课程总结：AI 原生工作流与科学品味

本页作为全课收束，把 EvoX 的 AI 原生工作流 与研究者不可替代的 科学品味 收敛为同一个结论：当工具把“实现答案”的成本压到极低时，“定义什么值得做、判断什么结果可信”就成为科研价值的分水岭。

一、AI 原生工作流：从想法到可运行实验的最短路径

AI 原生工作流以自然语言对话为入口，驱动 EvoX 的全链路实验：配置环境 → 构建问题 → 运行演化 → 结果可视化与分析。它压缩的不是实验本身，而是从“想法”到“第一次可运行实验”之间的路径成本。过去需要数天搭建的脚本骨架、参数接口与绘图代码，如今可以在一次对话中成形，研究者因此拥有了更高的实验迭代频率。

二、责任随便捷性上升

工具越容易使用，人的责任反而越清晰。自动化转移的是执行负担，而不是判断责任。当 AI 在数分钟内产出一组候选方案时，“这组多目标权衡是否合理”“这个指标提升是否可信”“下一步该探索哪个方向”并没有随之被解答，反而因为产出变快而更频繁地摆到研究者面前。便捷性提高了试错吞吐量，也同等放大了错误决策的传播速度。

三、科学品味的落点

科学品味不是抽象的审美，它具体落在以下可指认的环节：

• 问题定义：决定研究什么、放弃什么，即“什么值得做”。
• 目标与约束设定：把模糊的研究意图翻译成可优化的目标函数与硬性约束。
• 多目标权衡取舍：在收敛速度、多样性、鲁棒性、成本之间给出可辩护的偏好。
• 结果可信度判断：区分“跑出来了”和“结论站得住”。
• 演化方向设定：决定下一轮探索哪里，而不是被动接受当前最优。

这些环节无法被工具替代，因为它们不是计算问题，而是价值与判断问题。

四、批判性思维的落点

对 AI 输出应保持结构化的验证与质疑，至少覆盖四个问题：

• 假设是否成立？AI 往往默默补齐了它未言明的前提，而这些前提可能不适用于你的问题。
• 指标是否被误读？指标提升可能来自数据泄漏、评估口径变化，或过拟合于测试集。
• 结果能否复现？随机种子、并行调度、依赖版本都会影响可复现性。
• 边界与失效模式是否被检验？在极端约束、稀疏数据或高维情形下，方案是否依然成立。

五、人机分工与持续演化

本课的分工原则可以压缩成一句话：AI 实现答案，人类把控方向；Code is cheap. Taste matters. 前者是产能问题，后者是方向与价值问题。放到项目级与系统级的持续演化中同样成立：无论自动化程度多高，验收标准与演进方向仍需由人设定；一旦长期缺失这种判断，品味上的缺口会被时间放大成难以偿还的技术债。工具让“做出来”变得便宜，正因如此，“做什么、信什么”才成为真正的分水岭。