# EvoX 智能演化系统与 AI Native 科研实践 课程讲义
课时：1 · 课件页面：16
## 阅读导航
- [第7课｜主题：AI Native 科研范式与 EvoX 实战切入](#lecture-lesson-1)
---
## 第7课｜主题：AI Native 科研范式与 EvoX 实战切入
### AI Native 科研范式与 EvoX 实战切入
*页面 1*
> **页面目标：** 掌握在 AI Native 环境下切入 EvoX 的实用路径，体会“Code is cheap. Taste matters”的科研核心原则。
> **页面目标**
>
> 这是第七课的开篇页，为整个“AI Native 科研范式与 EvoX 实战”单元定调。学习者需要建立两点认识：一是在 AI Native 环境中借助 Codex 等 AI 工具高效开展 EvoX 实验的实用路径；二是当代码可以被自动生成时，研究者真正不可替代的能力——鉴赏力与关键提问能力，也就是本页反复强调的那句话：Code is cheap. Taste matters.
> **讲解顺序**
>
> 1. 先给场景。说明在 AI Native 的工作方式下，写实验脚本、搭建 EvoX 优化流程、跑对比实验这类“体力活”，可以由 AI 工具承担相当一部分，研究者不必再逐行手写。这直接改变了做科研的节奏：从“能不能写出来”转向“值不值得做”。
>
> 2. 再落到方法。借助 Codex 这类工具开展 EvoX 实验时，典型做法是把自己的实验意图、问题设定与评价标准讲清楚，让工具生成可运行的程序骨架，研究者则专注于检查实验设计是否成立、结果是否可信。
>
> 3. 最后点出核心原则。既然代码变得便宜，稀缺的就变成了判断力：选题是否有价值、基线是否公平、指标是否说明问题、结论是否站得住。Taste 决定研究方向，提问能力决定研究深度。
**讲授要点**
- AI 工具降低的是实现成本，不是研究门槛
- 门槛从“编程熟练度”转移到了“问题品味”。 使用 Codex 等工具时，人的角色是提出好问题、设定评价标准、审视生成结果，而不是被动接受输出。 “Code is cheap. Taste matters.” 不是否定工程能力，而是提醒：在自动化编程时代，鉴赏力与提问能力才是研究者真正的护城河。
**理解检查**
请一名学习者用自己的话说明，如果代码可以自动生成，那么在 EvoX 实验中研究者的时间应该重新投到哪里。合格的回答应指向问题选择、实验设计、结果判断等判断性工作，而不只是“让 AI 写得更快”。
> **过渡提示**
>
> 确认学习者能说出“实现成本下降、判断价值上升”这一核心关系后，再进入后续页面，展开具体的 EvoX 实战步骤与示例。
### AI Native 科研范式与 EvoX 实战切入
*页面 2*
> **页面目标：** 了解在 AI Native 环境下切入 EvoX 的整体路径与核心科研原则。
> **页面目标**
>
> 把“AI Native 科研范式”和“EvoX 实战切入”连成一条路径——当实现成本下降，研究者要把注意力从写代码转向提出问题、定义评价、判断方向与批判结果，并记住核心原则“Code is cheap. Taste matters.”。
> **讲解顺序**
>
> 先讲范式转移，再读架构图，随后说明 EvoX 不是单一算法工具，而是可运行、可组合、可持续探索的智能演化系统；最后落到实战切入：从“选算法”改为“设计过程”。
**讲授要点**
- 大模型、GPU、Agent 与自动化工作流成为默认科研基础设施。实现代码、批量实验、扩大搜索越来越廉价
- AI 负责实现答案、加速实验、扩大搜索
- 人负责方向、约束、品味与关键决策。人的注意力从“敲代码”上移到“定标准、做取舍、看结果”。 从“真实问题·研究品味”出发，人提问题、定标准、判断方向
- 转化为可执行探索后，由 AI 基础设施承接，再交给 EvoX。EvoX 内部四环节：问题定义（目标冲突、约束）、评价设计（指标、权重、门槛）、演化过程（候选解、批量迭代）、Runtime 调度（算力、并发、复现）。输出多候选方案、可验证结果、持续演化，形成可批判、可复现的科研输出，并通过“批判与验收”反馈闭环回到起点。 承接演化计算源流，面向复杂多目标、开放探索与系统级持续演化。它不是单一求解器，而是可运行、可组合、可持续探索的工程底座：一次实验的产物可被下一次实验继承，搜索过程本身能持续演化。四个抓手仍是问题定义、评价设计、演化过程、Runtime 调度。 典型误区是把切入点当成“在若干算法里挑一个”。正确起点是先识别目标冲突与约束，把问题转化为可执行、可比较、可持续演化的探索过程。人先定义目标冲突、约束条件与验收标准
- AI 快速生成与迭代代码
- EvoX 批量运行、比较候选方案
- 最终形成可批判、可验证的结果。例如多目标优化实验，不应让 AI 代写全部代码后直接采信输出，而应让机器负责实现与探索、让人负责定义与判断。 Code is cheap. Taste matters. 当代码不再稀缺，问题品味、评价标准、权衡判断与验收能力才是更难被替代的科研竞争力。
**练习处理**
本页配 5 道选择题。第 1 题正确选项为“从写代码实现转向提出问题、定义评价标准并判断方向”；反馈要点：实现与批量探索可交给 AI，人的核心职责是提出问题、定义标准与判断结果。第 2 题正确选项为“可运行、可组合、可持续探索的智能演化系统与工程底座”；若错，提醒不要把 EvoX 简化为某个算法。第 3 题正确选项为“先识别目标冲突与约束，把问题转化为可执行的探索过程”；强调切入点不是算法选型或参数设定。第 4 题正确选项为“当代码不再稀缺，问题品味、评价标准与验收判断成为更稀缺的能力”；
它不否定实现与验证，而是强调稀缺性转移。第 5 题正确选项为“让 AI 代写全部代码后直接采用其运行结果，不再人工定义目标与标准”；这与“AI 实现与探索、人定义与判断”的分工相冲突。
用 EvoX 设计一次多目标优化实验。场景要求同时优化成本、性能与鲁棒性，三项指标相互冲突，并受算力预算与交付周期约束。人机分工应写成：人类负责定义与判断——提出问题，显式写出目标冲突与约束，设计评价指标与验收门槛，并在结果面前做方向判断和批判性验收；AI 负责实现与探索——快速生成并迭代代码，批量运行候选方案，扩大搜索并加速实验。二者构成“人定方向—AI 扩探索—人做验收”的闭环。
目标冲突未显式定义、评价标准含糊、约束被忽略，结果难以判断优劣、复现与沉淀；应改为关注过程设计，明确问题定义与评价方式，规划候选解生成、批量运行比较与 Runtime 调度，并把每轮结果纳入批判与验收。
**课堂活动**
请学生选一个熟悉问题，用一句话写出目标冲突和验收标准，再说明 AI 与 EvoX 各承接哪一段。理解检查：随机请学生复述“为什么先定评价、再动代码”，并指出架构图中反馈闭环的作用。过渡提示：确认学生能区分廉价能力与稀缺能力后，再进入下一页的例题、应用或总结。
### 大模型能力边界与持续演化系统
*页面 3*
> **页面目标：** 理解大模型能力增长与构建长期适应真实世界的系统之间的差距。
**讲授要点**
- 看到“模型能力提升”这类说法时，追问两句：这一轮的有效成果沉淀在哪里？下一轮由谁继承？如果答不上来，那提升的只是单次调用能力，而不是系统的长期适应能力。
- 先产候选 → 再验真实 → 沉淀入库 → 继承再演化。顺序不能换：没有候选无从检验，没有检验谈不上沉淀，没有沉淀就没有可继承的起点。
- 两个高发误解：把“单次任务表现好”当成“系统能长期适应”；把“未经检验的候选”当成“已有结论”。自查方式是看这条结果是否跨过了真实检验，并是否写入了可继承的项目版本。
页面目标**
大模型的「能力增长」与系统的「长期适应」不是同一件事。学习者需要理解，为什么把模型能力做强，并不自动等于项目能在真实世界中持续演进，以及一个系统级闭环应当由哪些环节构成。
讲解顺序**
建议按「能力组件 → 为什么不够 → 四步闭环 → 组件与系统的关系 → 误区自查」的顺序推进。先讲清大模型能做什么，再制造认知落差（单次强 ≠ 长期稳），然后给出闭环结构作为解法，最后用「组件—系统」这对概念收束。
讲授要点**
一、大模型提供的三类能力。它已能稳定承担强理解、生成与工具调用：把目标和约束解析成可执行的任务描述；产出候选假设、代码、实验设计与文档；连接检索、计算、编译与仿真等外部资源。因此把大模型作为「智能组件」接入科研与工程流程，已经是现实可用的做法。但要说清：这三类能力回答的是「单次任务能不能做对」，回答不了「长期任务能不能持续做对」。
二、为什么单次能力强不够。真实工程项目往往持续数月乃至数年，而单个 Agent 的上下文终会耗尽。如果经验无法沉淀，每一轮工作都要从零开始，能力增长就不会自动转化为长期适应能力。这里可以顺势提出：需要把演化对象扩展为持续存在的「软件世界」，并依靠项目级持久化，让经验不随单次实验丢失。
由智能组件提出假设、修改或实现，此刻它们只是候选，不是结论；真实检验：候选必须经过真实环境、仿真或实验，并跨过编译、测试、行为检查与上层验收等关卡；成果沉淀：只有通过检验的有效结果才写入被接纳的项目版本，成为可复用资产；再演化：后续工作继承已沉淀的成果，在此基础上继续提出候选。口诀是「先产候选 → 再验真实 → 沉淀入库 → 继承再演化」。要强调逻辑依赖：没有候选无从检验，没有检验谈不上沉淀，没有沉淀就没有可继承的起点。
四、以 Genesis 这类多 Agent 协作系统作为闭环实例。参与工作的 Agent 生命周期有限，上层执行者理解目标并递归拆解任务，下层执行者完成局部实现与测试，必要时继续向下递归；候选修改仅作为候选提交，必须通过编译、测试、行为检查与上层验收才被接纳，失败尝试被拒绝，通过验证的成果写入项目版本，成为后续执行者的历史基础。在编译器重构与科学软件升级等场景中，这种机制展现出很高的可靠性与运行加速比。
能力组件负责在单点产生高质量候选，系统闭环负责判定哪些候选值得留下、如何留下、以及如何被下一轮继承。缺少闭环，能力越强只会产生更多未被检验的候选；缺少强组件，闭环则缺少高质量的候选来源。
六、常见误区与自查方法。最常见的误读是把「模型能力提升」直接等同于「系统能长期适应」。判断标准不是模型在某次任务中表现多好，而是有效成果能否被稳定沉淀并被下一轮工作继承。可教给学习者两句追问：这一轮的有效成果沉淀在哪里？下一轮由谁继承？答不上来，提升的只是单次调用能力。另一个误区是把「未经检验的候选」当成「已有结论」，自查方式是看它是否跨过了真实检验，并写入了可继承的项目版本。
素材线索**
左侧是「大模型能力」组件区，列出理解、生成、工具调用三项；右侧是「持续演化系统闭环」，以候选产生、真实检验、成果沉淀、再演化四个节点构成循环，中间标注「能力组件需被系统组织」。讲解时可沿箭头方向带学生走一遍闭环，再回指左侧，说明组件只有被系统组织才有长期价值。
练习线索与答案指引**
大模型在流程中的正确定位（可被系统组织起来的智能组件，承担理解、生成与工具调用）；能力增长为何不等于长期适应（单次会话上下文会耗尽，且未经检验的结果无法沉淀为可继承资产）；闭环环节的正确顺序（候选产生 → 真实检验 → 成果沉淀 → 再演化）；Genesis 中代码进入项目历史的门槛（通过编译、测试与行为检查并经上层验收）；以及「组件—系统」关系的准确表述。
案例题要求为一间长期科学计算实验室设计系统级闭环，并针对「失败方案被反复重试」和「新成员无法继承早期结论」给出机制。答案要点是：用严格验收网关与决策记录拒收未通过的候选并留存失败原因，用项目级持久化把通过验收的成果写入被接纳的项目版本；同时点明——单纯提升模型能力只能提高单次候选质量，而这两个问题的根源在于缺少检验、记录与沉淀。
理解检查**
为什么模型更强不等于项目更能长期演进，以及四步闭环各自解决什么问题。若回答只停留在「模型很厉害」，可提示回到「有效成果沉淀在哪里、由谁继承」这两个追问上补全。
过渡提示**
确认学习者能够区分「单次候选的质量」与「系统级的筛选、沉淀与继承」之后，再进入下一页的应用、例题或实操环节。
### 将真实问题转化为 EvoX 探索过程
*页面 4*
> **页面目标：** 掌握面对真实问题时如何界定可变对象、评价标准与保留机制。
> **页面目标**
>
> 掌握面对真实问题时如何界定可变对象、评价标准与保留机制，并理解“先做问题转化，再谈算法选择”的顺序。
> **讲解顺序**
>
> 真实问题（诉求可描述）→ 可变对象界定（变量可采样）→ 评价标准构建（目标可计算）→ 保留与选择机制（候选可继承）→ EvoX 迭代探索（每代可复现）→ 候选方案输出（结论可度量）。
>
> 评价失真时回退到评价标准构建；多样性塌缩时回退到保留机制。
>
> 3. 再依次展开四个验收条件，并用超临界翼型设计说明映射方式。
>
> 4. 最后通过五道判断题与电池包冷却板案例检验理解。
**讲授要点**
- 把真实问题转化为 EvoX 探索过程，是在写下任何算法配置之前，先把模糊的工程或科研诉求，改写成一份“可采样、可评价、可保留、可迭代检验”的演化问题定义。 EvoX 承接的是一条探索流水线，它需要知道在什么空间采样、用什么标准打分、哪些结果值得延续。这些信息只能来自问题本身。算法只能在定义之内寻找答案，无法从一个定义错误的问题里找回正确答案。 把现实诉求翻译成决策变量，确定表示形式、维度与边界，并区分连续参数、离散结构乃至程序级对象。边界过窄会把真正最优解排除在搜索空间之外
- 变量可采样。 把模糊目标拆解为可计算的目标函数与约束，明确最大化指标、硬约束与多目标权衡。反馈稀疏或仿真昂贵时，引入代理模型替代高成本计算。验收条件：目标可计算，且同一输入下结果稳定、可复现。 定义候选如何被保存、比较与延续，让演化过程具备记忆、方向与多样性，而不是一轮轮互不相干的一次性试错。验收条件：候选可继承。 转化结果必须可复现、可度量、可迭代验证，每一步都能回答“这次改变是否真的更优”。变量漏设会误解解空间，评价失真会使优化整体跑偏
- 这两类偏差都无法靠后续算子或更多迭代弥补。 超临界翼型设计中，可变对象是基础翼型的几何扰动参数
- 评价标准是升阻比、阻力发散、鲁棒性等多目标指标，并用代理模型控制仿真成本
- 保留机制是输出兼顾各项指标的多样化候选方案组，交由领域专家权衡决策。同一个现实问题，只要换一套变量边界或评价口径，探索结论就会完全不同。
**关键词覆盖**
- 问题转化、可变对象界定、变量可采样、评价标准构建、目标可计算、保留与选择机制、候选可继承、EvoX 迭代探索、每代可复现、评价失真、多样性塌缩、代理模型、超临界翼型。
**练习处理**
正确答案是“因为转化确定了搜索空间与评价口径，算法只能在这个定义之内寻找答案”。讲解时强调，转化回答“什么可以改变”和“改变后如何评价”，探索空间上限与优化方向都由它决定；采样开销或算子类型不是关键。
正确答案是“搜索空间偏窄，真正的最优解不在其中，后续算子与迭代都无法弥补”。变量漏设属于转化阶段偏差，评价函数、保留机制与算子都不会凭空创造未定义的维度。
正确答案是“用代理模型低成本近似评价，同时显式保留多目标的权衡关系与硬约束”。当评价昂贵且目标冲突时，正确做法是降低单次评价成本并显式表达冲突与约束，而不是削减迭代代数或简单加权合并。
正确答案是“让候选被保存、比较与延续，使演化过程具备记忆、方向与多样性”。保留机制不负责评价，也不负责修正变量边界。
正确答案是“每一步都应可复现并能回答‘这次改变是否真的更优’，否则偏差会在迭代中被放大”。事后总评不能替代逐步校验，变量漏设与评价失真发生在转化阶段，迭代只会放大偏差。
答对时肯定学生能联系本页概念并说明依据；答错时请学生回到对应段落，找出关键证据或示例后再判断。
> **练习线索**
>
> - 电池包冷却板的流道几何优化。 只把流道宽度作为决策变量，忽略流道走向、拓扑形式、分支级数、进出口位置等离散结构自由度，属于可变对象界定过窄，真正最优几何可能不在搜索空间内
> - 只以最高温度作为唯一目标，把压降与温度均匀性交给经验判断，属于评价标准失真，多目标冲突未被显式建模
> - 单次 3 小时仿真乘以 200 代，缺少评价成本控制与可复现检验口径，直接从结果中挑“看起来最好”的个体，无法回答“这次改变是否真的更优”。 可变对象上，把连续参数（流道宽度、深度、壁厚）与离散结构（流道拓扑、分支级数、进出口位置）一并纳入，写明取值范围或编码方式，并区分固定量，检验条件为变量可采样。评价标准上，把最高温度、压降、温度均匀性写成显式多目标目标函数，把压降上限、制造可行性写成硬约束，用代理模型承担大部分评价并周期性用真实仿真校准，检验条件为目标可计算、同一输入下稳定可复现。保留机制上，保存一组跨目标权衡的多样化候选，而不是单一最优解，定义比较规则与延续规则，并用多样性度量监控同质化，检验条件为候选可继承。运行与校验中，逐代记录可复现指标
> - 若评价可信度下降，回退到评价标准构建重新校准
> - 若多样性塌缩，回退到保留机制调整筛选与延续策略。
**课堂活动**
请学生用一句话把“让这个设计更好”改写成一份包含可变对象、评价标准和保留机制的探索问题定义，再互相检查是否满足“可采样、可计算、可继承、可复现”。
**理解检查**
随机请一名学生用自己的话总结本页重点，教师根据回答补充遗漏的验收条件和反馈回路。
> **过渡提示**
>
> 确认学生能说出“先定义，再开优化器”以及两类回退机制后，再进入下一页的例题、应用或总结。
### 多目标优化与多解探索
*页面 5*
> **页面目标：** 认识真实世界中多目标牵制的复杂性以及保留一组候选方案的必要性。
> **页面目标**
>
> 认识真实世界中多目标牵制的复杂性，理解为何需要保留一组候选方案，并掌握 Pareto 支配、Pareto 前沿、标量化的代价以及收敛性与多样性的二维评价。
**讲授要点**
- 这真的是一个多目标问题吗 判断标准不是“目标个数大于 1”，而是目标之间是否此消彼长。以超临界翼型设计为例：升阻比、结构强度、失速裕度与制造/仿真成本相互牵制，提高升阻比往往意味着结构载荷与制造成本同步上升。如果所有目标能被无损同时改进，问题就退化为单目标，多解探索既无必要，也会白耗算力。方向相反、此消彼长，才构成真正的多目标。 二、Pareto 支配与 Pareto 前沿 解 A 支配解 B，当且仅当 A 在所有目标上都不劣于 B（对每个目标 i 都有 fᵢ(A) ≤ fᵢ(B)），且至少在一个目标上严格更优（存在 j 使 fⱼ(A) < fⱼ(B)）。任何一个被支配的解，都存在一个“至少一样好、某处更好”的替代者，因此没有保留价值。所有不被任何解支配的解构成 Pareto 前沿——前沿上的解彼此互不支配，谁更合适取决于偏好，而不取决于数学。 三、单目标化的代价 加权求和、ε-约束等标量化方法把向量目标压成一个标量，工程上方便，代价却很具体： 掩盖权衡结构——权重一旦固定，前沿的形状与备选方向就不可见，决策者只能看到一个分数。 权重必须事先给定——而真实偏好常常无法事先形式化，往往要到评审阶段才逐步清晰。 覆盖受限——加权求和通常只能取到前沿上的个别触点，非凸前沿的部分区段难以达到。 一旦后续审查改变权重，整个搜索就得重跑，这恰恰是“一次探索换多次决策自由”的反面。 收敛性与多样性 收敛性（解集是否逼近真实前沿）与多样性（解是否覆盖前沿的不同区段）。二者常常互相拉扯：选择压力一旦过度偏向“更好”，种群就会坍缩到前沿的某一点或某一小段，看起来收敛很快，却把权衡信息丢掉了。因此需要显式维持种群多样性，并配合拥挤度、分解、指标驱动（如超体积）等选择压力。 决策位置发生转移 优化器只负责产出可比较的候选组，最终选型由偏好或领域专家完成，优化器不应替决策者过早收敛。保留差异化候选组的现实理由是“对冲”——当偏好未知、会随情境变化，或约束会在落地阶段被修正时，多样化的方案组比单一“最优解”更有价值。实现接口上，多目标问题应被定义为向量值评价函数（一次返回多个目标值）与候选方案集合的输出，而不是标量适应度配单一返回值。评价函数的返回值个数决定目标维数，输出结构决定能否保住多样性。
> **素材线索**
>
> - 页面提供二维 Pareto 前沿散点图，横轴为目标 1 结构质量（越小越好），纵轴为目标 2 制造成本（越小越好）。图中标注了非支配解、被支配解、Pareto 前沿、标量化命中点、改进方向、稀疏区与密集区。可借助该图直观解释支配关系、前沿形状与多样性，并说明加权求和通常只能命中前沿上的个别点。
> **练习线索**
>
> - 页面含 5 道单选题与 1 个案例研究。 第 1 题考查 Pareto 支配判定，正确选项为“解 A 支配解 B，当且仅当 A 在所有目标上都不劣于 B，且至少在一个目标上严格更优”。引导时强调两个条件必须同时成立，互有优劣的解彼此不支配，会同时留在 Pareto 前沿上。 第 2 题考查多目标问题的判断依据，正确选项为“目标之间方向相反，改善一个必然以另一个的退化为代价”。引导时指出冲突性才是多目标的本质，关键不在目标个数，而在此消彼长的冲突关系。 第 3 题考查标量化方法的判断，正确选项为“标量化会掩盖权衡结构，且要求权重事先给定，而真实偏好常常无法事先形式化”。引导时提醒两个代价：掩盖权衡结构，以及必须事先给定权重。 第 4 题考查收敛性与多样性的关系，正确选项为“二者常常互相拉扯，过度追求收敛容易让种群坍缩到前沿的个别区段”。可反问：若所有解都挤在前沿的一个点上，虽然看起来收敛，但决策者还能做选择吗？ 第 5 题考查优化器与决策者的分工，正确选项为“优化器输出一组可比较的非支配候选，最终选型交给偏好或领域专家”。引导时说明决策位置发生了转移，多目标优化的价值恰在于保留候选组。 案例研究围绕超临界翼型的多目标取舍。问题 1 要求说明为何构成真正的多目标问题，以及用加权总分输出唯一“最优翼型”在评审环节的风险。答案要点：目标之间方向相反、彼此牵制，无法无损同时改进
> - 加权总分掩盖权衡结构、要求权重事先给定，权重一旦调整便需重跑，仿真预算难以承受。问题 2 要求说明如何定义评价函数与输出结构，以及如何在评审现场选型。答案要点：评价函数改为向量值形式，返回四元组（升阻比、结构质量、失速裕度、制造与仿真成本）
> - 输出为候选方案集合，即一组互不支配的 Pareto 前沿解
> - 算法层面显式维持多样性，配合拥挤度、分解或超体积等选择压力
> - 评审现场按真实偏好从候选组中取舍。 答对时肯定学生能联系本页概念并说明依据
> - 答错时请学生回到本页讲解，找出关键证据或例子后再判断。
**课堂活动**
可请学生举一个日常中多目标冲突的例子（如买手机时性能、价格、续航的取舍），说明为什么不存在唯一最优解，以及保留一组候选方案的价值。
**理解检查**
随机请一名学生用自己的话总结本页重点，教师根据回答补充遗漏的关键词，如 Pareto 支配、Pareto 前沿、收敛性、多样性、种群坍缩、向量值评价函数。
> **过渡提示**
>
> 确认学生能说出多目标问题的本质（目标冲突）以及 Pareto 前沿和多样性的意义后，再进入下一页的例题、应用或总结。
**资料依据**
来自 EvoClass 草稿，第 7-7 页。
### MetaDE：用演化算法改进演化算法
*页面 6*
> **页面目标：** 理解如何将产生候选方案的方法本身作为演化对象。
**讲授要点**
- 内层回答“算出什么”，外层回答“怎么算才更好”。两层之间只传一个信号——任务性能，也就是适应度。
- 不要把内层得到的那个解当成 MetaDE 的最终成果。真正的产出是可迁移的算法配置：换到同类新实例上配置依然有效，而单个解往往已经过期。
- 合上讲义问自己：一次外层评估大约等于多少次内层完整运行？如果答不上来，说明你还没抓住 MetaDE 的成本结构和并行为什么必要。
【页面目标】
理解如何将产生候选方案的方法本身作为演化对象，即 MetaDE 用演化算法改进演化算法的双层优化闭环。
【讲解顺序】
变异策略、交叉率 CR、缩放因子 F、种群规模 NP 这些配置本身是谁选的？
外层编码配置并演化，内层在真实任务上并行运行 DE，返回性能评价。
从“找解”上升到“找会找解的方法”。
配置下发 → 内层求解 → 性能回传 → 外层更新；评估成本高，GPU 并行是关键使能条件。
5. 总结一句话本质与常见误区，进行练习与理解检查。
【讲授要点】
内层拿到一组具体 DE 配置，在真实任务上跑一次完整求解，产生候选解并返回可比较的性能评价；外层把 DE 的配置、超参数或策略组合编码为个体，以任务性能作为适应度，用选择、重组、变异更新下一代配置。
传统 DE 的产出是一个解向量；MetaDE 的产出是一套能在这类任务上稳定产出更好解的算法配置。搜索对象从“答案”上升为“生产答案的机器”，使得一次外层搜索的成果可以迁移到同一族的其他实例上复用。
整个系统靠一条闭环串起来——外层下发配置 → 内层执行求解 → 性能回传 → 外层据此更新下一代配置。外层的一个个体要获得适应度，就必须付出一次（往往是多次并行）完整内层运行的代价，因此评估成本管理与并行调度是系统设计的核心。正是 GPU 能够把大量内层任务同时跑起来，才让这种“评估昂贵”的元优化在工程上变得可行。
内层负责“算出什么”，外层负责“怎么算才更好”。两层共享同一个适应度信号——任务性能，这也正是它们能形成闭环的原因。
【关键词覆盖】
双层优化、内层、外层、适应度、配置下发、性能回传、GPU 并行、评估成本、差分进化配置（变异策略、交叉率 CR、缩放因子 F、种群规模 NP）。
【练习线索】
外层演化对象是算法配置；内层职责是接收配置、在真实任务上求解并返回性能评价；信息闭环顺序为配置下发 → 内层求解 → 性能回传 → 外层更新；相对于传统 DE 的目标转移是从寻找单个问题的最优解，转为寻找能更好产生解的算法与配置；主要计算开销来自评估外层个体需付出完整内层运行的代价，GPU 并行把大量内层任务同时跑起来，使元优化在工程上可行。
答对时肯定其能联系本页概念并说明依据；答错时提示回到本页讲解，找出关键证据或例子后再判断。
物流路径求解器配置 MetaDE。内层在真实配送任务上完整运行 DE，得到路径解及平均运输成本，作为可比较的性能评价返回。外层把 DE 配置（如 [变异策略 DE/best/1，CR = 0.7，F = 0.5，NP = 60]）编码为个体，以平均运输成本为适应度，执行选择、重组与变异，生成下一代配置种群。GPU 预算有限时，可用分层评估（先用少量代表性任务粗筛，只对靠前配置在完整任务集上复评）与批量并行调度（把同一代所有个体对应的内层运行打包成批次提交 GPU）来降低评估成本或提升搜索效率；
也可缩小外层种群规模或用代理模型近似预测性能，但需在搜索多样性与估计偏差之间权衡。理由均围绕“外层适应度依赖内层完整运行”和“并行能摊薄单个个体的等待时间”。
【常见误区】
不要把内层得到的那个解当成 MetaDE 的最终成果。真正的产出是可迁移的算法配置：换到同类新实例上配置依然有效，而单个解往往已经过期。
【理解检查】
一次外层评估大约等于多少次内层完整运行？如果答不上来，说明还没抓住 MetaDE 的成本结构和并行为什么必要。也可让学生用自己的话总结内外层职责与闭环顺序。
【过渡提示】
确认学生能说出“内层回答‘算出什么’，外层回答‘怎么算才更好’，两层共享任务性能这一适应度信号”后，再进入下一页的例题、应用或总结。
### AI Native 工作方式与便捷入口
*页面 7*
> **页面目标：** 体验无需死记硬背安装命令或繁复接口的 AI 原生工作流。
> **页面目标**
>
> 理解 AI Native 工作方式与便捷入口，把 EvoX 的使用起点从记忆安装命令和繁复接口，转移到用自然语言表达实验意图。学习后应能说明“对话即入口”的含义，并分清 AI 工具与研究者各自负责的环节。
> **讲解顺序**
>
> 先对比传统方式与 AI Native 方式；再按“自然语言意图 → AI 理解与执行 → EvoX 实验产出”讲解完整流程；最后用仓库机器人避障寻路案例，演示如何用“目标—约束—验收”三件套向 AI 描述实验。
**讲授要点**
- 用自然语言说明任务、约束和验收目标，AI 负责理解代码并执行。 无需预先掌握安装命令、依赖配置和繁复接口调用。 框架安装、运行配置、算法选择或生成，均可由 AI 辅助完成。 对话成为连接研究者意图与 EvoX 实验产出的便捷入口。 研究者聚焦问题品味、多目标权衡、方案验收与批判性判断。 传统方式下，要启动一次 EvoX 实验，必须先记住命令、依赖和接口
- AI Native 工作方式把入口上移到“意图表达”。你描述要在什么问题上、受什么约束、以什么标准验收，Codex 这类工具负责把意图翻译成可执行的代码与环境操作，并返回运行状态。这样，实验起点不再是命令记忆，而是清晰的问题定义。 仓库机器人避障寻路。可用自然语言要求 AI 调用 EvoX NSGA-II，在 GPU 上做多目标优化并输出可视化路线。这里要区分三类信息：意图是“为仓库机器人避障寻路，用 EvoX NSGA-II 在 GPU 上做多目标优化”
- 目标是路径长度最短、安全距离最大、能耗最低
- 约束是 5 分钟内返回结果
- 验收目标是输出 Pareto 前沿与可视化路线，并保留可复现运行结果。AI 工具负责理解代码、配置环境与依赖、选择或生成算法、在 GPU 上执行并返回状态
- 人的职责则上移到问题定义、评价标准设定、多目标权衡、方案验收与批判性判断。
**练习处理**
若问“核心概念是什么”，应把握“体验无需死记硬背安装命令或繁复接口的 AI 原生工作流”。若要求判断哪一说法最合理，应选择能联系本页概念并给出证据或例子的选项；只凭感觉、把所有因素同时改变、跳过资料直接背答案都不符合要求。关于“快速完成环境配置与算法设计”，也要能用证据或例子解释，而不是只记结论。
**理解检查**
请学生用自己的话说出“自然语言意图 → AI 理解与执行 → EvoX 实验产出”的关系，并说明研究者为什么仍要审查约束是否满足、Pareto 前沿是否合理、路线是否安全可行。确认学生能区分 AI 的执行职责与人的判断职责后，再进入后续实战内容。
### 仓库机器人寻路任务实战
*页面 8*
> **页面目标：** 了解如何通过 AI 快速调用 EvoX 解决具体的避障寻路问题。
> **讲解顺序**
>
> 货架、通道、障碍物、起点与终点均已确定，需要找到无碰撞且尽量短的路径。
>
> 2. 指出路径长度与避障安全性通常不一致，因此是典型的多目标优化问题，而非单目标最短路径。
>
> 3. 说明 AI 作为“任务翻译器”，把自然语言任务描述转化为 EvoX 可执行调用，减少手工编码与参数配置。
>
> 4. EvoX NSGA-II 在 GPU 上并行完成种群评价与搜索，保留多个折中解，形成从“短但冒险”到“长但安全”的路线族。
>
> 可视化候选路线图与收敛趋势曲线，用于观察可行性与搜索进展。
**讲授要点**
- 固定仓库布局、障碍物环境、机器人起点与终点。 路径关键点、曲线控制点、转弯半径、速度剖面等。 最小化路径长度
- 最小化碰撞风险或最大化无碰撞可行性。 路线必须留在通道内，不能穿越货架或障碍物，并满足机器人运动学限制。 将自然语言描述自动转化为 EvoX 可执行调用，降低配置成本
- 不替代优化算法本身。 并行评价大量候选路线，加速 NSGA-II 迭代
- 不改变多目标存在折中解的事实。 可视化路线图观察路径可行性、多样性和推荐无碰撞路线
- 收敛趋势曲线判断是否进入平台期。 先定义目标与约束再调参数
- 可行性优先于路径长度
- 用收敛趋势判断继续迭代还是收手。
**练习处理**
任务输入要素 -> 固定仓库布局、障碍物环境、起点与终点。反馈：任务输入定义环境、约束与起止条件。
NSGA-II 处理的两个目标 -> 路径长度与避障安全性。反馈：更短路径可能更靠近障碍物，安全要求可能使路径变长。
AI 的主要价值 -> 把任务描述自动转化为 EvoX 可执行调用。反馈：AI 是任务翻译与调用生成层，降低配置成本。
GPU 的优势 -> 并行评价大量候选路线，加速 NSGA-II 迭代。反馈：GPU 加速评价与搜索，不改变多目标折中本质。
可视化路线图与收敛趋势 -> 分别观察路线可行性、多样性与推荐无碰撞路线；优化过程是否收敛。反馈：路线图看空间解质量，收敛趋势看时间维度搜索进展。
定义决策变量、两个优化目标、约束条件；说明 AI、EvoX NSGA-II 与 GPU 的分工，并解释收敛趋势如何辅助决策。答案要点：AI 解析任务描述为 EvoX 调用；NSGA-II 在 GPU 上并行评价，非支配排序和拥挤度保持折中解；输出可视化路线与收敛曲线；曲线平稳则收益有限，仍下降则可增加迭代次数或种群规模。
**理解检查**
随机请一名学生用自己的话总结本页重点，授课者根据回答补充遗漏的关键词。
> **过渡提示**
>
> 确认学生能说出本页的核心关系后，再进入下一页的例题、应用或总结。
### 实验结果与可视化分析
*页面 9*
> **页面目标：** 学会解读优化过程中的收敛趋势与完整结果数据。
> **页面目标**
>
> 学会解读优化过程中的收敛趋势与完整结果数据，理解“过程趋势 + 最终结果”必须互相印证，不能只凭单次最优结果下结论。
> **讲解顺序**
>
> 1. 先读收敛曲线，判断搜索过程是否推进。
>
> 2. 再看固定仓库布局下的最终路线与指标表，判断方案是否可用。
>
> 3. 用完整实验数据支撑可复现结论。
>
> 4. 通过练习与案例处理常见误判。
**讲授要点**
- 两类证据缺一不可。曲线回答“搜索有没有在动”，路线与指标回答“结果能不能用”。只有收敛趋势说明搜索在推进，路线可视化与指标表说明方案可用，两个条件同时成立才能下结论。缺任何一半，都只是猜想。 持续改进，前中期稳定下降或综合指标稳定上升
- 震荡，上下波动且无长期走向，可能来自评价噪声、约束冲突或多样性过大
- 停滞，一段区间几乎水平但后续仍可能改进
- 早熟收敛，很早就彻底平掉且不再恢复，多因种群多样性丧失或解空间被过早压缩。曲线后期出现“后期停滞/早熟？”时，必须结合日志区分，不能直接写成“已收敛”。 固定仓库布局下的路线对比，要把最优路线与对比路线叠加到同一张固定仓库地图上，检查路径是否真实可达、绕障是否合理、贴近终点的最后一段是否稳定。固定布局是关键约束，使不同运行或不同参数之间的路线差异可归因于优化本身，而不是地图变化。指标表可给出直观对比：路径长度 128.4 对 156.9，转角总数 6 对 9，综合代价 1.00 对 1.21，体现最优路线在多项指标上的优势。 运行配置与随机种子、迭代日志、各目标随代数的数值、最终路线与评价结果。若曲线后期不再明显改进，应结合完整日志判断是早熟收敛、评价饱和，还是已接近可用解
- 必要时复跑或交叉检查。 曲线平滑地早早变平，并不自动等于找到最优解，也不自动等于算法失效
- 一条看起来漂亮的路线也不等于搜索稳定。单次最优结果既可能是真实改进，也可能是随机波动或评价饱和的产物，过程趋势与最终结果必须互相印证。
**关键词覆盖**
- 收敛趋势、路线验证、固定仓库布局、可复现、早熟收敛、评价饱和、超体积指标、路径长度、转角总数、综合代价。
> **练习线索**
>
> - 五道选择题围绕本页核心判断展开。第1题问收敛曲线与最终路线可视化的关系，正确方向是“曲线反映搜索过程是否推进，路线与指标表反映最终方案是否可用，两者需要结合判断”。第2题问第200代后目标值长时间水平时如何处置，正确方向是“结合完整日志判断是早熟收敛、评价饱和，还是已接近可用解，必要时调整策略复跑”。第3题问可复现结论应保存并核对什么，正确方向是“运行配置、随机种子、迭代日志、各目标值、最终路线与评价结果”。第4题问固定仓库布局的目的，正确方向是“使不同运行或不同算法之间的路线差异可归因于优化本身，而不是环境变化”。第5题问“非常平滑且很早就停止变化”的严谨解读，正确方向是“检查是否存在评价饱和或种群多样性过早丧失，并通过复跑与指标交叉验证”。答题反馈：正确时说明该判断能联系本页概念并给出依据
> - 错误时回到本页讲解，找出关键证据或例子后再判断。 “固定仓库布局下的多目标寻路复现”中，若第180代后曲线趋平并得到一条不错的候选路线，需要收集并核对运行配置与随机种子、迭代日志、各目标随代数的数值、固定布局下的最终路线与评价结果、关键指标表，并建议复跑或交叉检查。不能只用单次最优结果，因为单点最优可能来自随机波动或评价饱和，无法说明搜索是否真实推进，也无法被他人复现。若复跑后曲线形状相近但最终路线不同，应比较指标分布而非单点数值，核对种子与配置是否一致，检查早熟收敛或评价饱和，必要时增加迭代代数、调整多样性保持策略或修正评价函数，并在报告中给出典型路线与统计摘要。
**理解检查**
随机请一名学生用自己的话总结“曲线看趋势，路线看落地”以及“过程趋势与最终结果缺一不可”的关系，教师根据回答补充遗漏的关键词。可让学生举一个贴近经验的例子说明为什么单看曲线或单看路线都可能误判。
> **过渡提示**
>
> 确认学生能说出收敛曲线与路线可视化需要结合判断后，再进入下一页的例题、应用或总结。
### 工具越容易使用，人的责任越清晰
*页面 10*
> **页面目标：** 认识到自动化工具普及后人类研究者角色与责任的转变。
> **页面目标**
>
> 理解自动化工具普及后，研究者的责任并不是变轻，而是从“实现”上移到“定义与裁决”。本页要让学生记住一句话：工具越容易使用，人的责任越清晰。
**讲授要点**
- AI 与 EvoX 把“想法→代码→实验”的执行成本压得很低，快速生成候选实现、批量调参、绘制曲线都变得容易。但执行成本下降不等于判断成本消失。模型不能替研究者回答三个前置问题：这个问题是否值得研究？目标是否准确？比较是否公平？能跑通、编译通过、测试通过、指标变好，都只是候选信号，不等于科学结论成立。 左侧是 AI / 工具执行层，负责生成候选代码、批量实验与调参、自动绘图与可视化，并让低价值实现快速淘汰
- 右侧是人类责任层，负责提出关键问题、定义目标与评价标准、保证公平比较、验证结论是否有效，以及价值判断与品味。中间是“不可外包的判断”闸门，验收标准不可妥协，候选修改必须经过人类裁决。Genesis 的验收网关正是这种边界的工程化：候选修改必须通过编译、测试、行为检查与上层验收，才能进入项目历史。 在 EvoX 多目标实验中，Agent 可以快速生成候选方案、调参与绘图，但研究者仍要审查：目标函数是否代表真实需求？候选多样性是否被指标掩盖？失败模式是否被选择性展示？此时工具的价值是让低价值实现更快被淘汰，让高价值判断更早成为瓶颈。图灵提示也落在这一点上：前方有许多事要做，Code is cheap. Taste matters. 核心能力是提出关键问题，并以可复现方式把控结论
- 研究者的品味决定技术便利最终转化为何种科学价值。
**关键词覆盖**
- 执行成本、判断成本、不可外包判断、科学效度、验收网关、候选信号、公平比较、价值判断与品味。资料依据：本页围绕“责任上移：从实现到定义与裁决”和“结果有效性优先于运行成功”展开。素材线索：可用左右对比图突出 AI / 工具执行层与人类责任层的分工，中间强调“不可外包的判断”。
**练习处理**
第1题应选“通过编译、测试、行为检查与上层验收”，反馈要点是：再快、再漂亮的图表也只是候选信号，关键是验收网关。第2题应选“问题选择、目标定义与评价标准仍需人类承担”，反馈要点是：工具加速执行，不是取消判断。第3题应选“问题是否值得研究、目标是否准确、比较是否公平”，反馈要点是：这三类是科学效度的前置条件。第4题应优先审查“目标函数是否代表真实需求、候选多样性是否被指标掩盖、失败模式是否被选择性展示”，反馈要点是：指标变好不等于结论成立。
第5题应选“实现成本降低后，研究者的品味与判断决定技术便利转化为何种科学价值”，反馈要点是：Code is cheap 指实现成本降低，Taste matters 指判断与品味更重要。
Genesis 多 Agent 项目中，Agent 可以提议候选补丁、运行测试和汇总指标，但批准进入项目历史、设定验收标准与解释结论必须由人负责。不能外包的判断包括：提升稳定性是否是真需求，稳定性如何定义、基准是否代表真实场景，以及基线、变量、失败模式是否被一致对待。如果只以“基准指标提升”作为验收标准，风险可能来自目标函数偏差、过拟合基准、选择性展示成功案例、隐藏失败模式或不公平比较。
改进方向是在验收网关中加入基线复现、变量控制、消融实验、失败模式报告、多目标权衡与外推边界检查，并要求人类确认目标函数是否代表真实需求、比较是否公平。
先问值不值得，再问怎么实现；把验收标准当作自己的责任；品味决定技术便利的去向。理解检查：请学生用一句话说出本页最重要的不可外包判断是什么，并说明如何验证它。过渡提示：确认学生能区分“候选信号”与“科学结论”、能说出执行层与责任层的边界后，再进入下一页的应用或总结。
### 科研核心：提出关键问题的能力
*页面 11*
> **页面目标：** 掌握在自动化编程时代比编写代码更重要的核心提问能力。
> **页面目标**
>
> 本页要让学生理解，在 AI Native 科研中，自动化编程与大模型已经把“实现答案”的成本压得很低，科研重心因此从“能不能做出来”上移到“值不值得做、该往哪里做”。研究者的核心能力是提出关键问题，并守住方向、取舍标准与科学意义。
**讲授要点**
- 1. 成本结构的变化是本页的逻辑起点。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，稀缺的就变成“提对问题”。AI 负责扩展答案空间与执行路径，人负责问题定义与方向把控，责任随之上移。 2. 借页面的思维导图，把关键问题能力拆成六类要素，并逐条讲清：目标与冲突——真正要改善的量是什么，多目标之间如何取舍、谁优先
- 约束与边界——哪些条件不可交易，解空间有多大
- 评价与验证——指标是否可观测，验证协议与评价预算是多少
- 候选／解空间——需要何种多样性与鲁棒性
- 失败判据——何种结果应被判定为失败
- 人机分工与品味——AI 扩展答案，人把控方向。可提示学生把这六类记成一条自查清单。 3. 关键提问的本质不是追问实现细节，而是把模糊直觉转化为可检验、可演化、可分工的研究结构。提问质量决定解空间质量：问题定义越清晰，搜索与演化越可能落在有意义的区域，产出越可能可解释、可复用
- 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。 4. 人机分工与研究者的核心品味。AI 扩展答案空间与执行路径，人把控方向、取舍标准与科学意义。以 Genesis 这类系统级持续演化的实践为例：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，成为后续工作的历史基础
- 如果提问阶段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 产出只能停留在一次性代码产物，无法跨越上下文与任务周期积累。核心品味即三种判断：什么值得问、什么证据可接受、什么方案虽可行但不值得做。 把它转写成“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？何种结果应判定为失败？”这样 AI 才能高效实现答案，人也有据可验收。 五道选择题分别对应本页的五个判断——科研核心为何上移、关键提问的本质、一个关键问题需要明确的要素、提问质量与解空间的关系、核心品味的三重判断。处理时不必逐一宣读，可先让学生作答，再用“被压低的是实现成本而不是判断成本”“模糊不等于自由”等反馈纠偏。案例题要求学生把“用 EvoX 做优化”改写成覆盖目标与冲突、约束与边界、评价与验证、失败判据的问题卡片，并解释提问质量如何决定实验能否沉淀为可持续演化的项目成果。参考要点：Genesis 把提交的代码视为候选修改，只有通过编译、测试与上层验收才进入被接纳的版本
- 缺少可观测指标、验证协议与失败判据，验收就没有依据
- AI 负责生成候选、搜索与运行测试，人负责划定目标、硬约束、评价预算和失败判据并作出接纳判断。 随机请一名学生用自己的话复述六项自查，并给一个自己研究中的模糊需求，尝试现场改写。确认学生能说出“能跑通不等于值得投入”“提问质量决定解空间质量”这两层关系后，再进入下一页。
### 人机分工：AI 实现答案，人类把控方向
*页面 12*
> **页面目标：** 理清 AI 与研究者在科学探索过程中的分工协作关系。
**讲授要点**
- 每次实验前问自己三句话：这个问题是谁选的？评价标准是谁定的？结论由谁验收？如果三问的答案都指向“我”，分工就是健康的；如果都指向模型，方向把控已经失守。
- 一旦评价标准可以被自动化流程改写，优化就会悄悄转向“最容易变好的指标”。把目标函数与约束设为只读，是防止漂移的第一道闸门。
- AI 扩展带宽，人类守住意义——交付的不是更多数字，而是站得住脚的结论。
### 页面目标
理清 AI 与研究者分工协作关系，明确 AI 执行层与人类把控层的边界，理解为什么“AI 扩展探索带宽，人类守住科学意义”。
### 讲解顺序
把实现与探索交给 AI，把方向与判断留给研究者。
人机协作闭环。AI 执行层包含答案实现、批量运行实验、搜索候选解、结果反馈；人类把控层包含问题定义、方向选择、证据判断、科学意义验收。两侧通过“结果上行、标准下行”耦合：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。
快速实现答案、批量运行实验、搜索候选解并反馈。一旦问题与评价标准明确，AI 能在很短时间内给出可运行、可检验的方案，让试错从稀缺资源变成常规操作。
提出关键问题，设定目标、约束与评价标准，判断证据是否可信，完成科学意义验收。要能区分“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。
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，探索带宽受限。以多目标演化探索为例，AI 可自动生成并运行大量候选方案，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。
把评价标准也交给 AI 自动决定。这样系统会非常高效地优化一个并不反映真实科学问题的目标，产出大量“看起来合理”却毫无意义的结果。凡是会改变“什么算好”的决策，都必须留在人类一侧。
这个问题是谁选的？评价标准是谁定的？结论由谁验收？如果三问答案都指向“我”，分工就是健康的；如果都指向模型，方向把控已经失守。
AI 扩展带宽，人类守住意义——交付的不是更多数字，而是站得住脚的结论。
### 讲授要点
答案实现、批量运行实验、搜索候选解、结果反馈，核心是把实现成本压到接近于零。
问题定义、方向选择、证据判断、科学意义验收，核心是把判断成本留在自己手里。
AI 扩展探索带宽，人类把控方向与验收标准。
一旦评价标准可以被自动化流程改写，优化就会悄悄转向“最容易变好的指标”。把目标函数与约束设为只读，是防止漂移的第一道闸门。
不是跑出更多数字结果，而是结果在科学上真正有意义，数量才有价值。
### 关键词覆盖
AI 执行层、人类把控层、人机协作闭环、探索带宽、评价标准漂移、目标函数只读、科学意义验收、自检三问。
### 练习处理
正确答案是“快速实现答案、批量运行实验并搜索候选解”。AI 承担实现与探索；决定问题价值、判断证据可信度、验收科学意义属于人类把控层。
正确答案是“因为只有当结果在科学上真正有意义时，数量才有价值”。数量来自 AI 的探索带宽，价值来自人类对科学意义的判断。
正确答案是“优化目标、约束条件与评价指标是否反映真实问题”。候选生成与批量运行属于 AI 执行层；研究者要把住“什么算好”这一层。
正确答案是“让研究者能把注意力集中在方向判断与验收标准上”。AI 扩展的是广度，人类提供的是方向，两者互补而非相互替代。
正确答案是“系统会高效优化一个并不反映真实科学问题的目标，产出大量看似合理却无意义的结果”。把评价标准交给系统，等于让被评估者自己定考卷；凡会改变评价标准的决策，都必须保留人类审核。
### 案例处理
1. AI 执行层包括候选配方的生成、批量仿真运行、性能指标回收与种群更新，这些属于实现与探索。人类把控层包括要搜索的材料体系、性能目标与工艺约束、指标是否反映真实物理意义、最终候选是否值得继续投入实验，这些属于方向与判断。划分依据是：凡是会改变“什么算好”的决策，都必须留在人类一侧；凡是把已定标准执行到更大规模的工作，都可以交给 AI。
2. 若让 AI 通过元优化自动调整性能指标权重，主要风险是评价标准漂移：被优化的系统同时掌握评价自己的权力后，会向“最容易变好的指标”倾斜，产出的高分配方可能在物理上不可实现或没有实际价值，而且表面看往往非常合理，难以一眼识别。防护设计包括：把目标函数与约束声明为受控且只读；元优化只允许在人类指定边界内调节少量超参数并设上下限；设置独立于优化目标的验收闸门，例如真实合成与表征实验；任何权重变更都必须由研究者显式审核并留下记录，保证方向决策可追溯。
### 课堂活动
请学生用一个贴近自己学习或科研经历的例子，复述“AI 实现答案、人类把控方向”的分工，并说出这个例子与自检三问之间的关系。
### 理解检查
AI 执行层、人类把控层、人机协作闭环、指标漂移、自检三问。根据回答补充遗漏关键词。
### 过渡提示
确认学生能说出“AI 扩展探索带宽、人类把控方向与验收标准”这一核心关系后，再进入下一页的例题、应用或总结。
### 核心原则：Code is cheap. Taste matters
*页面 13*
> **页面目标：** 体会图灵理念与 EvoX 建设开放基础设施的终极目标。
> **页面目标**
>
> 理解“Code is cheap. Taste matters”这一核心原则，体会图灵理念与 EvoX 建设开放基础设施的终极目标。
**讲授要点**
- 1. Code is cheap 是对工程现状的客观描述。当代码生成与实现的边际成本被大模型与张量化底座压到趋近于零，代码不再是壁垒，也不再是科研贡献的度量单位。“能跑通”从成果退化为前提，从可展示的成绩变成继续工作的入场券。 2. Taste matters 是对人机分工之后人类职责的重新定位。当“AI 实现答案、人类把控方向”成为默认分工，人类这一侧真正稀缺的，是提出关键问题、设定评价标准、在多目标冲突中判断方向的能力。 问题选择——做哪个问题，比用什么方法做更能决定上限，方向错误时实现越快越浪费
- 目标函数与评价标准的设计——指标一旦选错，模型只会高效地朝错误方向收敛
- 多目标权衡的取舍准则——性能、可复现性、可维护性、落地成本之间的偏好必须被显式声明，而不是临时拍板
- 结果的解释与归因——区分“碰巧跑通”与“真的理解”，并判断收益究竟来自哪些改动。 4. 品味必须可被检验。品味不是审美断言，也不能靠资历或投票来裁定。它必须通过“进入真实环境—接受真实反馈”被证伪：把判断写成可验证的假设，用真实场景里的失败与成功来修订它。否则，讨论就只剩下偏好的争执。 5. 基础设施的意义在于让品味有落点。EvoX 的终极目标正是建设能够进入真实环境、接受真实反馈的开放基础设施。开放、解耦、可组合的底座把落地成本降到足够低，使好想法能够低成本地进入真实场景，被筛选、被沉淀、被继承——判断力因此有了一个可以被反复打磨的载体。 Code cheap 不等于工程可省略。验收网关、可复现性、可维护性与反馈闭环仍然构成真实门槛。品味恰恰体现在对这些门槛的取舍判断上：什么样的反馈值得采信，什么样的指标必须坚守，什么样的失败尝试应当被拒绝而不是被合并。Genesis 式机制的价值也在这里——候选修改只有通过编译、测试、行为检查与上层验收，才能成为后续执行者可以继承的历史基础。 我们只能看到前方很近的距离，但能看到那里有大量有待完成的事情。与其争论智能终局的具体形态，不如先建设能够持续进入真实场景、接受真实反馈的开放基础设施，让每一轮探索都可被检验、可被继承。 页面用一张趋势图展示实现成本持续下降、判断价值持续上升，二者交叉处形成拐点，意味着判断力成为关键变量。图下列出 EvoX 愿景关键词：开放、可组合、真实反馈、持续演化。
**练习处理**
本页配有五道选择题，分别检查对 Code is cheap 工程含义、稀缺性转移方向、品味可证伪性、四条工程门槛以及 EvoX 基础设施目的的理解。答题后请对照反馈，重点区分“实现侧指标”与“判断侧能力”：代码行数、补全准确率、框架热度、提交频率都不能替代对“什么该被接纳”的判断。案例题要求团队列出应优先投入的环节并设计一条检验品味的候选修改接纳流程；
参考方向包括问题选择与目标定义、目标函数与评价标准设计、验收网关与多目标取舍准则、结果解释与归因，以及“候选修改—隔离测试—评价打分—上层验收—历史继承—反馈回流”的闭环。
**理解检查**
随机请一名学生用自己的话总结本页重点，授课者根据回答补充遗漏的关键词，例如“能跑通只是入场券”“品味要可证伪”“四条工程门槛”。
> **过渡提示**
>
> 本页承接上一页“AI 实现答案、人类把控方向”的分工，给出支撑这一分工的核心原则；下一页将转入对话引导 AI 完成 EvoX 任务的实操。
### 课堂活动：对话引导 AI 完成 EvoX 任务
*页面 14*
> **页面目标：** 通过动手实践验证 AI Native 环境下的基础优化任务流程。
**课堂活动**
对话引导 AI 完成 EvoX 任务
> **页面目标**
>
> 在真实 EvoX 环境中完成“提示 → 生成 → 运行 → 验收”的最小闭环。重点不是只拿到一段可读代码，而是验证 AI Native 工作方式：人给方向、AI 给实现、人做验收。
> **讲解顺序**
>
> 先说明活动任务，再拆解如何构造提示，随后讲如何验收运行结果，最后用追加约束的方式处理不理想结果，并回到人机分工。
**讲授要点**
- 用一段对话提示驱动 AI 生成并运行基础 EvoX 优化任务，再像工程师一样检查输出。 优化问题与目标函数（例如 Rastrigin 函数最小化）、搜索空间与维度（例如 10 维及取值范围）、算法或算子（例如 DE 算法、交叉与变异算子）、种群规模与迭代代数（例如种群 128、迭代 200 代）、计算平台（CPU 或 GPU 张量化）、期望输出（最优值、收敛曲线、运行日志）。 过粗会触发默认配置，难以判断是否符合意图
- 过细会退化为人工编码。合适做法是明确约束与验收口径，把实现细节留给 AI。例如指定问题、算法、种群大小和迭代次数，但不必规定具体接口如何调用。 是否真正执行，而不只是给出代码，可查看终端日志和运行时间
- 收敛曲线是否单调趋优且无异常震荡
- 最优值是否与问题已知量级相符，例如 Rastrigin 函数全局最优为 0
- 随机种子与配置是否可复现，固定种子后重复运行应得到相同或相近结果。 当结果不达预期时，优先通过对话追加约束，例如“固定 seed=42 重跑并给出三次重复的均值方差”，观察 AI 是否能迭代修正而不是重写。 人类负责问题定义、指标口径与结果判定
- AI 负责接口选择、代码组织与调试执行。 只做基础任务的流程验证，不展开 MetaDE 双层演化、多目标权衡或 Genesis 多 Agent 等后续主题。 参考提示示例： “用 EvoX 求解 Rastrigin 函数（10 维）的最小值，采用 DE 算法，种群 128，迭代 200 代，使用 GPU 张量化后端，固定 seed=42
- 请直接运行并返回最优适应度、收敛曲线图和运行日志。” 是否真实运行、收敛曲线形态是否合理、最优值是否接近 0、重复运行结果是否一致。
> **练习线索**
>
> - 不需要指定算法实现的具体代码行数
> - 验证真实执行的关键证据是终端迭代日志和收敛曲线
> - 结果不佳时最有效的是追加约束，例如固定随机种子并重复运行
> - 人类主要负责定义问题、指标口径与结果判定
> - 提示粒度应明确约束与验收口径，把实现细节交给 AI。若学生答错，可引导其回到“提示要素”“运行检查清单”“人机分工”三处找依据。 20 维 Ackley 函数、CMA-ES、种群 64、迭代 500、CPU、固定 seed=123，若曲线前期剧烈震荡且最优值远大于 0，可能原因包括步长参数过大、种群多样性不足、算法参数与问题维度不匹配、随机种子导致初期探索波动等。追加约束可固定 seed 并重复运行三次、计算均值和方差
> - 要求输出每代最优值变化
> - 调整步长或种群规模后重新运行。验收时除最优值外，还应检查是否真实执行、收敛曲线形态、最优值量级、可复现性、运行时间合理性。 可让学生分组完成角色分工，一人负责构造提示，一人负责观察运行日志与收敛曲线，一人负责对照检查清单给出验收结论
> - 记录一次失败或不理想结果，并尝试用追加约束改进。
**理解检查**
随机请一名学生用自己的话总结本页重点，授课者根据回答补充提示要素、验收四问和迭代而非重写的原则。
> **过渡提示**
>
> 确认学生能说出“人给方向、AI 给实现、人做验收”的核心关系后，再进入下一页的例题、应用或总结。
### 课程总结：AI 原生工作流与科学品味
*页面 15*
> **页面目标：** 总结 EvoX 的 AI 原生工作流与人机协作中的批判性思维。
> **页面目标**
>
> 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。
> **讲解顺序**
>
> 左侧是 AI 原生工作流，从自然语言对话出发，完成配置环境、构建问题与约束、驱动演化运行与批量探索、结果可视化分析与复盘；右侧是人类科学品味，负责定义问题、设定目标与约束、多目标权衡取舍、判断结果可信度与演化方向。
>
> AI 实现答案，人类把控方向；落到一句话就是 Code is cheap. Taste matters.
>
> 工作流压缩的是从想法到首次可运行实验的路径成本；责任随便捷性上升；科学品味有可指认的落点；批判性思维有结构化的四问；项目级与系统级持续演化仍需人设定验收标准与演进方向。
>
> 稀缺的不是代码，而是判断力；工作流熟练度决定能跑多快，科学品味与批判性思维决定跑的方向对不对。
**讲授要点**
- 以自然语言对话为入口，驱动 EvoX 的全链路实验。它降低的是从“想法”到“第一次可运行实验”之间的路径成本，而不是实验本身，也不替代问题定义与结果判断。脚本骨架、参数接口与绘图代码可以更快成形，研究者因此获得更高的实验迭代频率。 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。AI 数分钟内产出候选方案时，“多目标权衡是否合理”“指标提升是否可信”“下一步该探索哪个方向”仍要由研究者回答。便捷性提高试错吞吐量，也同等地放大错误决策的传播速度。 问题定义，决定研究什么、放弃什么
- 目标与约束设定，把模糊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。这些不是计算问题，而是价值与判断问题。 假设是否成立？AI 可能默默补齐了未言明的前提
- 指标是否被误读？提升可能来自数据泄漏、评估口径变化或过拟合
- 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检验？在极端约束、稀疏数据或高维情形下是否依然成立。 AI 负责实现与批量探索，人负责方向与价值判断。无论自动化程度多高，验收标准与演进方向仍需由人设定
- 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。 AI 实现答案，人类把控方向。每次把任务交给 AI 之前，先想清楚验收标准是什么。
**关键词覆盖**
- AI 原生工作流、科学品味、批判性思维、人机分工、执行负担、判断责任、问题定义、目标与约束、多目标权衡、结果可信度、演化方向、技术债、Code is cheap. Taste matters.
> **练习线索**
>
> - 本页练习围绕成本压缩、责任转移、科学品味落点、批判性核查与持续演化风险展开。处理时先让学生判断“被自动化替代的是什么、没有被替代的是什么”，再回到“先跑通，再验证”的两步框架。
**练习处理**
工具压缩了从想法到首个可运行实验的实现成本，但未改变问题定义与结果判断的难度。反馈时提醒区分“执行负担”与“判断责任”。
产出速度变快，使未经检验的结论更容易被当成已确认的成果传播。反馈时强调便捷性提高试错吞吐量，也同比例放大错误决策的传播速度。
问题定义、目标与约束设定、多目标权衡取舍、结果可信度判断、演化方向设定。反馈时说明这些环节是价值与判断问题，不是计算问题。
AI 未曾言明却已默默补齐的隐含假设，以及评估口径是否被改动。反馈时指出批判性核查的重点是假设、指标口径、可复现性与边界条件，而不是呈现形式。
品味的缺口被时间不断放大，累积为难以偿还的技术债。反馈时重申自动化只能保证“能跑通”，不能保证“跑对方向”。
面对 AI 给出的候选解与推荐排序，先核对目标与约束是否符合业务真实诉求，再检验指标口径与基线，检查解在权衡前沿上的分布与鲁棒性，做边界与失效模式测试，并固定随机种子、依赖版本与实验配置以保证复现。若完全按 AI 推荐排序决定主线方案并自动推进方向，风险是把多目标取舍这一价值判断外包出去，错误方向被后续迭代反复继承，且“能跑通”会被误当成“方向正确”。重设分工时，让 AI 负责实现与批量探索，由人明确目标权重与硬约束、设定验收标准、保留复核与否决权，并为下一轮探索指定假设与验证方式。
**课堂活动**
请学生用自己的话复述“自检四问”，并举一个贴近自身学习或研究经验的例子，说明若跳过验证会如何把“跑出来了”误当成“站得住”。
**理解检查**
随机请一名学生总结本页重点，并回答“工作流熟练度决定什么、科学品味与批判性思维决定什么”。授课者根据回答补充遗漏的关系：前者决定速度，后者决定方向与价值。
> **过渡提示**
>
> 确认学生能区分“跑通”与“站得住”、“实现答案”与“把控方向”之后，再进入下一页的例题、应用或总结。
### 附录与开源社区入口
*页面 16*
> **页面目标：** 获取 EvoX 官方交流渠道与持续学习资源。
> **页面目标**
>
> 本页作为课程附录，汇总 EvoX 智能演化系统与 AI Native 科研实践的官方社区入口，说明课后持续学习、提问与参与前沿探索的渠道。
**讲授要点**
- 先区分两个官方入口。官方微信公众号为“演化机器智能”，用于发布课程更新、技术文章、活动通知和前沿解读，适合系统性跟踪智能演化方向。官方 QQ 交流群群号为 297969717，用于实时提问、讨论和同行交流，便于针对具体问题获得反馈。两者都指向“持续参与智能演化前沿探索”，不是替代课堂学习，而是形成“学习—实践—交流—再学习”的循环。 加入后先浏览置顶公告和历史消息，了解规范与已有资源，再结合研究方向参与讨论。提问时提供清晰背景、具体问题和已尝试方法
- 积极参与他人讨论也能加深理解。定期查看前沿内容，把社区资源转化为研究能力。 本页练习围绕三个事实与两个态度展开。公众号名称是“演化机器智能”
- QQ 群号是 297969717
- 社区入口的目的是提供课后持续学习、提问与前沿探索渠道
- 课后获取资源应通过官方入口关注公众号并加入 QQ 群
- 使用社区应积极提问、分享并参与讨论，而非只在考前使用、加入非官方群或潜水。案例研究可引导学生写出两个官方渠道，并给出至少两条持续学习建议，如关注公众号更新、群内提问交流、跟踪前沿动态、参与开源项目或线上活动、把课程所学用于实际研究并分享经验。
**理解检查**
请学生用自己的话说明两个官方入口分别适合什么用途，并复述加入社区后的正确做法。若学生只记住名称而说不出用途，可让其回看页面对比两个入口。
> **过渡提示**
>
> 确认学生能说出官方入口与持续学习循环的关系后，再进入下一页。