科研核心：提出关键问题的能力

在 AI Native 科研中，自动化编程与大模型能力已经把“实现答案”的成本压得很低：代码生成、方案搜索、实验执行都可以交给 AI 完成。当答案变得廉价，科研的重心就不再是“能不能做出来”，而是值不值得做、该往哪里做——这正是提出关键问题的能力。

一个关键问题通常需要说清什么

关键提问不是追问实现细节，而是把模糊直觉转化为可检验、可演化、可分工的研究结构。它至少要把下面几件事定义清楚：

• 真实目标与多目标冲突：真正要改善的量是什么？几个目标之间如何取舍、谁优先？
• 不可交易的约束：哪些条件是硬边界，任何方案都不能突破？
• 可观测的评价指标：用什么量、在什么条件下测量，才能让结论站得住？
• 候选空间边界：搜索与演化的可行范围有多大，需要何种多样性与鲁棒性？
• 验证协议与失败判据：用多少评价预算、按什么流程验证，以及何种结果应当被判定为失败？

提问质量决定解空间质量

AI 探索的解空间是由问题定义圈出来的。问题定义越清晰，搜索与演化越可能落在有意义的区域内，产出也越可能可解释、可复用；问题定义越模糊，模型只能在过大的空间里随机试探，结果往往看似可行却无法沉淀。以“用 EvoX 做优化”为例，关键提问应转成：“真实冲突是什么？目标与约束如何量化？评价预算与验证标准是什么？需要何种多样性与鲁棒性？何种结果应被判定为失败？” 这样 AI 才能高效实现答案，人则把控方向。

人机分工与研究者的核心品味

人机分工的核心是：AI 扩展答案空间与执行路径，人类把控方向、取舍标准与科学意义。在 Genesis 这类系统级持续演化实践中，这一点尤其明显——候选修改必须通过编译、测试与上层验收，才能进入被接纳的项目版本并成为后续工作的历史基础。如果关键问题没有把评价协议与失败判据定义清楚，验收关卡就无从判断，AI 产出只会停留在一次性代码产物，无法跨越上下文与任务周期持续积累。

因此，研究者的核心品味体现为三种判断：什么值得问、什么证据可接受、什么方案虽可行但不值得做。在 EvoX 实践中，关键问题应当能引导出可运行、可评估、可迭代的工作流，而不是只追求一次性的实现结果。