人机分工：AI 实现答案，人类把控方向

在真实的科研与工程系统里，AI 最被低估的能力不是“想得更深”，而是把实现与探索的带宽扩展到人类无法企及的规模。人机分工的本质因此可以画成一条清晰的分界线：把实现与探索交给 AI，把方向与判断交给研究者。AI 快速生成答案、批量运行实验、搜索候选解并反馈结果；人类决定什么问题值得回答、什么证据值得相信，并确保结果具有真正的科学意义。

AI 一侧：把实现成本压到接近于零

• 快速实现答案：一旦问题与评价标准被明确下来，AI 能在很短时间内给出可运行、可检验的方案与解释，实现不再是瓶颈。
• 批量运行实验：同一套流程可以并行铺开成百上千次试验，让“试错”从稀缺资源变成常规操作。
• 搜索候选解并反馈：在巨大的搜索空间中生成、筛选并回收结果，把探索的触角伸到人力达不到的地方。

人类一侧：把判断成本留在自己手里

• 提出关键问题：决定什么问题值得回答，而不是顺手去回答一个容易回答的问题。
• 设定目标、约束与评价标准：检查优化目标、约束条件与评价指标是否真实刻画了现实问题。
• 判断证据是否可信：区分“跑得通的结果”与“可靠的结果”，识别过拟合、数据泄漏与指标造假。
• 科学意义验收：最终交付的不是更多数字，而是科学上站得住脚、值得继续投入的结论。

为什么必须形成闭环

两侧通过“结果上行、标准下行”耦合在一起：AI 把候选答案与实验反馈推给研究者，研究者把目标、约束与验收标准交回给 AI。闭环的价值在于AI 扩展探索带宽，人类把控方向与验收标准，任何一侧缺席都会失效——只有 AI 会得到大量无意义的结果；只有人类则探索带宽受限。以多目标演化探索为例，AI 可以自动生成并运行大量候选方案，而研究者决定优化目标、约束条件和评价指标是否反映真实问题，并筛选出科学上可信、值得继续探索的方向。

自检：回想你最近一次实验，其中“这个问题要不要做”“什么算成功”这两个判断，分别是谁做出的？如果答案都是模型，那么分工已经失衡。