再逐行手寫。這直接改變了做科研的節奏：從「能不能寫出來」轉向「值不值得做」。
>
> 2. 再落到方法。藉助 Codex 這類工具開展 EvoX 實驗時，典型做法是把自己的實驗意圖、問題設定與評價標準講清楚，讓工具生成可運行的程序骨架，研究者則專注於檢查實驗設計是否成立、結果是否可信。
>
> 3. 最後點出核心原則。既然代碼變得便宜，稀缺的就變成了判斷力：選題是否有價值、基線是否公平、指標是否說明問題、結論是否站得住。Taste 決定研究方向，提問能力決定研究深度。
**講授要點**
- AI 工具降低的是實現成本，不是研究門檻
- 門檻從「編程熟練度」轉移到了「問題品味」。 使用 Codex 等工具時，人的角色是提出好問題、設定評價標準、審視生成結果，而不是被動接受輸出。 「Code is cheap. Taste matters.」 不是否定工程能力，而是提醒：在自動化編程時代，鑑賞力與提問能力才是研究者真正的護城河。
**理解檢查**
請一名學習者用自己的話說明，如果代碼可以自動生成，那麼在 EvoX 實驗中研究者的時間應該重新投到哪裡。合格的回答應指向問題選擇、實驗設計、結果判斷等判斷性工作，而不只是「讓 AI 寫得更快」。
> **過渡提示**
>
> 確認學習者能說出「實現成本下降、判斷價值上升」這一核心關係後，再進入後續頁面，展開具體的 EvoX 實戰步驟與示例。
### AI Native 科研範式與 EvoX 實戰切入
*頁面 2*
> **頁面目標：** 了解在 AI Native 環境下切入 EvoX 的整體路徑與核心科研原則。
> **頁面目標**
>
> 把「AI Native 科研範式」和「EvoX 實戰切入」連成一條路徑——當實現成本下降，研究者要把注意力從寫代碼轉向提出問題、定義評價、判斷方向與批判結果，並記住核心原則「Code is cheap. Taste matters.」。
> **講解順序**
>
> 先講範式轉移，再讀架構圖，隨後說明 EvoX 不是單一算法工具，而是可運行、可組合、可持續探索的智能演化系統；最後落到實戰切入：從「選算法」改為「設計過程」。
**講授要點**
- 大模型、GPU、Agent 與自動化工作流成為默認科研基礎設施。實現代碼、批量實驗、擴大搜索越來越廉價
- AI 負責實現答案、加速實驗、擴大搜索
- 人負責方向、約束、品味與關鍵決策。人的注意力從「敲代碼」上移到「定標準、做取捨、看結果」。 從「真實問題·研究品味」出發，人提問題、定標準、判斷方向
- 轉化為可執行探索後，由 AI 基礎設施承接，再交給 EvoX。EvoX 內部四環節：問題定義（目標衝突、約束）、評價設計（指標、權重、門檻）、演化過程（候選解、批量迭代）、Runtime 調度（算力、併發、復現）。輸出多候選方案、可驗證結果、持續演化，形成可批判、可復現的科研輸出，並通過「批判與驗收」反饋閉環回到起點。 承接演化計算源流，面向複雜多目標、開放探索與系統級持續演化。它不是單一求解器，而是可運行、可組合、可持續探索的工程底座：一次實驗的產物可被下一次實驗繼承，搜索過程本身能持續演化。四個抓手仍是問題定義、評價設計、演化過程、Runtime 調度。 典型誤區是把切入點當成「在若干算法裡挑一個」。正確起點是先識別目標衝突與約束，把問題轉化為可執行、可比較、可持續演化的探索過程。人先定義目標衝突、約束條件與驗收標準
- AI 快速生成與迭代代碼
- EvoX 批量運行、比較候選方案
- 最終形成可批判、可驗證的結果。例如多目標優化實驗，不應讓 AI 代寫全部代碼後直接採信輸出，而應讓機器負責實現與探索、讓人負責定義與判斷。 Code is cheap. Taste matters. 當代碼不再稀缺，問題品味、評價標準、權衡判斷與驗收能力才是更難被替代的科研競爭力。
**練習處理**
本頁配 5 道選擇題。第 1 題正確選項為「從寫代碼實現轉向提出問題、定義評價標準並判斷方向」；反饋要點：實現與批量探索可交給 AI，人的核心職責是提出問題、定義標準與判斷結果。第 2 題正確選項為「可運行、可組合、可持續探索的智能演化系統與工程底座」；若錯，提醒不要把 EvoX 簡化為某個算法。第 3 題正確選項為「先識別目標衝突與約束，把問題轉化為可執行的探索過程」；強調切入點不是算法選型或參數設定。第 4 題正確選項為「當代碼不再稀缺，問題品味、評價標準與驗收判斷成為更稀缺的能力」；
它不否定實現與驗證，而是強調稀缺性轉移。第 5 題正確選項為「讓 AI 代寫全部代碼後直接採用其運行結果，不再人工定義目標與標準」；這與「AI 實現與探索、人定義與判斷」的分工相衝突。
用 EvoX 設計一次多目標優化實驗。場景要求同時優化成本、性能與魯棒性，三項指標相互衝突，並受算力預算與交付週期約束。人機分工應寫成：人類負責定義與判斷——提出問題，顯式寫出目標衝突與約束，設計評價指標與驗收門檻，並在結果面前做方向判斷和批判性驗收；AI 負責實現與探索——快速生成並迭代代碼，批量運行候選方案，擴大搜索並加速實驗。二者構成「人定方向—AI 擴探索—人做驗收」的閉環。
目標衝突未顯式定義、評價標準含糊、約束被忽略，結果難以判斷優劣、復現與沉澱；應改為關注過程設計，明確問題定義與評價方式，規劃候選解生成、批量運行比較與 Runtime 調度，並把每輪結果納入批判與驗收。
**課堂活動**
請學生選一個熟悉問題，用一句話寫出目標衝突和驗收標準，再說明 AI 與 EvoX 各承接哪一段。理解檢查：隨機請學生複述「為什麼先定評價、再動代碼」，並指出架構圖中反饋閉環的作用。過渡提示：確認學生能區分廉價能力與稀缺能力後，再進入下一頁的例題、應用或總結。
### 大模型能力邊界與持續演化系統
*頁面 3*
> **頁面目標：** 理解大模型能力增長與構建長期適應真實世界的系統之間的差距。
**講授要點**
- 看到「模型能力提升」這類說法時，追問兩句：這一輪的有效成果沉澱在哪裡？下一輪由誰繼承？如果答不上來，那提升的只是單次調用能力，而不是系統的長期適應能力。
- 先產候選 → 再驗真實 → 沉澱入庫 → 繼承再演化。順序不能換：沒有候選無從檢驗，沒有檢驗談不上沉澱，沒有沉澱就沒有可繼承的起點。
- 兩個高發誤解：把「單次任務表現好」當成「系統能長期適應」；把「未經檢驗的候選」當成「已有結論」。自查方式是看這條結果是否跨過了真實檢驗，並是否寫入了可繼承的項目版本。
頁面目標**
大模型的「能力增長」與系統的「長期適應」不是同一件事。學習者需要理解，為什麼把模型能力做強，並不自動等於項目能在真實世界中持續演進，以及一個系統級閉環應當由哪些環節構成。
講解順序**
建議按「能力組件 → 為什麼不夠 → 四步閉環 → 組件與系統的關係 → 誤區自查」的順序推進。先講清大模型能做什麼，再製造認知落差（單次強 ≠ 長期穩），然後給出閉環結構作為解法，最後用「組件—系統」這對概念收束。
講授要點**
一、大模型提供的三類能力。它已能穩定承擔強理解、生成與工具調用：把目標和約束解析成可執行的任務描述；產出候選假設、代碼、實驗設計與文檔；連接檢索、計算、編譯與仿真等外部資源。因此把大模型作為「智能組件」接入科研與工程流程，已經是現實可用的做法。但要說清：這三類能力回答的是「單次任務能不能做對」，回答不了「長期任務能不能持續做對」。
二、為什麼單次能力強不夠。真實工程項目往往持續數月乃至數年，而單個 Agent 的上下文終會耗盡。如果經驗無法沉澱，每一輪工作都要從零開始，能力增長就不會自動轉化為長期適應能力。這裡可以順勢提出：需要把演化對象擴展為持續存在的「軟件世界」，並依靠項目級持久化，讓經驗不隨單次實驗丟失。
由智能組件提出假設、修改或實現，此刻它們只是候選，不是結論；真實檢驗：候選必須經過真實環境、仿真或實驗，並跨過編譯、測試、行為檢查與上層驗收等關卡；成果沉澱：只有通過檢驗的有效結果才寫入被接納的項目版本，成為可複用資產；再演化：後續工作繼承已沉澱的成果，在此基礎上繼續提出候選。口訣是「先產候選 → 再驗真實 → 沉澱入庫 → 繼承再演化」。要強調邏輯依賴：沒有候選無從檢驗，沒有檢驗談不上沉澱，沒有沉澱就沒有可繼承的起點。
四、以 Genesis 這類多 Agent 協作系統作為閉環實例。參與工作的 Agent 生命週期有限，上層執行者理解目標並遞歸拆解任務，下層執行者完成局部實現與測試，必要時繼續向下遞歸；候選修改僅作為候選提交，必須通過編譯、測試、行為檢查與上層驗收才被接納，失敗嘗試被拒絕，通過驗證的成果寫入項目版本，成為後續執行者的歷史基礎。在編譯器重構與科學軟件升級等場景中，這種機制展現出很高的可靠性與運行加速比。
能力組件負責在單點產生高質量候選，系統閉環負責判定哪些候選值得留下、如何留下、以及如何被下一輪繼承。缺少閉環，能力越強只會產生更多未被檢驗的候選；缺少強組件，閉環則缺少高質量的候選來源。
六、常見誤區與自查方法。最常見的誤讀是把「模型能力提升」直接等同於「系統能長期適應」。判斷標準不是模型在某次任務中表現多好，而是有效成果能否被穩定沉澱並被下一輪工作繼承。可教給學習者兩句追問：這一輪的有效成果沉澱在哪裡？下一輪由誰繼承？答不上來，提升的只是單次調用能力。另一個誤區是把「未經檢驗的候選」當成「已有結論」，自查方式是看它是否跨過了真實檢驗，並寫入了可繼承的項目版本。
素材線索**
左側是「大模型能力」組件區，列出理解、生成、工具調用三項；右側是「持續演化系統閉環」，以候選產生、真實檢驗、成果沉澱、再演化四個節點構成循環，中間標註「能力組件需被系統組織」。講解時可沿箭頭方向帶學生走一遍閉環，再回指左側，說明組件只有被系統組織才有長期價值。
練習線索與答案指引**
大模型在流程中的正確定價（可被系統組織起來的智能組件，承擔理解、生成與工具調用）；能力增長為何不等於長期適應（單次會話上下文會耗盡，且未經檢驗的結果無法沉澱為可繼承資產）；閉環環節的正確順序（候選產生 → 真實檢驗 → 成果沉澱 → 再演化）；Genesis 中代碼進入項目歷史的門檻（通過編譯、測試與行為檢查並經上層驗收）；以及「組件—系統」關係的準確表述。
案例題要求為一間長期科學計算實驗室設計系統級閉環，並針對「失敗方案被反覆重試」和「新成員無法繼承早期結論」給出機制。答案要點是：用嚴格驗收網關與決策記錄拒收未通過的候選並留存失敗原因，用項目級持久化把通過驗收的成果寫入被接納的項目版本；同時點明——單純提升模型能力只能提高單次候選質量，而這兩個問題的根源在於缺少檢驗、記錄與沉澱。
理解檢查**
為什麼模型更強不等於項目更能長期演進，以及四步閉環各自解決什麼問題。若回答只停留在「模型很厲害」，可提示回到「有效成果沉澱在哪裡、由誰繼承」這兩個追問上補全。
過渡提示**
確認學習者能夠區分「單次候選的質量」與「系統級的篩選、沉澱與繼承」之後，再進入下一頁的應用、例題或實操環節。
### 將真實問題轉化為 EvoX 探索過程
*頁面 4*
> **頁面目標：** 掌握面對真實問題時如何界定可變對象、評價標準與保留機制。
> **頁面目標**
>
> 掌握面對真實問題時如何界定可變對象、評價標準與保留機制，並理解「先做問題轉化，再談算法選擇」的順序。
> **講解順序**
>
> 真實問題（訴求可描述）→ 可變對象界定（變量可採樣）→ 評價標準構建（目標可計算）→ 保留與選擇機制（候選可繼承）→ EvoX 迭代探索（每代可復現）→ 候選方案輸出（結論可度量）。
>
> 評價失真時回退到評價標準構建；多樣性塌縮時回退到保留機制。
>
> 3. 再依次展開四個驗收條件，並用超臨界翼型設計說明映射方式。
>
> 4. 最後通過五道判斷題與電池包冷卻板案例檢驗理解。
**講授要點**
- 把真實問題轉化為 EvoX 探索過程，是在寫下任何算法配置之前，先把模糊的工程或科研訴求，改寫成一份「可採樣、可評價、可保留、可迭代檢驗」的演化問題定義。 EvoX 承接的是一條探索流水線，它需要知道在什麼空間採樣、用什麼標準打分、哪些結果值得延續。這些信息只能來自問題本身。算法只能在定義之內尋找答案，無法從一個定義錯誤的問題裡找回正確答案。 把現實訴求翻譯成決策變量，確定表示形式、維度與邊界，並區分連續參數、離散結構乃至程序級對象。邊界過窄會把真正最優解排除在搜索空間之外
- 變量可採樣。 把模糊目標拆解為可計算的目標函數與約束，明確最大化指標、硬約束與多目標權衡。反饋稀疏或仿真昂貴時，引入代理模型替代高成本計算。驗收條件：目標可計算，且同一輸入下結果穩定、可復現。 定義候選如何被保存、比較與延續，讓演化過程具備記憶、方向與多樣性，而不是一輪輪互不相干的一次性試錯。驗收條件：候選可繼承。 轉化結果必須可復現、可度量、可迭代驗證，每一步都能回答「這次改變是否真的更優」。變量漏設會誤解解空間，評價失真會使優化整體跑偏
- 這兩類偏差都無法靠後續算子或更多迭代彌補。 超臨界翼型設計中，可變對象是基礎翼型的幾何擾動參數
- 評價標準是升阻比、阻力發散、魯棒性等多目標指標，並用代理模型控制仿真成本
- 保留機制是輸出兼顧各項指標的多樣化候選方案組，交由領域專家權衡決策。同一個現實問題，只要換一套變量邊界或評價口徑，探索結論就會完全不同。
**關鍵詞覆蓋**
- 問題轉化、可變對象界定、變量可採樣、評價標準構建、目標可計算、保留與選擇機制、候選可繼承、EvoX 迭代探索、每代可復現、評價失真、多樣性塌縮、代理模型、超臨界翼型。
**練習處理**
正確答案是「因為轉化確定了搜索空間與評價口徑，算法只能在這個定義之內尋找答案」。講解時強調，轉化回答「什麼可以改變」和「改變後如何評價」，探索空間上限與優化方向都由它決定；採樣開銷或算子類型不是關鍵。
正確答案是「搜索空間偏窄，真正的最優解不在其中，後續算子與迭代都無法彌補」。變量漏設屬於轉化階段偏差，評價函數、保留機制與算子都不會憑空創造未定義的維度。
正確答案是「用代理模型低成本近似評價，同時顯式保留多目標的權衡關係與硬約束」。當評價昂貴且目標衝突時，正確做法是降低單次評價成本並顯式表達衝突與約束，而不是削減迭代代數或簡單加權合併。
正確答案是「讓候選被保存、比較與延續，使演化過程具備記憶、方向與多樣性」。保留機制不負責評價，也不負責修正變量邊界。
正確答案是「每一步都應可復現並能回答『這次改變是否真的更優』，否則偏差會在迭代中被放大」。事後總評不能替代逐步校驗，變量漏設與評價失真發生在轉化階段，迭代只會放大偏差。
答對時肯定學生能聯繫本頁概念並說明依據；答錯時請學生回到對應段落，找出關鍵證據或示例後再判斷。
> **練習線索**
>
> - 電池包冷卻板的流道幾何優化。 只把流道寬度作為決策變量，忽略流道走向、拓撲形式、分支級數、進出口位置等離散結構自由度，屬於可變對象界定過窄，真正最優幾何可能不在搜索空間內
> - 只以最高溫度作為唯一目標，把壓降與溫度均勻性交給經驗判斷，屬於評價標準失真，多目標衝突未被顯式建模
> - 單次 3 小時仿真乘以 200 代，缺少評價成本控制與可復現檢驗口徑，直接從結果中挑「看起來最好」的個體，無法回答「這次改變是否真的更優」。 可變對象上，把連續參數（流道寬度、深度、壁厚）與離散結構（流道拓撲、分支級數、進出口位置）一併納入，寫明取值範圍或編碼方式，並區分固定量，檢驗條件為變量可採樣。評價標準上，把最高溫度、壓降、溫度均勻性寫成顯式多目標目標函數，把壓降上限、製造可行性寫成硬約束，用代理模型承擔大部分評價並週期性用真實仿真校準，檢驗條件為目標可計算、同一輸入下穩定可復現。保留機制上，保存一組跨目標權衡的多樣化候選，而不是單一最優解，定義比較規則與延續規則，並用多樣性度量監控同質化，檢驗條件為候選可繼承。運行與校驗中，逐代記錄可復現指標
> - 若評價可信度下降，回退到評價標準構建重新校準
> - 若多樣性塌縮，回退到保留機制調整篩選與延續策略。
**課堂活動**
請學生用一句話把「讓這個設計更好」改寫成一份包含可變對象、評價標準和保留機制的探索問題定義，再互相檢查是否滿足「可採樣、可計算、可繼承、可復現」。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，教師根據回答補充遺漏的驗收條件和反饋迴路。
> **過渡提示**
>
> 確認學生能說出「先定義，再開優化器」以及兩類回退機制後，再進入下一頁的例題、應用或總結。
### 多目標優化與多解探索
*頁面 5*
> **頁面目標：** 認識真實世界中多目標牽制的複雜性以及保留一組候選方案的必要性。
> **頁面目標**
>
> 認識真實世界中多目標牽制的複雜性，理解為何需要保留一組候選方案，並掌握 Pareto 支配、Pareto 前沿、標量化的代價以及收斂性與多樣性的二維評價。
**講授要點**
- 這真的是一個多目標問題嗎 判斷標準不是「目標個數大於 1」，而是目標之間是否此消彼長。以超臨界翼型設計為例：升阻比、結構強度、失速裕度與製造/仿真成本相互牽制，提高升阻比往往意味著結構載荷與製造成本同步上升。如果所有目標能被無損同時改進，問題就退化為單目標，多解探索既無必要，也會白耗算力。方向相反、此消彼長，才構成真正的多目標。 二、Pareto 支配與 Pareto 前沿 解 A 支配解 B，若且唯若 A 在所有目標上都不劣於 B（對每個目標 i 都有 fᵢ(A) ≤ fᵢ(B)），且至少在一個目標上嚴格更優（存在 j 使 fⱼ(A) < fⱼ(B)）。任何一個被支配的解，都存在一個「至少一樣好、某處更好」的替代者，因此沒有保留價值。所有不被任何解支配的解構成 Pareto 前沿——前沿上的解彼此互不支配，誰更合適取決於偏好，而不取決於數學。 三、單目標化的代價 加權求和、ε-約束等標量化方法把向量目標壓成一個標量，工程上方便，代價卻很具體： 掩蓋權衡結構——權重一旦固定，前沿的形狀與備選方向就不可見，決策者只能看到一個分數。 權重必須事先給定——而真實偏好常常無法事先形式化，往往要到評審階段才逐步清晰。 覆蓋受限——加權求和通常只能取到前沿上的個別觸點，非凸前沿的部分區段難以達到。 一旦後續審查改變權重，整個搜索就得重跑，這恰恰是「一次探索換多次決策自由」的反面。 收斂性與多樣性 收斂性（解集是否逼近真實前沿）與多樣性（解是否覆蓋前沿的不同區段）。二者常常互相拉扯：選擇壓力一旦過度偏向「更好」，種群就會坍縮到前沿的某一點或某一小段，看起來收斂很快，卻把權衡信息丟掉了。因此需要顯式維持種群多樣性，並配合擁擠度、分解、指標驅動（如超體積）等選擇壓力。 決策位置發生轉移 優化器只負責產出可比較的候選組，最終選型由偏好或領域專家完成，優化器不應替決策者過早收斂。保留差異化候選組的現實理由是「對沖」——當偏好未知、會隨情境變化，或約束會在落地階段被修正時，多樣化的方案組比單一「最優解」更有價值。實現接口上，多目標問題應被定義為向量值評價函數（一次返回多個目標值）與候選方案集合的輸出，而不是標量適應度配單一返回值。評價函數的返回值個數決定目標維數，輸出結構決定能否保住多樣性。
> **素材線索**
>
> - 頁面提供二維 Pareto 前沿散點圖，橫軸為目標 1 結構質量（越小越好），縱軸為目標 2 製造成本（越小越好）。圖中標註了非支配解、被支配解、Pareto 前沿、標量化命中點、改進方向、稀疏區與密集區。可藉助該圖直觀解釋支配關係、前沿形狀與多樣性，並說明加權求和通常只能命中前沿上的個別點。
> **練習線索**
>
> - 頁面含 5 道單選題與 1 個案例研究。 第 1 題考查 Pareto 支配判定，正確選項為「解 A 支配解 B，若且唯若 A 在所有目標上都不劣於 B，且至少在一個目標上嚴格更優」。引導時強調兩個條件必須同時成立，互有優劣的解彼此不支配，會同時留在 Pareto 前沿上。 第 2 題考查多目標問題的判斷依據，正確選項為「目標之間方向相反，改善一個必然以另一個的退化為代價」。引導時指出衝突性才是多目標的本質，關鍵不在目標個數，而在此消彼長的衝突關係。 第 3 題考查標量化方法的判斷，正確選項為「標量化會掩蓋權衡結構，且要求權重事先給定，而真實偏好常常無法事先形式化」。引導時提醒兩個代價：掩蓋權衡結構，以及必須事先給定權重。 第 4 題考查收斂性與多樣性的關係，正確選項為「二者常常互相拉扯，過度追求收斂容易讓種群坍縮到前沿的個別區段」。可反問：若所有解都擠在前沿的一個點上，雖然看起來收斂，但決策者還能做選擇嗎？ 第 5 題考查優化器與決策者的分工，正確選項為「優化器輸出一組可比較的非支配候選，最終選型交給偏好或領域專家」。引導時說明決策位置發生了轉移，多目標優化的價值恰在於保留候選組。 案例研究圍繞超臨界翼型的多目標取捨。問題 1 要求說明為何構成真正的多目標問題，以及用加權總分輸出唯一「最優翼型」在評審環節的風險。答案要點：目標之間方向相反、彼此牽制，無法無損同時改進
> - 加權總分掩蓋權衡結構、要求權重事先給定，權重一旦調整便需重跑，仿真預算難以承受。問題 2 要求說明如何定義評價函數與輸出結構，以及如何在評審現場選型。答案要點：評價函數改為向量值形式，返回四元組（升阻比、結構質量、失速裕度、製造與仿真成本）
> - 輸出為候選方案集合，即一組互不支配的 Pareto 前沿解
> - 算法層面顯式維持多樣性，配合擁擠度、分解或超體積等選擇壓力
> - 評審現場按真實偏好從候選組中取捨。 答對時肯定學生能聯繫本頁概念並說明依據
> - 答錯時請學生回到本頁講解，找出關鍵證據或例子後再判斷。
**課堂活動**
可請學生舉一個日常中多目標衝突的例子（如買手機時性能、價格、續航的取捨），說明為什麼不存在唯一最優解，以及保留一組候選方案的價值。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，教師根據回答補充遺漏的關鍵詞，如 Pareto 支配、Pareto 前沿、收斂性、多樣性、種群坍縮、向量值評價函數。
> **過渡提示**
>
> 確認學生能說出多目標問題的本質（目標衝突）以及 Pareto 前沿和多樣性的意義後，再進入下一頁的例題、應用或總結。
**資料依據**
來自 EvoClass 草稿，第 7-7 頁。
### MetaDE：用演化算法改進演化算法
*頁面 6*
> **頁面目標：** 理解如何將產生候選方案的方法本身作為演化對象。
**講授要點**
- 內層回答「算出什麼」，外層回答「怎麼算才更好」。兩層之間只傳一個信號——任務性能，也就是適應度。
- 不要把內層得到的那個解當成 MetaDE 的最終成果。真正的產出是可遷移的算法配置：換到同類新實例上配置依然有效，而單個解往往已經過期。
- 合上講義問自己：一次外層評估大約等於多少次內層完整運行？如果答不上來，說明你還沒抓住 MetaDE 的成本結構和並行為什麼必要。
【頁面目標】
理解如何將產生候選方案的方法本身作為演化對象，即 MetaDE 用演化算法改進演化算法的雙層優化閉環。
【講解順序】
變異策略、交叉率 CR、縮放因子 F、種群規模 NP 這些配置本身是誰選的？
外層編碼配置並演化，內層在真實任務上並行運行 DE，返回性能評價。
從「找解」上升到「找會找解的方法」。
配置下發 → 內層求解 → 性能回傳 → 外層更新；評估成本高，GPU 並行是關鍵使能條件。
5. 總結一句話本質與常見誤區，進行練習與理解檢查。
【講授要點】
內層拿到一組具體 DE 配置，在真實任務上跑一次完整求解，產生候選解並返回可比較的性能評價；外層把 DE 的配置、超參數或策略組合編碼為個體，以任務性能作為適應度，用選擇、重組、變異更新下一代配置。
傳統 DE 的產出是一個解向量；MetaDE 的產出是一套能在這類任務上穩定產出更好解的算法配置。搜索對象從「答案」上升為「生產答案的機器」，使得一次外層搜索的成果可以遷移到同一族的其他實例上複用。
整個系統靠一條閉環串起來——外層下發配置 → 內層執行求解 → 性能回傳 → 外層據此更新下一代配置。外層的一個個體要獲得適應度，就必須付出一次（往往是多次並行）完整內層運行的代價，因此評估成本管理與並行調度是系統設計的核心。正是 GPU 能夠把大量內層任務同時跑起來，才讓這種「評估昂貴」的元優化在工程上變得可行。
內層負責「算出什麼」，外層負責「怎麼算才更好」。兩層共享同一個適應度信號——任務性能，這也正是它們能形成閉環的原因。
【關鍵詞覆蓋】
雙層優化、內層、外層、適應度、配置下發、性能回傳、GPU 並行、評估成本、差分進化配置（變異策略、交叉率 CR、縮放因子 F、種群規模 NP）。
【練習線索】
外層演化對象是算法配置；內層職責是接收配置、在真實任務上求解並返回性能評價；信息閉環順序為配置下發 → 內層求解 → 性能回傳 → 外層更新；相對於傳統 DE 的目標轉移是從尋找單個問題的最優解，轉為尋找能更好產生解的算法與配置；主要計算開銷來自評估外層個體需付出完整內層運行的代價，GPU 並行把大量內層任務同時跑起來，使元優化在工程上可行。
答對時肯定其能聯繫本頁概念並說明依據；答錯時提示回到本頁講解，找出關鍵證據或例子後再判斷。
物流路徑求解器配置 MetaDE。內層在真實配送任務上完整運行 DE，得到路徑解及平均運輸成本，作為可比較的性能評價返回。外層把 DE 配置（如 [變異策略 DE/best/1，CR = 0.7，F = 0.5，NP = 60]）編碼為個體，以平均運輸成本為適應度，執行選擇、重組與變異，生成下一代配置種群。GPU 預算有限時，可用分層評估（先用少量代表性任務粗篩，只對靠前配置在完整任務集上複評）與批量並行調度（把同一代所有個體對應的內層運行打包成批次提交 GPU）來降低評估成本或提升搜索效率；
也可縮小外層種群規模或用代理模型近似預測性能，但需在搜索多樣性與估計偏差之間權衡。理由均圍繞「外層適應度依賴內層完整運行」和「並行能攤薄單個個體的等待時間」。
【常見誤區】
不要把內層得到的那個解當成 MetaDE 的最終成果。真正的產出是可遷移的算法配置：換到同類新實例上配置依然有效，而單個解往往已經過期。
【理解檢查】
一次外層評估大約等於多少次內層完整運行？如果答不上來，說明還沒抓住 MetaDE 的成本結構和並行為什麼必要。也可讓學生用自己的話總結內外層職責與閉環順序。
【過渡提示】
確認學生能說出「內層回答『算出什麼』，外層回答『怎麼算才更好』，兩層共享任務性能這一適應度信號」後，再進入下一頁的例題、應用或總結。
### AI Native 工作方式與便捷入口
*頁面 7*
> **頁面目標：** 體驗無需死記硬背安裝命令或繁複接口的 AI 原生工作流。
> **頁面目標**
>
> 理解 AI Native 工作方式與便捷入口，把 EvoX 的使用起點從記憶安裝命令和繁複接口，轉移到用自然語言表達實驗意圖。學習後應能說明「對話即入口」的含義，並分清 AI 工具與研究者各自負責的環節。
> **講解順序**
>
> 先對比傳統方式與 AI Native 方式；再按「自然語言意圖 → AI 理解與執行 → EvoX 實驗產出」講解完整流程；最後用倉庫機器人避障尋路案例，演示如何用「目標—約束—驗收」三件套向 AI 描述實驗。
**講授要點**
- 用自然語言說明任務、約束和驗收目標，AI 負責理解代碼並執行。 無需預先掌握安裝命令、依賴配置和繁複接口調用。 框架安裝、運行配置、算法選擇或生成，均可由 AI 輔助完成。 對話成為連接研究者意圖與 EvoX 實驗產出的便捷入口。 研究者聚焦問題品味、多目標權衡、方案驗收與批判性判斷。 傳統方式下，要啟動一次 EvoX 實驗，必須先記住命令、依賴和接口
- AI Native 工作方式把入口上移到「意圖表達」。你描述要在什麼問題上、受什麼約束、以什麼標準驗收，Codex 這類工具負責把意圖翻譯成可執行的代碼與環境操作，並返回運行狀態。這樣，實驗起點不再是命令記憶，而是清晰的問題定義。 倉庫機器人避障尋路。可用自然語言要求 AI 調用 EvoX NSGA-II，在 GPU 上做多目標優化並輸出可視化路線。這裡要區分三類信息：意圖是「為倉庫機器人避障尋路，用 EvoX NSGA-II 在 GPU 上做多目標優化」
- 目標是路徑長度最短、安全距離最大、能耗最低
- 約束是 5 分鐘內返回結果
- 驗收目標是輸出 Pareto 前沿與可視化路線，並保留可復現運行結果。AI 工具負責理解代碼、配置環境與依賴、選擇或生成算法、在 GPU 上執行並返回狀態
- 人的職責則上移到問題定義、評價標準設定、多目標權衡、方案驗收與批判性判斷。
**練習處理**
若問「核心概念是什麼」，應把握「體驗無需死記硬背安裝命令或繁複接口的 AI 原生工作流」。若要求判斷哪一說法最合理，應選擇能聯繫本頁概念並給出證據或例子的選項；只憑感覺、把所有因素同時改變、跳過資料直接背答案都不符合要求。關於「快速完成環境配置與算法設計」，也要能用證據或例子解釋，而不是只記結論。
**理解檢查**
請學生用自己的話說出「自然語言意圖 → AI 理解與執行 → EvoX 實驗產出」的關係，並說明研究者為什麼仍要審查約束是否滿足、Pareto 前沿是否合理、路線是否安全可行。確認學生能區分 AI 的執行職責與人的判斷職責後，再進入後續實戰內容。
### 倉庫機器人尋路任務實戰
*頁面 8*
> **頁面目標：** 了解如何通過 AI 快速調用 EvoX 解決具體的避障尋路問題。
> **講解順序**
>
> 貨架、通道、障礙物、起點與終點均已確定，需要找到無碰撞且盡量短的路徑。
>
> 2. 指出路徑長度與避障安全性通常不一致，因此是典型的多目標優化問題，而非單目標最短路徑。
>
> 3. 說明 AI 作為「任務翻譯器」，把自然語言任務描述轉化為 EvoX 可執行調用，減少手工編碼與參數配置。
>
> 4. EvoX NSGA-II 在 GPU 上並行完成種群評價與搜索，保留多個折中解，形成從「短但冒險」到「長但安全」的路線族。
>
> 可視化候選路線圖與收斂趨勢曲線，用於觀察可行性與搜索進展。
**講授要點**
- 固定倉庫佈局、障礙物環境、機器人起點與終點。 路徑關鍵點、曲線控制點、轉彎半徑、速度剖面等。 最小化路徑長度
- 最小化碰撞風險或最大化無碰撞可行性。 路線必須留在通道內，不能穿越貨架或障礙物，並滿足機器人運動學限制。 將自然語言描述自動轉化為 EvoX 可執行調用，降低配置成本
- 不替代優化算法本身。 並行評價大量候選路線，加速 NSGA-II 迭代
- 不改變多目標存在折中解的事實。 可視化路線圖觀察路徑可行性、多樣性和推薦無碰撞路線
- 收斂趨勢曲線判斷是否進入平台期。 先定義目標與約束再調參數
- 可行性優先於路徑長度
- 用收斂趨勢判斷繼續迭代還是收手。
**練習處理**
任務輸入要素 -> 固定倉庫佈局、障礙物環境、起點與終點。反饋：任務輸入定義環境、約束與起止條件。
NSGA-II 處理的兩個目標 -> 路徑長度與避障安全性。反饋：更短路徑可能更靠近障礙物，安全要求可能使路徑變長。
AI 的主要價值 -> 把任務描述自動轉化為 EvoX 可執行調用。反饋：AI 是任務翻譯與調用生成層，降低配置成本。
GPU 的優勢 -> 並行評價大量候選路線，加速 NSGA-II 迭代。反饋：GPU 加速評價與搜索，不改變多目標折中本質。
可視化路線圖與收斂趨勢 -> 分別觀察路線可行性、多樣性與推薦無碰撞路線；優化過程是否收斂。反饋：路線圖看空間解質量，收斂趨勢看時間維度搜索進展。
定義決策變量、兩個優化目標、約束條件；說明 AI、EvoX NSGA-II 與 GPU 的分工，並解釋收斂趨勢如何輔助決策。答案要點：AI 解析任務描述為 EvoX 調用；NSGA-II 在 GPU 上並行評價，非支配排序和擁擠度保持折中解；輸出可視化路線與收斂曲線；曲線平穩則收益有限，仍下降則可增加迭代次數或種群規模。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，授課者根據回答補充遺漏的關鍵詞。
> **過渡提示**
>
> 確認學生能說出本頁的核心關係後，再進入下一頁的例題、應用或總結。
### 實驗結果與可視化分析
*頁面 9*
> **頁面目標：** 學會解讀優化過程中的收斂趨勢與完整結果數據。
> **頁面目標**
>
> 學會解讀優化過程中的收斂趨勢與完整結果數據，理解「過程趨勢 + 最終結果」必須互相印證，不能只憑單次最優結果下結論。
> **講解順序**
>
> 1. 先讀收斂曲線，判斷搜索過程是否推進。
>
> 2. 再看固定倉庫佈局下的最終路線與指標表，判斷方案是否可用。
>
> 3. 用完整實驗數據支撐可復現結論。
>
> 4. 通過練習與案例處理常見誤判。
**講授要點**
- 兩類證據缺一不可。曲線回答「搜索有沒有在動」，路線與指標回答「結果能不能用」。只有收斂趨勢說明搜索在推進，路線可視化與指標表說明方案可用，兩個條件同時成立才能下結論。缺任何一半，都只是猜想。 持續改進，前中期穩定下降或綜合指標穩定上升
- 震盪，上下波動且無長期走向，可能來自評價噪聲、約束衝突或多樣性過大
- 停滯，一段區間幾乎水平但後續仍可能改進
- 早熟收斂，很早就徹底平掉且不再恢復，多因種群多樣性喪失或解空間被過早壓縮。曲線後期出現「後期停滯/早熟？」時，必須結合日誌區分，不能直接寫成「已收斂」。 固定倉庫佈局下的路線對比，要把最優路線與對比路線疊加到同一張固定倉庫地圖上，檢查路徑是否真實可達、繞障是否合理、貼近終點的最後一段是否穩定。固定佈局是關鍵約束，使不同運行或不同參數之間的路線差異可歸因於優化本身，而不是地圖變化。指標表可給出直觀對比：路徑長度 128.4 對 156.9，轉角總數 6 對 9，綜合代價 1.00 對 1.21，體現最優路線在多項指標上的優勢。 運行配置與隨機種子、迭代日誌、各目標隨代數的數值、最終路線與評價結果。若曲線後期不再明顯改進，應結合完整日誌判斷是早熟收斂、評價飽和，還是已接近可用解
- 必要時復跑或交叉檢查。 曲線平滑地早早變平，並不自動等於找到最優解，也不自動等於算法失效
- 一條看起來漂亮的路線也不等於搜索穩定。單次最優結果既可能是真實改進，也可能是隨機波動或評價飽和的產物，過程趨勢與最終結果必須互相印證。
**關鍵詞覆蓋**
- 收斂趨勢、路線驗證、固定倉庫佈局、可復現、早熟收斂、評價飽和、超體積指標、路徑長度、轉角總數、綜合代價。
> **練習線索**
>
> - 五道選擇題圍繞本頁核心判斷展開。第1題問收斂曲線與最終路線可視化的關係，正確方向是「曲線反映搜索過程是否推進，路線與指標表反映最終方案是否可用，兩者需要結合判斷」。第2題問第200代後目標值長時間水平時如何處置，正確方向是「結合完整日誌判斷是早熟收斂、評價飽和，還是已接近可用解，必要時調整策略復跑」。第3題問可復現結論應保存並核對什麼，正確方向是「運行配置、隨機種子、迭代日誌、各目標值、最終路線與評價結果」。第4題問固定倉庫佈局的目的，正確方向是「使不同運行或不同算法之間的路線差異可歸因於優化本身，而不是環境變化」。第5題問「非常平滑且很早就停止變化」的嚴謹解讀，正確方向是「檢查是否存在評價飽和或種群多樣性過早喪失，並通過復跑與指標交叉驗證」。答題反饋：正確時說明該判斷能聯繫本頁概念並給出依據
> - 錯誤時回到本頁講解，找出關鍵證據或例子後再判斷。 「固定倉庫佈局下的多目標尋路復現」中，若第180代後曲線趨平並得到一條不錯的候選路線，需要收集並核對運行配置與隨機種子、迭代日誌、各目標隨代數的數值、固定佈局下的最終路線與評價結果、關鍵指標表，並建議復跑或交叉檢查。不能只用單次最優結果，因為單點最優可能來自隨機波動或評價飽和，無法說明搜索是否真實推進，也無法被他人復現。若復跑後曲線形狀相近但最終路線不同，應比較指標分佈而非單點數值，核對種子與配置是否一致，檢查早熟收斂或評價飽和，必要時增加迭代代數、調整多樣性保持策略或修正評價函數，並在報告中給出典型路線與統計摘要。
**理解檢查**
隨機請一名學生用自己的話總結「曲線看趨勢，路線看落地」以及「過程趨勢與最終結果缺一不可」的關係，教師根據回答補充遺漏的關鍵詞。可讓學生舉一個貼近經驗的例子說明為什麼單看曲線或單看路線都可能誤判。
> **過渡提示**
>
> 確認學生能說出收斂曲線與路線可視化需要結合判斷後，再進入下一頁的例題、應用或總結。
### 工具越容易使用，人的責任越清晰
*頁面 10*
> **頁面目標：** 認識到自動化工具普及後人類研究者角色與責任的轉變。
> **頁面目標**
>
> 理解自動化工具普及後，研究者的責任並不是變輕，而是從「實現」上移到「定義與裁決」。本頁要讓學生記住一句話：工具越容易使用，人的責任越清晰。
**講授要點**
- AI 與 EvoX 把「想法→代碼→實驗」的執行成本壓得很低，快速生成候選實現、批量調參、繪製曲線都變得容易。但執行成本下降不等於判斷成本消失。模型不能替研究者回答三個前置問題：這個問題是否值得研究？目標是否準確？比較是否公平？能跑通、編譯通過、測試通過、指標變好，都只是候選信號，不等於科學結論成立。 左側是 AI / 工具執行層，負責生成候選代碼、批量實驗與調參、自動繪圖與可視化，並讓低價值實現快速淘汰
- 右側是人類責任層，負責提出關鍵問題、定義目標與評價標準、保證公平比較、驗證結論是否有效，以及價值判斷與品味。中間是「不可外包的判斷」閘門，驗收標準不可妥協，候選修改必須經過人類裁決。Genesis 的驗收網關正是這種邊界的工程化：候選修改必須通過編譯、測試、行為檢查與上層驗收，才能進入項目歷史。 在 EvoX 多目標實驗中，Agent 可以快速生成候選方案、調參與繪圖，但研究者仍要審查：目標函數是否代表真實需求？候選多樣性是否被指標掩蓋？失敗模式是否被選擇性展示？此時工具的價值是讓低價值實現更快被淘汰，讓高價值判斷更早成為瓶頸。圖靈提示也落在這一點上：前方有許多事要做，Code is cheap. Taste matters. 核心能力是提出關鍵問題，並以可復現方式把控結論
- 研究者的品味決定技術便利最終轉化為何種科學價值。
**關鍵詞覆蓋**
- 執行成本、判斷成本、不可外包判斷、科學效度、驗收網關、候選信號、公平比較、價值判斷與品味。資料依據：本頁圍繞「責任上移：從實現到定義與裁決」和「結果有效性優先於運行成功」展開。素材線索：可用左右對比圖突出 AI / 工具執行層與人類責任層的分工，中間強調「不可外包的判斷」。
**練習處理**
第1題應選「通過編譯、測試、行為檢查與上層驗收」，反饋要點是：再快、再漂亮的圖表也只是候選信號，關鍵是驗收網關。第2題應選「問題選擇、目標定義與評價標準仍需人類承擔」，反饋要點是：工具加速執行，不是取消判斷。第3題應選「問題是否值得研究、目標是否準確、比較是否公平」，反饋要點是：這三類是科學效度的前置條件。第4題應優先審查「目標函數是否代表真實需求、候選多樣性是否被指標掩蓋、失敗模式是否被選擇性展示」，反饋要點是：指標變好不等於結論成立。
第5題應選「實現成本降低後，研究者的品味與判斷決定技術便利轉化為何種科學價值」，反饋要點是：Code is cheap 指實現成本降低，Taste matters 指判斷與品味更重要。
Genesis 多 Agent 項目中，Agent 可以提議候選補丁、運行測試和匯總指標，但批准進入項目歷史、設定驗收標準與解釋結論必須由人負責。不能外包的判斷包括：提升穩定性是否是真需求，穩定性如何定義、基準是否代表真實場景，以及基線、變量、失敗模式是否被一致對待。如果只以「基準指標提升」作為驗收標準，風險可能來自目標函數偏差、過擬合基準、選擇性展示成功案例、隱藏失敗模式或不公平比較。
改進方向是在驗收網關中加入基線復現、變量控制、消融實驗、失敗模式報告、多目標權衡與外推邊界檢查，並要求人類確認目標函數是否代表真實需求、比較是否公平。
先問值不值得，再問怎麼實現；把驗收標準當作自己的責任；品味決定技術便利的去向。理解檢查：請學生用一句話說出本頁最重要的不可外包判斷是什麼，並說明如何驗證它。過渡提示：確認學生能區分「候選信號」與「科學結論」、能說出執行層與責任層的邊界後，再進入下一頁的應用或總結。
### 科研核心：提出關鍵問題的能力
*頁面 11*
> **頁面目標：** 掌握在自動化編程時代比編寫代碼更重要的核心提問能力。
> **頁面目標**
>
> 本頁要讓學生理解，在 AI Native 科研中，自動化編程與大模型已經把「實現答案」的成本壓得很低，科研重心因此從「能不能做出來」上移到「值不值得做、該往哪裡做」。研究者的核心能力是提出關鍵問題，並守住方向、取捨標準與科學意義。
**講授要點**
- 1. 成本結構的變化是本頁的邏輯起點。代碼生成、方案搜索、實驗執行都可以交給 AI 完成
- 當答案變得廉價，稀缺的就變成「提對問題」。AI 負責擴展答案空間與執行路徑，人負責問題定義與方向把控，責任隨之上移。 2. 藉頁面的思維導圖，把關鍵問題能力拆成六類要素，並逐條講清：目標與衝突——真正要改善的量是什麼，多目標之間如何取捨、誰優先
- 約束與邊界——哪些條件不可交易，解空間有多大
- 評價與驗證——指標是否可觀測，驗證協議與評價預算是多少
- 候選／解空間——需要何種多樣性與魯棒性
- 失敗判據——何種結果應被判定為失敗
- 人機分工與品味——AI 擴展答案，人把控方向。可提示學生把這六類記成一條自查清單。 3. 關鍵提問的本質不是追問實現細節，而是把模糊直覺轉化為可檢驗、可演化、可分工的研究結構。提問質量決定解空間質量：問題定義越清晰，搜索與演化越可能落在有意義的區域，產出越可能可解釋、可複用
- 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。 4. 人機分工與研究者的核心品味。AI 擴展答案空間與執行路徑，人把控方向、取捨標準與科學意義。以 Genesis 這類系統級持續演化的實踐為例：候選修改必須通過編譯、測試與上層驗收，才能進入被接納的項目版本，成為後續工作的歷史基礎
- 如果提問階段沒有把評價協議與失敗判據定義清楚，驗收關卡就無從判斷，AI 產出只能停留在一次性代碼產物，無法跨越上下文與任務週期積累。核心品味即三種判斷：什麼值得問、什麼證據可接受、什麼方案雖可行但不值得做。 把它轉寫成「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？需要何種多樣性與魯棒性？何種結果應判定為失敗？」這樣 AI 才能高效實現答案，人也有據可驗收。 五道選擇題分別對應本頁的五個判斷——科研核心為何上移、關鍵提問的本質、一個關鍵問題需要明確的要素、提問質量與解空間的關係、核心品味的三重判斷。處理時不必逐一宣讀，可先讓學生作答，再用「被壓低的是實現成本而不是判斷成本」「模糊不等於自由」等反饋糾偏。案例題要求學生把「用 EvoX 做優化」改寫成覆蓋目標與衝突、約束與邊界、評價與驗證、失敗判據的問題卡片，並解釋提問質量如何決定實驗能否沉澱為可持續演化的項目成果。參考要點：Genesis 把提交的代碼視為候選修改，只有通過編譯、測試與上層驗收才進入被接納的版本
- 缺少可觀測指標、驗證協議與失敗判據，驗收就沒有依據
- AI 負責生成候選、搜索與運行測試，人負責劃定目標、硬約束、評價預算和失敗判據並作出接納判斷。 隨機請一名學生用自己的話複述六項自查，並給一個自己研究中的模糊需求，嘗試現場改寫。確認學生能說出「能跑通不等於值得投入」「提問質量決定解空間質量」這兩層關係後，再進入下一頁。
### 人機分工：AI 實現答案，人類把控方向
*頁面 12*
> **頁面目標：** 理清 AI 與研究者在科學探索過程中的分工協作關係。
**講授要點**
- 每次實驗前問自己三句話：這個問題是誰選的？評價標準是誰定的？結論由誰驗收？如果三問的答案都指向「我」，分工就是健康的；如果都指向模型，方向把控已經失守。
- 一旦評價標準可以被自動化流程改寫，優化就會悄悄轉向「最容易變好的指標」。把目標函數與約束設為只讀，是防止漂移的第一道閘門。
- AI 擴展帶寬，人類守住意義——交付的不是更多數字，而是站得住腳的結論。
### 頁面目標
理清 AI 與研究者分工協作關係，明確 AI 執行層與人類把控層的邊界，理解為什麼「AI 擴展探索帶寬，人類守住科學意義」。
### 講解順序
把實現與探索交給 AI，把方向與判斷留給研究者。
人機協作閉環。AI 執行層包含答案實現、批量運行實驗、搜索候選解、結果反饋；人類把控層包含問題定義、方向選擇、證據判斷、科學意義驗收。兩側通過「結果上行、標準下行」耦合：AI 把候選答案與實驗反饋推給研究者，研究者把目標、約束與驗收標準交回給 AI。
快速實現答案、批量運行實驗、搜索候選解並反饋。一旦問題與評價標準明確，AI 能在很短時間內給出可運行、可檢驗的方案，讓試錯從稀缺資源變成常規操作。
提出關鍵問題，設定目標、約束與評價標準，判斷證據是否可信，完成科學意義驗收。要能區分「跑得通的結果」與「可靠的結果」，識別過擬合、數據洩漏與指標造假。
任何一側缺席都會失效。只有 AI，會得到大量無意義的結果；只有人類，探索帶寬受限。以多目標演化探索為例，AI 可自動生成並運行大量候選方案，研究者決定優化目標、約束條件和評價指標是否反映真實問題，並篩選出科學上可信、值得繼續探索的方向。
把評價標準也交給 AI 自動決定。這樣系統會非常高效地優化一個並不反映真實科學問題的目標，產出大量「看起來合理」卻毫無意義的結果。凡是會改變「什麼算好」的決策，都必須留在人類一側。
這個問題是誰選的？評價標準是誰定的？結論由誰驗收？如果三問答案都指向「我」，分工就是健康的；如果都指向模型，方向把控已經失守。
AI 擴展帶寬，人類守住意義——交付的不是更多數字，而是站得住腳的結論。
### 講授要點
答案實現、批量運行實驗、搜索候選解、結果反饋，核心是把實現成本壓到接近於零。
問題定義、方向選擇、證據判斷、科學意義驗收，核心是把判斷成本留在自己手裡。
AI 擴展探索帶寬，人類把控方向與驗收標準。
一旦評價標準可以被自動化流程改寫，優化就會悄悄轉向「最容易變好的指標」。把目標函數與約束設為只讀，是防止漂移的第一道閘門。
不是跑出更多數字結果，而是結果在科學上真正有意義，數量才有價值。
### 關鍵詞覆蓋
AI 執行層、人類把控層、人機協作閉環、探索帶寬、評價標準漂移、目標函數只讀、科學意義驗收、自檢三問。
### 練習處理
正確答案是「快速實現答案、批量運行實驗並搜索候選解」。AI 承擔實現與探索；決定問題價值、判斷證據可信度、驗收科學意義屬於人類把控層。
正確答案是「因為只有當結果在科學上真正有意義時，數量才有價值」。數量來自 AI 的探索帶寬，價值來自人類對科學意義的判斷。
正確答案是「優化目標、約束條件與評價指標是否反映真實問題」。候選生成與批量運行屬於 AI 執行層；研究者要把住「什麼算好」這一層。
正確答案是「讓研究者能把注意力集中在方向判斷與驗收標準上」。AI 擴展的是廣度，人類提供的是方向，兩者互補而非相互替代。
正確答案是「系統會高效優化一個並不反映真實科學問題的目標，產出大量看似合理卻無意義的結果」。把評價標準交給系統，等於讓被評估者自己定考卷；凡會改變評價標準的決策，都必須保留人類審核。
### 案例處理
1. AI 執行層包括候選配方的生成、批量仿真運行、性能指標回收與種群更新，這些屬於實現與探索。人類把控層包括要搜索的材料體系、性能目標與工藝約束、指標是否反映真實物理意義、最終候選是否值得繼續投入實驗，這些屬於方向與判斷。劃分依據是：凡是會改變「什麼算好」的決策，都必須留在人類一側；凡是把已定標準執行到更大規模的工作，都可以交給 AI。
2. 若讓 AI 通過元優化自動調整性能指標權重，主要風險是評價標準漂移：被優化的系統同時掌握評價自己的權力後，會向「最容易變好的指標」傾斜，產出的高分配方可能在物理上不可實現或沒有實際價值，而且表面看往往非常合理，難以一眼識別。防護設計包括：把目標函數與約束聲明為受控且只讀；元優化只允許在人類指定邊界內調節少量超參數並設上下限；設置獨立於優化目標的驗收閘門，例如真實合成與表徵實驗；任何權重變更都必須由研究者顯式審核並留下記錄，保證方向決策可追溯。
### 課堂活動
請學生用一個貼近自己學習或科研經歷的例子，複述「AI 實現答案、人類把控方向」的分工，並說出這個例子與自檢三問之間的關係。
### 理解檢查
AI 執行層、人類把控層、人機協作閉環、指標漂移、自檢三問。根據回答補充遺漏關鍵詞。
### 過渡提示
確認學生能說出「AI 擴展探索帶寬、人類把控方向與驗收標準」這一核心關係後，再進入下一頁的例題、應用或總結。
### 核心原則：Code is cheap. Taste matters
*頁面 13*
> **頁面目標：** 體會圖靈理念與 EvoX 建設開放基礎設施的終極目標。
> **頁面目標**
>
> 理解「Code is cheap. Taste matters」這一核心原則，體會圖靈理念與 EvoX 建設開放基礎設施的終極目標。
**講授要點**
- 1. Code is cheap 是對工程現狀的客觀描述。當代碼生成與實現的邊際成本被大模型與張量化底座壓到趨近於零，代碼不再是壁壘，也不再是科研貢獻的度量單位。「能跑通」從成果退化為前提，從可展示的成績變成繼續工作的入場券。 2. Taste matters 是對人機分工之後人類職責的重新定位。當「AI 實現答案、人類把控方向」成為默認分工，人類這一側真正稀缺的，是提出關鍵問題、設定評價標準、在多目標衝突中判斷方向的能力。 問題選擇——做哪個問題，比用什麼方法做更能決定上限，方向錯誤時實現越快越浪費
- 目標函數與評價標準的設計——指標一旦選錯，模型只會高效地朝錯誤方向收斂
- 多目標權衡的取捨準則——性能、可復現性、可維護性、落地成本之間的偏好必須被顯式聲明，而不是臨時拍板
- 結果的解釋與歸因——區分「碰巧跑通」與「真的理解」，並判斷收益究竟來自哪些改動。 4. 品味必須可被檢驗。品味不是審美斷言，也不能靠資歷或投票來裁定。它必須通過「進入真實環境—接受真實反饋」被證偽：把判斷寫成可驗證的假設，用真實場景裡的失敗與成功來修訂它。否則，討論就只剩下偏好的爭執。 5. 基礎設施的意義在於讓品味有落點。EvoX 的終極目標正是建設能夠進入真實環境、接受真實反饋的開放基礎設施。開放、解耦、可組合的底座把落地成本降到足夠低，使好想法能夠低成本地進入真實場景，被篩選、被沉澱、被繼承——判斷力因此有了一個可以被反覆打磨的載體。 Code cheap 不等於工程可省略。驗收網關、可復現性、可維護性與反饋閉環仍然構成真實門檻。品味恰恰體現在對這些門檻的取捨判斷上：什麼樣的反饋值得採信，什麼樣的指標必須堅守，什麼樣的失敗嘗試應當被拒絕而不是被合併。Genesis 式機制的價值也在這裡——候選修改只有通過編譯、測試、行為檢查與上層驗收，才能成為後續執行者可以繼承的歷史基礎。 我們只能看到前方很近的距離，但能看到那裡有大量有待完成的事情。與其爭論智能終局的具體形態，不如先建設能夠持續進入真實場景、接受真實反饋的開放基礎設施，讓每一輪探索都可被檢驗、可被繼承。 頁面用一張趨勢圖展示實現成本持續下降、判斷價值持續上升，二者交叉處形成拐點，意味著判斷力成為關鍵變量。圖下列出 EvoX 願景關鍵詞：開放、可組合、真實反饋、持續演化。
**練習處理**
本頁配有五道選擇題，分別檢查對 Code is cheap 工程含義、稀缺性轉移方向、品味可證偽性、四條工程門檻以及 EvoX 基礎設施目的的理解。答題後請對照反饋，重點區分「實現側指標」與「判斷側能力」：代碼行數、補全準確率、框架熱度、提交頻率都不能替代對「什麼該被接納」的判斷。案例題要求團隊列出應優先投入的環節並設計一條檢驗品味的候選修改接納流程；
參考方向包括問題選擇與目標定義、目標函數與評價標準設計、驗收網關與多目標取捨準則、結果解釋與歸因，以及「候選修改—隔離測試—評價打分—上層驗收—歷史繼承—反饋回流」的閉環。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，授課者根據回答補充遺漏的關鍵詞，例如「能跑通只是入場券」「品味要可證偽」「四條工程門檻」。
> **過渡提示**
>
> 本頁承接上一頁「AI 實現答案、人類把控方向」的分工，給出支撐這一分工的核心原則；下一頁將轉入對話引導 AI 完成 EvoX 任務的實操。
### 課堂活動：對話引導 AI 完成 EvoX 任務
*頁面 14*
> **頁面目標：** 通過動手實踐驗證 AI Native 環境下的基礎優化任務流程。
**課堂活動**
對話引導 AI 完成 EvoX 任務
> **頁面目標**
>
> 在真實 EvoX 環境中完成「提示 → 生成 → 運行 → 驗收」的最小閉環。重點不是只拿到一段可讀代碼，而是驗證 AI Native 工作方式：人給方向、AI 給實現、人做驗收。
> **講解順序**
>
> 先說明活動任務，再拆解如何構造提示，隨後講如何驗收運行結果，最後用追加約束的方式處理不理想結果，並回到人機分工。
**講授要點**
- 用一段對話提示驅動 AI 生成並運行基礎 EvoX 優化任務，再像工程師一樣檢查輸出。 優化問題與目標函數（例如 Rastrigin 函數最小化）、搜索空間與維度（例如 10 維及取值範圍）、算法或算子（例如 DE 算法、交叉與變異算子）、種群規模與迭代代數（例如種群 128、迭代 200 代）、計算平台（CPU 或 GPU 張量化）、期望輸出（最優值、收斂曲線、運行日誌）。 過粗會觸發默認配置，難以判斷是否符合意圖
- 過細會退化為人工編碼。合適做法是明確約束與驗收口徑，把實現細節留給 AI。例如指定問題、算法、種群大小和迭代次數，但不必規定具體接口如何調用。 是否真正執行，而不只是給出代碼，可查看終端日誌和運行時間
- 收斂曲線是否單調趨優且無異常震盪
- 最優值是否與問題已知量級相符，例如 Rastrigin 函數全局最優為 0
- 隨機種子與配置是否可復現，固定種子後重複運行應得到相同或相近結果。 當結果不達預期時，優先通過對話追加約束，例如「固定 seed=42 重跑並給出三次重複的均值方差」，觀察 AI 是否能迭代修正而不是重寫。 人類負責問題定義、指標口徑與結果判定
- AI 負責接口選擇、代碼組織與調試執行。 只做基礎任務的流程驗證，不展開 MetaDE 雙層演化、多目標權衡或 Genesis 多 Agent 等後續主題。 參考提示示例： 「用 EvoX 求解 Rastrigin 函數（10 維）的最小值，採用 DE 算法，種群 128，迭代 200 代，使用 GPU 張量化後端，固定 seed=42
- 請直接運行並返回最優適應度、收斂曲線圖和運行日誌。」 是否真實運行、收斂曲線形態是否合理、最優值是否接近 0、重複運行結果是否一致。
> **練習線索**
>
> - 不需要指定算法實現的具體代碼行數
> - 驗證真實執行的關鍵證據是終端迭代日誌和收斂曲線
> - 結果不佳時最有效的是追加約束，例如固定隨機種子並重複運行
> - 人類主要負責定義問題、指標口徑與結果判定
> - 提示粒度應明確約束與驗收口徑，把實現細節交給 AI。若學生答錯，可引導其回到「提示要素」「運行檢查清單」「人機分工」三處找依據。 20 維 Ackley 函數、CMA-ES、種群 64、迭代 500、CPU、固定 seed=123，若曲線前期劇烈震盪且最優值遠大於 0，可能原因包括步長參數過大、種群多樣性不足、算法參數與問題維度不匹配、隨機種子導致初期探索波動等。追加約束可固定 seed 並重複運行三次、計算均值和方差
> - 要求輸出每代最優值變化
> - 調整步長或種群規模後重新運行。驗收時除最優值外，還應檢查是否真實執行、收斂曲線形態、最優值量級、可復現性、運行時間合理性。 可讓學生分組完成角色分工，一人負責構造提示，一人負責觀察運行日誌與收斂曲線，一人負責對照檢查清單給出驗收結論
> - 記錄一次失敗或不理想結果，並嘗試用追加約束改進。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，授課者根據回答補充提示要素、驗收四問和迭代而非重寫的原則。
> **過渡提示**
>
> 確認學生能說出「人給方向、AI 給實現、人做驗收」的核心關係後，再進入下一頁的例題、應用或總結。
### 課程總結：AI 原生工作流與科學品味
*頁面 15*
> **頁面目標：** 總結 EvoX 的 AI 原生工作流與人機協作中的批判性思維。
> **頁面目標**
>
> 本頁作為全課收束，把 EvoX 的 AI 原生工作流與研究者不可替代的科學品味收斂為同一個結論：當工具把「實現答案」的成本壓到極低時，「定義什麼值得做、判斷什麼結果可信」就成為科研價值的分水嶺。
> **講解順序**
>
> 左側是 AI 原生工作流，從自然語言對話出發，完成配置環境、構建問題與約束、驅動演化運行與批量探索、結果可視化分析與復盤；右側是人類科學品味，負責定義問題、設定目標與約束、多目標權衡取捨、判斷結果可信度與演化方向。
>
> AI 實現答案，人類把控方向；落到一句話就是 Code is cheap. Taste matters.
>
> 工作流壓縮的是從想法到首次可運行實驗的路徑成本；責任隨便捷性上升；科學品味有可指認的落點；批判性思維有結構化的四問；項目級與系統級持續演化仍需人設定驗收標準與演進方向。
>
> 稀缺的不是代碼，而是判斷力；工作流熟練度決定能跑多快，科學品味與批判性思維決定跑的方向對不對。
**講授要點**
- 以自然語言對話為入口，驅動 EvoX 的全鏈路實驗。它降低的是從「想法」到「第一次可運行實驗」之間的路徑成本，而不是實驗本身，也不替代問題定義與結果判斷。腳本骨架、參數接口與繪圖代碼可以更快成形，研究者因此獲得更高的實驗迭代頻率。 工具越容易使用，人的責任反而越清晰。自動化轉移的是執行負擔，而不是判斷責任。AI 數分鐘內產出候選方案時，「多目標權衡是否合理」「指標提升是否可信」「下一步該探索哪個方向」仍要由研究者回答。便捷性提高試錯吞吐量，也同等地放大錯誤決策的傳播速度。 問題定義，決定研究什麼、放棄什麼
- 目標與約束設定，把模糊意圖翻譯成可優化的目標函數與硬性約束
- 多目標權衡取捨，在收斂速度、多樣性、魯棒性、成本之間給出可辯護的偏好
- 結果可信度判斷，區分「跑出來了」和「結論站得住」
- 演化方向設定，決定下一輪探索哪裡，而不是被動接受當前最優。這些不是計算問題，而是價值與判斷問題。 假設是否成立？AI 可能默默補齊了未言明的前提
- 指標是否被誤讀？提升可能來自數據洩漏、評估口徑變化或過擬合
- 結果能否復現？隨機種子、並行調度、依賴版本都會影響可復現性
- 邊界與失效模式是否檢驗？在極端約束、稀疏數據或高維情形下是否依然成立。 AI 負責實現與批量探索，人負責方向與價值判斷。無論自動化程度多高，驗收標準與演進方向仍需由人設定
- 長期缺失這種判斷，品味上的缺口會被時間放大成難以償還的技術債。 AI 實現答案，人類把控方向。每次把任務交給 AI 之前，先想清楚驗收標準是什麼。
**關鍵詞覆蓋**
- AI 原生工作流、科學品味、批判性思維、人機分工、執行負擔、判斷責任、問題定義、目標與約束、多目標權衡、結果可信度、演化方向、技術債、Code is cheap. Taste matters.
> **練習線索**
>
> - 本頁練習圍繞成本壓縮、責任轉移、科學品味落點、批判性核查與持續演化風險展開。處理時先讓學生判斷「被自動化替代的是什麼、沒有被替代的是什麼」，再回到「先跑通，再驗證」的兩步框架。
**練習處理**
工具壓縮了從想法到首個可運行實驗的實現成本，但未改變問題定義與結果判斷的難度。反饋時提醒區分「執行負擔」與「判斷責任」。
產出速度變快，使未經檢驗的結論更容易被當成已確認的成果傳播。反饋時強調便捷性提高試錯吞吐量，也同比例放大錯誤決策的傳播速度。
問題定義、目標與約束設定、多目標權衡取捨、結果可信度判斷、演化方向設定。反饋時說明這些環節是價值與判斷問題，不是計算問題。
AI 未曾言明卻已默默補齊的隱含假設，以及評估口徑是否被改動。反饋時指出批判性核查的重點是假設、指標口徑、可復現性與邊界條件，而不是呈現形式。
品味的缺口被時間不斷放大，累積為難以償還的技術債。反饋時重申自動化只能保證「能跑通」，不能保證「跑對方向」。
面對 AI 給出的候選解與推薦排序，先核對目標與約束是否符合業務真實訴求，再檢驗指標口徑與基線，檢查解在權衡前沿上的分佈與魯棒性，做邊界與失效模式測試，並固定隨機種子、依賴版本與實驗配置以保證復現。若完全按 AI 推薦排序決定主線方案並自動推進方向，風險是把多目標取捨這一價值判斷外包出去，錯誤方向被後續迭代反覆繼承，且「能跑通」會被誤當成「方向正確」。重設分工時，讓 AI 負責實現與批量探索，由人明確目標權重與硬約束、設定驗收標準、保留複核與否決權，並為下一輪探索指定假設與驗證方式。
**課堂活動**
請學生用自己的話複述「自檢四問」，並舉一個貼近自身學習或研究經驗的例子，說明若跳過驗證會如何把「跑出來了」誤當成「站得住」。
**理解檢查**
隨機請一名學生總結本頁重點，並回答「工作流熟練度決定什麼、科學品味與批判性思維決定什麼」。授課者根據回答補充遺漏的關係：前者決定速度，後者決定方向與價值。
> **過渡提示**
>
> 確認學生能區分「跑通」與「站得住」、「實現答案」與「把控方向」之後，再進入下一頁的例題、應用或總結。
### 附錄與開源社區入口
*頁面 16*
> **頁面目標：** 獲取 EvoX 官方交流渠道與持續學習資源。
> **頁面目標**
>
> 本頁作為課程附錄，匯總 EvoX 智能演化系統與 AI Native 科研實踐的官方社區入口，說明課後持續學習、提問與參與前沿探索的渠道。
**講授要點**
- 先區分兩個官方入口。官方微信公眾號為「演化機器智能」，用於發布課程更新、技術文章、活動通知和前沿解讀，適合系統性跟蹤智能演化方向。官方 QQ 交流群群號為 297969717，用於實時提問、討論和同行交流，便於針對具體問題獲得反饋。兩者都指向「持續參與智能演化前沿探索」，不是替代課堂學習，而是形成「學習—實踐—交流—再學習」的循環。 加入後先瀏覽置頂公告和歷史消息，了解規範與已有資源，再結合研究方向參與討論。提問時提供清晰背景、具體問題和已嘗試方法
- 積極參與他人討論也能加深理解。定期查看前沿內容，把社區資源轉化為研究能力。 本頁練習圍繞三個事實與兩個態度展開。公眾號名稱是「演化機器智能」
- QQ 群號是 297969717
- 社區入口的目的是提供課後持續學習、提問與前沿探索渠道
- 課後獲取資源應通過官方入口關注公眾號並加入 QQ 群
- 使用社區應積極提問、分享並參與討論，而非只在考前使用、加入非官方群或潛水。案例研究可引導學生寫出兩個官方渠道，並給出至少兩條持續學習建議，如關注公眾號更新、群內提問交流、跟蹤前沿動態、參與開源項目或線上活動、把課程所學用於實際研究並分享經驗。
**理解檢查**
請學生用自己的話說明兩個官方入口分別適合什麼用途，並複述加入社區後的正確做法。若學生只記住名稱而說不出用途，可讓其回看頁面對比兩個入口。
> **過渡提示**
>
> 確認學生能說出官方入口與持續學習循環的關係後，再進入下一頁。