AI驱动科研的实施路径与方法

请牢记：AI for science的核心价值在于发现新现象、探索新规律、提出新方案。你所选择的研究问题应当具有重要意义，而非纠缠于无关紧要的细枝末节。

1.人与AI的协作模式：人与AI的协作本质上可以类比为项目管理者率领一群高智商且勤勉的研究人员共同打造火箭的过程。

第一层： 划分为执行层与决策架构层，重点聚焦于决策架构层的工作，在该层面人类需要具备超越AI的洞察力与判断力，明确最终要达成的目标成果。

第二层：

A. 首先确定大致方向，并系统整理文献与数据资源，让AI深入挖掘这些资料，自主设计实验方案，初步跑通实验流程。---- 探索具有价值的初步成果

B. 随后由人工介入，确立最终的研究框架与设计方案；提供高质量的数据资源，为AI设定清晰的标准执行规范。当前AI在复杂框架设计方面仍存在不足，

C. 交由AI按既定方案执行实验

D. 人工进行精细化的调整与优化

2.AI实施过程的设计：

A 整个控制流程交由程序代码统一调度，通过这种确定性程序与AI workflow相结合的方式，能够保障系统长期稳定运行，最大化释放AI的潜力。

B 重视基础设施的建设工作，妥善组织数据，构建记忆系统，完善数据采集体系。

C 建立规范约束机制，现今流行称之为Harness，本质上是对大模型执行动作空间进行压缩，确保最终产出的质量可控。可以通过提取优秀项目的做法，将其固化为workflow等形式作为Harness使用。

D 同时启动多个AI终端并行运行，使工作效率实现数倍提升。