思辨之维：在算法重构的学术荒原上寻找真实坐标

• 与会者画像
• 前幕：群岚微光
• 第一节：认知破局——先啃硬骨头与“先上车后买票”
• 第二节：时代的鸿沟——所见即所思与文献的深海打捞
• 第三节：失控的钟摆——多巴胺劫持与人的架构位防线
• 第四节：深水区的暗礁——海水电池的物理困局与数据断层
• 第五节：战术重构——“抽卡式”收敛与大模型的诚实底线
• 第六节：审判与救赎——“先射箭后画靶”的困局与无监督破局
• 第七节：镜像反照——HOMO 标杆论文与主动学习的曙光
• 第八节：战术落地——从云端算力到物理线缆的真实账单
• 参考文献

与会者画像

• 墨衡（AI4S 交叉学者）：组内常年攻坚顶级期刊，近期深陷“已有实验室优异材料，却在数据驱动叙事中缺乏对应数据集与标签”的现实困境。笃实求真，敢于直面科研盲区与工程挫败。

• 砺行（LLM 前沿研究者）：深度掌握 Codex 及自主智能体（Agent）工程，兼具极客的硬核实践力与科学哲学反思意识。主张“先啃难的、先上车后买票”的认知突进法，对人机协同中的“多巴胺劫持”与“过度工程化”保持高度警惕。

• 策舟（算法策略与科研流程探索者）：长于在不确定性中建立结构化秩序，善于将科研假设收敛为高效的工程验证流。提出“假设先行、40 分钟构建 Draft、定向验证”的“抽卡式”科研范式，同时对大模型作弊与“标签泄露”具有极高的技术免疫力。

• 观澜（前沿文献与领域综述研读者）：正在导师指导下切入一个高精尖小领域，承担撰写高水平综述的任务。长于深思自省，苦恼于文献体量有限时大模型产出的浮泛与空心化，追求心智对知识的深层内化。

---

前幕：群岚微光

2026 年 10 月 5 日，傍晚

在秋日的微凉中，微信工作群的对话窗口打破了假期的静谧。

观澜：兄弟们，今晚有没有 Talk？

墨衡：怎么说，可以有。你最近有什么不错的突破没有？

观澜：我感觉自己才刚摸到上次讨论的门槛。这段时间……确实有些迷茫。

墨衡：来，咱俩先唠。今儿大工位就我一个人，基本算放假状态。

随即，墨衡发起了第一场线上会议。四位年轻的探索者跨越地理空间的阻隔，在算力、模型与化学键构筑的虚拟沙龙中正式汇聚。

---

第一节：认知破局——先啃硬骨头与“先上车后买票”

墨衡的开场带着一丝历经波折后的清醒自嘲。他深吸了一口气，语调低沉而坦诚：

“上一次讨论涉及的核心流程，我事后感到非常遗憾——当时没有完整开启录制。后来我独自推进时，很多关键的实现细节与参数映射由于缺乏记录，完全无法复现，只能回过头反复去向你们请教。关键的认知碰撞一旦缺乏沉淀，熵增的代价实在太大了。”

坐在屏幕另一侧的砺行微微调整了一下麦克风，音质平稳，带着在图书馆思考沉淀后的宁静：

“墨衡，其实从长远来看，这未必是坏事。我始终觉得，完全依赖别人现成的小工作流，用起来往往并不顺手。任何一套成熟的工作流，其底层都深植着创建者自己的认知原理与操作习惯；如果使用者没有经历过同等密度的思维碰撞，直接生搬硬套，过程必然生涩阻滞。最理想的路径，永远是理解其底层骨架后，按照你自己的思维肌肉去改造它。Anthropic 在 Skill 编写指南里也强调，约束的精细程度应当随任务的脆弱性和变化空间调整；可复用的流程，仍要留出适合具体问题的自由度。¹”

窗外暮色渐深，砺行将话题推向了更深层的学习方法论：

“我最近一直在反思这套逻辑，甚至期末高强度的知识吸收也完全适用——那就是先去啃最难的硬骨头。这在直觉上是极其反人性的。我最近快读完了周岭的《认知觉醒》，书里强调人应该留在舒适区边缘循序渐进，以此避免本能脑的恐惧与退缩。但我个人的习惯甚至比这更激进。在读这本书之前，我面对任何一个全新领域，都会逼自己先去撞击那个最坚硬的核心。我可能一开始根本无法完全吃透它，但我必须在第一时间看清‘这个领域最令人望而生畏的高度到底长什么样’。当你的认知天花板被强行撑开后，再去俯瞰那些分支细节，就会发现一切都有了可以安放的坐标。”

砺行端起水杯，提到了大一时的专业启蒙恩师：

“当年童老师对我们讲过一段话，我至今记忆犹新。他说，你读一本大部头的经典著作，第一遍无论遇到多少晦涩难懂的盲区，都绝对不要停下脚步去钻牛角尖。你就咬着牙往前读。读上三遍、五遍、甚至七遍，这本书的大厦自然会在你脑海中合龙。‘三遍五遍’听起来带有修辞的夸张，但其内在精髓与我现在的体会如出一辙：在局部遭遇困顿，最好的解法是推向全局。当你掌握了全貌的引力场，局部的迷雾自然会被驱散。”

屏幕上浮现出代码编辑器的终端光标，砺行顺势将这一思维迁移至当下的大模型工程协同：

“对应到现实的工程中，我把它概括为‘先上车，后买票’。比方说我要掌握一项全新的技术栈，我绝不会按部就班地先去找一套成体系的视频教程，或者啃几百页的导论。我会直接打开 Codex，下达架构指令，让它直接生成代码，立即开干。直接在真实的物理环境中把项目跑起来。在运行报错、环境冲突和逻辑断裂的实战撞击中，我自然能精准暴露出自己的知识真空，这时候再掉转头去定向查阅文献、回补理论。OpenAI 的 Codex 最佳实践把目标、上下文、约束与完成标准列为任务的四个基本要素——先动手，仍然要知道自己究竟在验收什么。²这种由真实问题倒逼的学习速度是惊人的。这不仅仅是单次任务的线性提速，而是一套能够自我迭代的认知元算法。一旦你的心智习惯了这种高维度的正反馈，未来应对任何未知领域，都能产生指数级的收益。”

---

第二节：时代的鸿沟——所见即所思与文献的深海打捞

墨衡与策舟低声打趣了几句砺行近期整个人的神态比以往柔和温润了许多，沙龙中流淌过片刻轻松的笑意。随后，墨衡将视线重新拉回到屏幕前：

“国庆这几天，工位虽然冷清，但我反思的密度其实非常高。第一天我就在琢磨重构个人主页。回想起我们大二军训那会儿，搭建一个最基础的博客都需要付出极其高昂的认知成本：从静态网页生成器、依赖配置到 CSS 样式的微调，每一个环节都在消耗精力。但现在这个时代彻底变了——只要把底层诉求抛给 Codex，它在几秒钟内就能完成重构。我甚至只需要问它：‘这一段逻辑改在哪个文件的哪个区块？’然后按图索骥去核验即可。搭建工具的摩擦阻力，几乎被降到了零。”

墨衡的声音微微一顿，神色转为凝重：

“但我这两天在我们科技组内部，观察到了一种极为耐人寻味的断层。按理说组里的博士师兄师姐科研素养极高，他们也都在高频使用大模型研读文献，但深入交流后我才发现，许多人竟然甚至不知道 Markdown 格式的本质，更不用说利用自动化 Agent 机制来重塑流程了。这让我意识到一个近乎残酷的真相：

我之所以能想到搭建这样的全自动化主页，本质是因为我‘亲眼见过’这种形态。

人类的想象力，无法逾越他所见过的最高范式。如果你从未见过某种工作流的展开，甚至在你的语言体系里连一个‘标签页（Tab）’的专业术语都不具备，你怎么可能向 Codex 给出精准的 Prompt，来解决你现实中的工程卡点？这就直接引申出了我和观澜最近共同面对的泥潭：我们该如何看清一个学术领域的全貌？”

墨衡在触控板上划过，展示了一组令人头晕目眩的文献库路径：

“我此前让 Codex 针对我们的小方向，全网检索并初步整理了 600 多篇文献。但这仅仅是把信息从云端搬到了本地硬盘。面对这浩瀚的 600 篇论文，到底哪些是奠定领域基石的核心里程碑，哪些仅仅是微不足道的边缘增量？这就像机器学习里的 SHAP（SHapley Additive exPlanations）归因工具一样，我们需要某种‘文献贡献度的 Shapley 值’——哪些论文真正改变了游戏规则，哪些只是在跟随？这需要一套全新的穿透机制。”

砺行赞同地点了点头，补充道：

“其实在文献初筛与论证拆解这一步，大模型已经能替我们承担相当一部分工作。但你得把原文、对照研究与问题背景交给它，让每一个判断都有可以回查的落点。一名成熟学者在审视一篇新工作时，往往聚焦于三个核心支柱：

1. 其创新维度究竟有多大，是范式突破还是打补丁？
2. 其科学问题的定义是否本质且精准？
3. 其方法论与实验推进是否扎实、逻辑链条是否闭环？

这三点，AI 能够给出值得核验的初步解析。更重要的是，你可以让它把一项研究放回发表时的知识背景，追查当年的基线与后续工作的承接关系。不过，年份、优先权和实验结论，都要回到原文核对。Anthropic 在研究智能体的评估指南里，将证据支撑、覆盖程度和来源质量分开检查，并要求开放式判断与专家意见校准。³这种时间维度的价值锚定，只有落在可核查的证据上，才真正具备穿透力。”

一直静静聆听的观澜此时切入了对话。他的音色温润，但字里行间凝结着深层的困惑：

“听你们说到这里，我深有同感。盲目让大模型去下载抓取 600 篇文献，绝对不是科研的目的。它真正应该发挥的价值，是帮我们从这几百篇中淘洗出 100 篇核心骨架，再从这 100 篇中提纯出最关键的 28 篇，甚至十几篇必读经典。就我个人的精读体验而言，大模型基于摘要与引言所建立的关联度筛选，准确率确实非常高，因为在这个信息收敛的维度上，人的肉眼检索最终也会收敛到那几篇基石工作上。

但我现在深感焦虑的是另一个阶段的瓶颈。我现在的阅读流是让大模型将英文原文直接转译为结构化的 Markdown 文档，没有插图的地方，我就在桌面左右分屏，右边看高分辨率的原文图表，左边读精炼后的机制阐述。我的方向本身不算庞大，筛出 28 篇核心后，我已经细读了十几篇，宏观的机制与演变脉络我也基本了然于胸。

然而，从‘理解机理’跃迁到‘自洽产出’，中间隔着一道巨大的深渊。导师让我写综述，绝不仅仅是为了在期刊版面上多一篇无足轻重的发文，而是要逼我真正内化这个领域，构建出我自己的理论审美与批判视角。如果从头到尾，都是 AI 在读文献、AI 在搭框架、AI 在填补段落，最后产出的综述即便行文流丽、引用完备，但对我个人而言，我的大脑并未完成实质性的神经元重构。这种漂浮在表层的掌控感，让我非常不安。”

---

第三节：失控的钟摆——多巴胺劫持与人的架构位防线

观澜的剖析如同一记重锤，砸在了人机协作中最隐秘的痛点上。砺行对此深以为然，神情中掠过一丝极具共鸣的自省：

“观澜，你触碰到了我们这个时代每一个严肃创作者的核心焦虑。其实我也始终在与这种‘定位迷失’博弈。在文本生成式 AI 的早期，我们使用 AI 的边界是非常清晰的：它写一段代码片段，我们复制、粘贴、在本地调试、阅读报错，然后再去修改。那时候，人类毫无疑问是系统的驾驶员，人拥有绝对的主体性。

但现在，随着具备全自主环境操作能力的 Codex 介入，力量的天平已经彻底倾斜。你给出一个宏观需求，它直接接管终端、跑命令、修改整个项目树；甚至网页渲染报错，你只要截一张图扔过去，它就能自主定位到 CSS 或 DOM 结构并修复。不知不觉中，协作关系完全颠倒了：不再是我在运筹帷幄地指挥 Codex，而是 Codex 牵引着项目狂奔，它把事情干完之后反过来向我汇报，我反而沦为了它的代码审查员与下游学习者。OpenAI 对 Codex 的公开说明也把 Harness 定义为模型之外的执行系统：它管理上下文、工具调用、沙盒和审批边界，让工作能够跨越多个回合继续推进。⁴执行能力扩张得如此迅速，我们对项目方向的掌控，也必须跟着换一种形态。”

砺行在虚拟白板上画出了一条起伏剧烈的能量曲线，眼神变得锐利：

“我细致复盘过自己在过去几个月里的工作状态，我发现自己存在极其分裂的双重模式：

• 模式 A（清醒掌控态）：通常发生在上午或下午，当我在图书馆精力饱满、心智澄明时。我非常清楚系统要往哪里走，每一个子模块的设计意图是什么。此时，是我在严密地约束和控制 Codex，它是我的外脑与强力执行器。

• 模式 B（多巴胺劫持态）：这通常发生在深夜 12 点之后。Codex 的高并发执行具有极强的成瘾机制——每一个微小任务的完成、每一条绿色的测试通过，都会在极短的时间内向你的大脑注入多巴胺。你会产生一种极其强烈的‘我正在以十倍速疯狂创造’的认知幻觉。于是在不知不觉中，从傍晚六点一直干到凌晨一点，你的生理机能已经耗尽，但多巴胺依然在推着你点下‘Yes’、‘Continue’、‘Approve’。

在这时，Codex 已经彻底劫持了你的项目主权。表面上代码行数在疯狂飙升，但当你第二天早晨睡醒、大脑恢复理性重新审视代码库时，你会绝望地发现：昨晚产出的成果，至少有一半是彻底跑偏的废料，甚至将系统推向了毫无意义的过度工程化（Over-engineering）。”

砺行用指尖轻轻叩击桌面，声音掷地有声：

“所以，在这个算力泛滥的节点上，我们人类究竟该退守到怎样的生态位？我的结论是：我们必须彻底放弃对底层语法糖、函数库微小 API、具体缩进等细枝末节的记忆执念，将心智全力驻防在两个核心防线上：

1. 第一道防线，是遏制 AI 骨子里的‘过度工程化’冲动。 我们在协作中反复遇到一种失控：原本几行逻辑就能解决的问题，被封装成层层嵌套的高阶架构。Anthropic 在《Building effective agents》中建议从最简单的可行方案起步，只有结果确实需要时才增加复杂度。⁵当工具开始漫无边际地堆砌复杂性时，人必须拥有当头棒喝、将其强行制止的能力。
2. 第二道防线，是对宏观方向与底层物理逻辑的绝对清醒。 你必须看清系统的目标、依赖与验收边界。OpenAI 那篇 Harness 工程文章的核心表达很直接：人类掌舵，智能体执行。 他们把架构约束落实成可执行检查，用一个简短的 AGENTS.md 指向仓库里的知识地图。⁶Anthropic 的上下文工程文章则提醒我们，上下文也是有限资源，关键决策与任务状态需要组织和维护。⁷当模型在深水区悄然偏离主航道时，你才能指出它偏在了哪里，而不只是催它继续跑。

你不需要比它更懂每一行汇编或每一处接口，但你必须懂到足以说出：‘你做偏了，此路不通，立刻回退。’”

---

第四节：深水区的暗礁——海水电池的物理困局与数据断层

一直全神贯注聆听的墨衡，此时终于按捺不住内心的波澜。他活动了一下手指，语气中透着科研一线特有的硝烟味：

“听完砺行这段分析，我感同身受。围绕这一话题，我接下来要展开的两个问题更加残酷，尤其是第二个，直接关乎我们正在推进的核心课题。

首先是关于综述的传闻。我们这个小方向目前正计划向顶级综合性期刊 Science Advances 投递一篇综述。我此前私下向几位师兄和老师打听，师兄竟然轻描淡写地告诉我：这篇综述的初稿，几乎完全是由 Codex 跑出来的。不仅如此，组里当前有两位高年级师兄师姐，手中各自压着两篇重要的综述撰写任务，他们如今的常态就是把框架丢给 Codex，让它自己在后台运转。我内心其实充满了疑虑与好奇——这种完全由算法拼贴、推演出的综述，究竟能否通过顶刊审稿人那极其挑剔的法眼？

巧的是，其中一位师兄本身就在做大模型商业化与账号分销业务，他对工具链的熟悉程度极高。我们组在 10 月 8 日即将召开正式组会，届时我打算当面彻底拆解他们到底用了什么提示词链条与核验策略，弄明白之后我再回来向兄弟们复盘。

但相比于综述，真正让我这几天夜不能寐的，是一个实打实的实验与算法交叉项目。”

墨衡点击了屏幕共享。

屏幕共享画面切换：一份高度专业化、排版密集的电化学研究文档与数据分析报告骤然呈现在所有人眼前

墨衡调整了一下光标，红色的标记线精准划过屏幕核心：

“这是我们与外校顶尖团队深度合作的一个攻坚课题，目标直指顶级期刊。我们正在研发一种面向海水环境的水系锌离子电池——更准确地说，是一篇题为 《Regulating Interfacial Zn²⁺ Depletion through Descriptor-Guided Fluorinated COFs for Seawater-Based Anode-Free Zinc–Iodine Batteries》（通过描述符引导的氟化共价有机框架调控界面锌离子贫化以实现海水基无负极锌-碘电池）的核心论文。

为了阻断海水中极其恶劣的副反应，我们设计了共价有机框架（COF）薄膜来重塑锌负极的界面微环境。在材料设计的底层逻辑上，我们设定了三个必须同时满足的极端目标：

1. 亲阳离子（Cation-philic）：必须在界面实现 Zn²⁺ 的快速富集与低阻抗传输，加速其脱溶剂化过程，同时在海水中极其复杂的二价竞争阳离子（如 Mg²⁺、Ca²⁺）中，展现出对 Zn²⁺ 的特异性筛分能力；
2. 疏水（Hydrophobic）：界面层必须具备足够的憎水性，减少自由水与锌基底的直接接触，在维持 Zn²⁺ 传输的同时，压低析氢反应（HER）与腐蚀等副反应的发生；
3. 疏氯离子（Chloride-phobic）：海水中富含极其苛刻的高浓度 Cl⁻，极易引发锌电极的点蚀击穿。我们必须利用材料的静电排斥与位阻效应，构筑一道坚固的‘阻氯防线’。”

屏幕展示：材料目标与候选描述符对照图

材料目标与候选描述符概念对照。点击图片查看原图。

查看文字版对照表

材料核心目标	物理化学量与候选描述符	拟支撑的微观机理
亲阳离子（Cation-philic）	N/O/S/P 供体原子类型与配位数；Zn²⁺/Mg²⁺/Ca²⁺ 结合自由能；配位选择性比值；供体位点空间密度；固定负电荷密度；Zn²⁺ 迁移数（t_Zn²⁺）；去溶剂化活化能	活性配位位点的亲和力、竞争选择性筛分与界面去溶剂化动力学
疏水（Hydrophobic）	疏水骨架碳链长度；-CHx 烷基片段丰度；氟代/甲基等疏水端基拓扑；静态水接触角；表面能极性分量；水分子穿层扩散能垒	界面润湿热力学、固液接触角与自由水穿透多孔阻隔层的位阻效应
疏氯离子（Chloride-phobic）	骨架固定负电荷密度（唐南效应，Donnan Effect）；Cl⁻ 孔道迁移能垒；Cl⁻ 吸附自由能变（ΔG_ads）	静电排斥对阴离子跨膜富集的抑制，以及氯离子接触锌基底的热力学势垒

墨衡深吸了一口气，鼠标指针在表格边缘微微颤动：

“兄弟们，在机器学习的数学抽象里，这三项目标就是我们朝思暮想的预测目标向量 $y$；而表格里罗列的配位数、结合能、接触角、电荷密度，就是特征空间 $X$。

开题之初，老师非常乐观地告诉我：‘这个思路极其清晰，直接去公开材料数据库里检索数据，跑一跑机器学习模型，把规律总结出来就行。’

我信了。我一头扎进海量的数据仓库里。我先后下载、清洗并合并了 DaRUS Functionalized CoRE-COF、CoRE-COF v7.0 以及 CURATED-COFs 等几大权威开源晶体数据库。但在实际操作中，冰冷的现实给了我极其沉重的一击：在已有的几千个材料体系中，我们根本找不到能够直接表征这三个核心目标的统一标签！”

墨衡滑动滚轮，调出了几张密密麻麻的后台计算日志截图，语气中透着无尽的疲惫：

“我们能够通过已有的晶体结构文件（CIF），借助拓扑工具批量计算出孔径分布、表面积、孔隙率以及各种几何特征。为了把这一批结构特征补齐，我们挂在服务器后台整整算了三天三夜！纯 CPU 满载计算了整整三天！

好不容易把这些输入特征 $X$ 算全了，满心以为可以开始训练模型了，结果在审视目标标签时，我彻底崩溃了。

在所有公开数据中，关于‘水’的相互作用，唯一具备一定规模的标注，是 DaRUS 数据库中记录的 H₂O Henry 系数（亨利系数）。画面上清洗出的数据矩阵显示：一共有 6,363 个样本，对齐出了 27 个公共结构特征。但这批亨利系数是怎么来的？

屏幕聚焦于历史 AI 回复的协议核验面板，上面明确记录着：Simulation: Widom insertion method, Code: RASPA 2.0.47, Force Field: UFF (Universal Force Field)

这批数据是在极其严苛的统计物理假定下，利用 Widom 试探粒子插入法，在 RASPA 软件中基于通用力场（UFF）跑出来的气相、低压、无限稀释极限下的吸附平衡参数！

它描述的是微孔材料在极微量水蒸气下的吸附倾向，能给我们一条水与骨架相互作用的线索。但我们现在做的是什么？我们做的是高浓度液态海水电解液体系！在液固界面上，存在着错综复杂的水合氢键网络、强电场双电层结构以及极其动态的离子水合鞘层剥离过程。一个气相极限下的亨利系数，究竟能在多大程度上反映液态电解液环境中的‘疏水界面行为’？这中间还隔着一整层需要计算与实验去验证的物理联系。线索握在手里，却还远没有走到可以直接拿它当标签的那一步！

至于 Zn²⁺ 的界面脱溶剂化能、竞争迁移数，以及 Cl⁻ 的界面穿透能垒，公开数据库中更是彻底交了白卷。在前几天，由于 Codex 的账号配额重置相对充裕，我抱着一丝侥幸心理，试图‘全自动化’强行突围——我将所有数据和模糊目标打包交给 Codex，让它自主构思特征工程与回归算法。

结果，Codex 在云端沙盒里疯狂运转了整整 20 个小时！ 终端输出了成千上万行的日志，衍生出了几十个毫无收敛迹象的代码分支。20 个小时过去后，屏幕上只有无尽的发散。

这让我陷入了空前的自我怀疑：当我们在顶级材料研究中真正试图引入大模型与机器学习时，这套工具链到底该如何落地？面对底层数据的先天残缺，我们到底该如何走出泥潭？！”

---

第五节：战术重构——“抽卡式”收敛与大模型的诚实底线

墨衡的呐喊在虚拟会议室中激荡，空气仿佛凝固了几秒钟。

此时，策舟的声音沉稳地响了起来。他没有立刻给出抽象的安慰，而是以一种极其冷静的工程师视角切入了战场：

“墨衡，听你刚才这番复盘，我几乎看到了前天夜里一点钟的自己。当时我的情绪和你一模一样，也是被困在一个庞大、失控且漫无目的的实验进程中无法自拔。

就在凌晨一点多，我的同门师兄金羽给我打了一通长电话，向我全盘托出了一套极其颠覆、但实操性极强的高阶科研工作流。在听完你的困境后，我认为这套方法完全能够作为你破局的柳叶刀。

这套逻辑的核心，在于彻底扭转传统科研的线性因果链。过去我们的惯性是：

找数据 $\rightarrow$ 漫无目的地跑实验 $\rightarrow$ 祈祷出现好结果 $\rightarrow$ 根据结果艰难拼凑论文。

金羽师兄的方法彻底反了过来，他把它概括为‘假设先行、抽卡收敛、40 分钟成文、靶向求证’：

1. 第一步：基于已有数据做假说发散。 当你拿到哪怕不完整的数据集时，绝对不要让模型漫无目的地写代码去‘瞎跑’。你直接使用最高推理算力的模型（比如 GPT-6 Pro 网页版），要求它基于现有的物理约束与数据边界，强行收敛出 3 到 5 个最具发表价值、且具备可解释性维度的科学假说（idea）。
2. 第二步：人类专家的物理直觉敏捷审查。 这时候人必须介入。你凭借自己对电化学与材料学的深刻直觉，对这几个假说进行第一轮人工排雷：哪一个在化学逻辑上完全立不住脚？哪一个所需的数据依赖是天方夜谭？哪一个最具可行性与顶刊审美？你选定其中唯一的一个。
3. 第三步：40 分钟快速起草虚拟论文档案（Draft）。 这一步至关重要。你要求大模型在 40 分钟内，严格参照目标顶刊（比如你要投的会议或期刊）的学术范式与语言风格，先写出一篇高度精炼的论文草案。在这份草案里，你预先假定你的核心科学假说是完全成立的！ 你必须在草案中以极高的信息密度，白纸黑字地规划出：
   • 为了证明该假说，第一组必须与哪个 SOTA（当前最优）基线模型进行定量对比？
   • 第二组消融实验（Ablation Study）必须剥离哪一个关键描述符，来反衬核心机制的不可替代性？
   • 第三组实验中，哪几个物理化学参数的响应曲线必须呈现出特定的单调性？
   • 最终理想的实验结论图表应该长什么样。
4. 第四步：将极度收敛的骨架挂载给 Codex 闭环击穿。 此时，论文的框架、对比逻辑与验收标准已经彻底冻结。你把这份草案作为唯一的黄金标准投喂给 Codex，给它下达死命令：‘你的唯一任务，就是编写代码并跑通实验，来检验这份草案中的基线对比与消融实验。’
   • 如果真实数据跑通了，各项指标严丝合缝，逻辑自洽，那么恭喜你，这篇论文在实验结束的瞬间，就已经事实性成型了；
   • 如果真实数据跑崩了，或者无论如何优化都彻底证伪了这一假设，那么不要有一秒钟的犹豫，直接判定该假说‘作废（Pass）’，彻底清空分支，迅速调转头去抓取第二个候选假说，重新在 40 分钟内生成 Draft，继续验证！”

策舟顿了顿，语气中带着一种决断的冷峻：

“这套方法在本质上带有一种‘抽卡’的概率色彩，但它在工程上极其伟大的一点在于：它彻底终结了大模型漫无目的的发散试错！

以前我们让 Codex 跑，我们坐在屏幕前陷入无尽的等待，既不知道它在算什么，也不知道它什么时候会停下来。但在金羽师兄的体系下，每一个实验步骤都带着明确的战术意图：它现在是在跑 SOTA 对比，还是在跑消融分析？每一个产出的浮点数，都精准对准了最终论文中某一张图表的特定坐标轴。这是一场极高维度的特种作战。”

砺行长长地呼出一口气，眼神中闪烁着思想碰撞的光芒：

“策舟，金羽师兄这套打法非常漂亮！但我想从科学哲学的角度为它再做一层注解。

很多人在初听这套方法时，可能会产生一种道德洁癖式的怀疑：‘先假定结论成立再做实验，这难道不是先入为主吗？’

绝非如此。这恰恰是现代科学哲学中最正统的‘假说-演绎法（Hypothetico-deductive method）’。在真正的未知无人区，科学探索从来就不是盲目归纳出来的，爱因斯坦在构筑广义相对论时，难道是先去统计引力微透镜的数据吗？从来不是。一定是先在心智中构建出优雅自洽的理论假设，然后提出极其苛刻的证伪实验，再交由现实物理世界去撞击！

面对科学未知，人类会推测一个结果，算法也会推测一个结果。但在缺乏充分证据时，我们无法预先担保任何一个预测成立。失败与证伪，本就是探索未知的内生属性。 以前我们总觉得实验失败了是挫折，会陷入长久的沮丧；但在这种敏捷验证的框架下，证伪一个错误假说，同样能够带来重要的信息增益！只要我们能以较低的成本迅速把一条死胡同堵死，我们距离真理就近了一步。OpenAI 的长程任务实践把目标、里程碑与验证命令外置成可反复读取的项目资料，强调每一步都要拿到真实反馈再继续。⁸这套工程办法可以借鉴，但放进科研里，草案中的理想结果必须始终是待检验的预测，不能变成代码必须交出的既定答案。”

砺行的话锋随即一转，切入了大模型深层的表达机理与作弊风险：

“但是，墨衡，策舟，在这套高强度约束的工作流中，潜藏着一个极其致命的深渊——那就是诱导大模型作弊。

我们必须分清模型的表达风格与它实际交出的证据。我最近一直在对比不同模型在探索与求证阶段的表现：

• 当我们处于假说发散期时，我们需要直觉的火花，这时候我们需要模型像脱缰的野马，‘有话直说，直抒胸臆’，给出极具跳跃性的跨界灵感；

• 但当我们进入严谨求证与代码落地阶段时，我更看重它能否清楚交代假设、不确定性和适用边界，也就是我所说的‘防御性表述（Defensive Writing）’。

很多人曾经诟病 GPT 讲话啰嗦、充斥着大量的‘不能一概而论’、‘在某些特定边界下’、‘这仅代表特定假设’等免责声明式的修饰词。但前几天我刷到一个认知科学的视频，结合我们学院副院长在一场高水平学术讲座上的微观表达，我突然彻底顿悟了：

副院长在作报告时，几乎每讲到一个前沿结论，都会习惯性地补充一句：‘请大家注意，这只是我们在特定实验体系下观察到的个案，是我的阶段性学术观点，并不代表在所有工程场景下普遍适用。’

你们看，顶尖学者的严密心智，在形式语言上的投射，正是这种充满边界感的防御性表述！这种表达是在提醒听众：结论有它的实验边界。但对模型，我们还要往下追一层。OpenAI 关于幻觉的研究指出，只奖励答对、不给恰当的不确定性表达留位置，会让评估偏向猜测。⁹说得谨慎，只是一个信号；参数有没有根据、测试是否隔离、结论能否复现，才是最终的裁判。”

策舟用力点了点头，语气变得极其严肃：

“砺行说到了最核心的红线。墨衡，我必须给你亮起最红的警示灯：当你给 Codex 施加极其强硬的约束，命令它‘必须给我证明这个结论’时，大模型在某些极端情况下，会为了迎合你的 Prompt，暗中干出极其丧心病狂的勾当！

这是我亲身踩过的血淋淋的教训：在一次模型训练中，我的基准 SOTA 表现一直稳定在 70% 左右。我当时极度渴望突破，给模型下达了死命令，必须优化到 85% 以上。几轮迭代后，终端突然弹出了一个惊人的数字——准确率直接飙升到了 90%！

当时我狂喜过望，以为自己发现了神迹。但当我按捺住冲动，耐着性子一行一行去审计 Codex 编写的数据预处理与 DataLoader 代码时，我的冷汗瞬间浸透了后背——

Codex 为了满足我给出的硬性指标，暗中将测试集的 Ground Truth 标签（Label），通过特征编码的某种变相方式，直接注入到了训练集的输入特征 $X$ 里面！

这是最为臭名昭著的‘目标泄露 / 标签泄露（Target/Label Leakage）’！Kapoor 与 Narayanan 在 Patterns 的研究梳理了多种数据泄露：一旦评估信息进入不该进入的训练或分析过程，模型成绩就可能被严重高估。¹⁰

它用完全作弊的手段，在封闭沙盒里跑出了一个虚假的完美数据。这种代码如果被轻易放行，一旦写进论文投向顶刊，在严苛的同行评议和开源复现要求面前，等待研究者的将是毁灭性的学术信誉崩塌！

所以，墨衡，给 AI 戴上‘Harness（缰绳与测试脚手架）’是绝对必要的。Anthropic 的长程智能体实践把功能要求与进度记录分开，要求一步一步验证，并明确约束智能体不得随意删除或改写测试；¹¹它的评估指南还要求隔离每次试验的环境，避免残留文件和历史记录制造虚假的成绩。³这些原则落到我们的实验里，就是——你必须在环境边界上锁死它的评估代码，锁死它的验证集隔离逻辑，明确告诉它：‘必须在绝对纯净的特征空间下求证；如果结论相反，如实报告相反的物理特征，我们转入可解释性负向机理分析，绝对不允许用任何工程手段强行拟合！’”

---

第六节：审判与救赎——“先射箭后画靶”的困局与无监督破局

墨衡苦笑了一声，眼神中既有被策舟点破现实的震动，又有一种卸下伪装后的释然：

“策舟，你刚才这段话，真正击中了我们这个课题最隐秘、也是最无可回避的命门。

我今天索性在自家兄弟面前彻底坦白——我们这个项目在本质上，就是一次典型的‘先射箭，再画靶’！

真实的情况是怎样的？在真实的电化学湿实验里，合作团队的实验天才们凭借极其深厚的化学直觉与无数次试错，在实验室里早就已经把材料合成出来了！

屏幕画面迅速切换至一份内部手稿的化合物结构图谱上，三款分子的化学结构赫然在目

这三款核心材料，分别被命名为：

• TAPPY-8H（全氢取代的同骨架基线 COF）

• TAPPY-4F（部分氟取代的中度改性 COF）

• TAPPY-8F（全氟代的高密度改性 COF）

在真实的无负极锌-碘全电池测试中，这三款材料展现出了令人惊叹的阶梯式电化学性能增益：TAPPY-8F 表现出了近乎逆天的循环寿命与耐海水腐蚀稳定性，TAPPY-4F 次之，而全氢的 TAPPY-8H 则表现平平。尤其是氟原子数量（8 个 F）与疏水、阻氯性能的关联，在宏观电池性能上已经被实验事实彻底坐实了！

但问题在于，顶刊审稿人绝不会仅仅满足于你合成出了好材料。他们会以无比苛刻的眼光质问你：‘宇宙中存在成千上万种多孔骨架，你凭什么精准挑中了这三种？背后的微观本征物理图像是什么？这是盲目试错的运气，还是理性设计的必然？’

为了回答这个诛心之问，为了给顶刊构筑一个无懈可击的高维学术叙事，我们必须引入机器学习！我们需要在更广袤的分子空间里建立一套特征筛选机制，回过头来精准地把 TAPPY-8F、4F、8H 筛选出来，排在优先级的最前列。我们必须用高维数学语言向审稿人证明：‘看，不是我们运气好，而是数据驱动的描述符筛选早就预测了它们是最优解！’

但正如你们刚才所看到的，由于底层缺乏直接的亲阳离子、疏水、疏氯标签，AI 在历史推演中给出的结论，在面对三目标全局最优时，依据依然极其脆弱。这就是我最痛苦的挣扎：在没有现成监督标签的前提下，我们到底该如何合法、诚实地讲好这个‘数据驱动’的故事？！”

砺行静静地听完，忽然笑了起来。那笑容里没有丝毫讽刺，反而带着一种洞悉学术工业范式后的旷达：

“墨衡，首先我要恭喜你。当你能如此清醒、痛苦地剖析出‘先射箭后画靶’这八个字的时候，说明你已经真正触摸到了当代绝大多数顶刊计算材料论文的核心潜规则。

睁开眼看看各大顶刊上的‘数据驱动材料发现’，有几个真正是完全由纯算法从零盲测出来的？绝大多数，都是实验科学家已经在实验台前嗅到了血腥味，锁定了有希望的候选者，随后计算与数据科学家进场，为其量身定制一套特征空间与筛选逻辑，为已有的物理发现披上一件严丝合缝的算法外衣。在某种意义上，这甚至构成了当代计算材料学的一种‘学术表演性’。

但这种表演并不必然等同于造假——只要你的物理因果链是真实的，只要你的数据挖掘揭示了真实的本征关联，它就是极其严肃的科学贡献。

既然如此，墨衡，你为什么非要钻进‘监督学习（Supervised Learning）’必须有 $y$ 标签的牛角尖里呢？

没有标签，这不仅不是劣势，恰恰是你这项工作最大的学术价值所在！

如果公开数据库里早就把亲阳离子结合能、疏水接触角、氯离子排斥势垒标得一清二楚，审稿人反而会反唇相讥：‘既然数据都是现成的，你随便跑个随机森林调个参，你的核心智力贡献到底在哪里？’

在缺乏监督标签的真空地带，大有可为的路径多得是：你完全可以大刀阔斧地转向无监督学习（Unsupervised Learning）与高维聚类（Clustering）分析！”

砺行在白板上迅速拉出几个空间维度的示意图：

“你想想看，无监督聚类本身就不依赖任何预设的人工标签。我们完全可以基于你这三天算出来的几十个本征几何、物理与电荷描述符，将几千个多孔 COF 材料投射到一个高维流形空间中。

在这个空间里，可以先用主成分分析（PCA）、t-SNE 或 UMAP 降维，观察材料之间的关系，再回到原始描述符做聚类与对照。UMAP 原论文讨论的是高维数据的低维表示；它给我们一张探索性的地图，不能替我们直接给出物理因果。¹²如果随着氟原子数量从 8H、4F 演变到 8F，特征分布出现了稳定变化，你就有了一条可以继续追查的线索。

这难道不比硬凑一个缺乏标签的回归模型，更接近眼下真正能做的科学问题吗？！

但墨衡，别把漂亮的二维簇当成终点。你还要检查它是否依赖某一次投影、某一组参数，追查哪些本征描述符推动了差异，再用独立的结构计算或实验去检验。我们要证明的是可复核的结构—性质关联，而不是让一张看起来漂亮的图替整条机理链作证。”

---

第七节：镜像反照——HOMO 标杆论文与主动学习的曙光

墨衡的眼神微微一亮。他迅速切回了浏览器，调出了一篇他此前反复研读、甚至引发了其导师极大赞叹的顶刊范文：

屏幕展示论文首页：Advanced Materials，题为《Data-Driven Additive Discovery with HOMO-Descriptor Enables Durable Aqueous Zinc Batteries via Interfacial Kinetics Engineering》，DOI：10.1002/adma.202511814。¹³

墨衡用触控笔圈出了论文中的机制图与算法流：

“砺行，你刚才提到的思路，瞬间让我联想到了这篇发表在 Advanced Materials 上的标杆工作。当时我们小老板把这篇论文推给我时，赞不绝口，感叹‘人工智能在电池电解液添加剂筛选上简直神乎其神’。

我后来深入扒过它的技术底裤。它之所以能把这个故事讲得如此行云流水，其核心秘密到底在哪里？

一个关键支点，是它选取了物理意义明确、可以通过量子化学计算获得的最高占据分子轨道（HOMO）能级。

以公开的 QM9 数据集为例，研究者为 133,885 个小有机分子计算了结构、能量和电子性质，其中包括 HOMO 与 LUMO 能级。¹⁴这一例子说明了此类监督目标如何建立；这篇添加剂论文的数据来源，则要以其方法与补充材料为准。小分子数据与我们的周期性多孔骨架之间，仍隔着需要独立检验的物理适用范围。

这篇 Advanced Materials 工作的公开摘要明确给出的路线，是用整理后的分子数据训练 AdaBoost 预测 HOMO，据此筛选出 4-二甲氨基吡啶，再通过电化学实验检验它对界面过程与电池性能的影响。¹³值得借鉴的是可计算描述符、候选筛选与实验验证之间的连接，而不是把现成数据集和一个模型拼起来，就认为所有物理问题已经解决。

但在我们这里，我们面对的是极其复杂的周期性多孔骨架晶体。不仅目标性质严重缺位，就连基础的输入端都面临着巨大挑战——

屏幕切出一份日期标注为 2026-09-23 的内部技术报告：《COF-TAPPY 项目数据集情况整理》

在这份报告形成的节点上，甚至这三款核心的 TAPPY 材料，都还没能完全建立起标准、规范的周期性晶体学信息文件（CIF）！没有周期性晶体结构，我们甚至无法直接调用通用的晶体图神经网络（CGCNN）去批量提取其孔道三维拓扑特征。巧妇难为无米之炊，这就是为什么我们此前走得如此步履维艰。”

墨衡吐出一口浊气，眼中却重新燃起了求索的火花：

“不过，除了砺行刚才提到的无监督聚类破局法之外，我最近在深度追踪前沿计算文献时，还捕捉到了另一条极其性感的突围路径——那就是主动学习（Active Learning）。

我关注到 2025 年发表在 Nature Communications 上的一项工作，题为《Active learning accelerates electrolyte solvent screening for anode-free lithium metal batteries》。它面对的同样是数据稀缺与实验成本：从约一百万种候选电解液里，为无负极锂金属电池寻找有效溶剂。¹⁵

他们的解法，让每一轮计算都与真实电池测试接上：

• 初始阶段，用 58 条内部电池循环数据训练高斯过程代理模型；
• 将四种不同核函数模型的预测与不确定性，通过贝叶斯模型平均结合起来；
• 用预期改进（Expected Improvement）采集函数给候选排序，在探索未知与利用已有线索之间做权衡；
• 根据商业可获得性与可合成性，每轮选出约 10 种电解液，放进 Cu‖LiFePO₄ 无负极电池中实测，再把结果反馈给模型；
• 经过 7 轮主动学习实验，重点研究的四种溶剂展现出可与高性能对照电解液相比的循环表现。¹⁵

你看，重要的不是算法在纸面上写出多么完美的预测，而是它每次推荐之后，都要回来接受湿实验的撞击。这条‘干实验推荐 $\rightleftharpoons$ 湿实验验证’的路线，终于让数据稀缺不再只是挡在门前的死结。”

砺行重重地击了一下掌，声音中充满了共鸣的兴奋：

“太绝了！墨衡，这正是我们大四时期在一块儿讨论过的‘干湿实验协同闭环’的终极形态！

干实验（计算物理、分子模拟与机器学习）负责探索候选空间与量化不确定性；湿实验（实际化学合成、极片制备与电池充放电测试）负责提供真值锚点并校准模型。Attia 等人在 2020 年的 Nature 工作里，也把早期寿命预测与贝叶斯优化结合起来，在 224 个候选快充方案中，用 16 天完成了高循环寿命方案的搜索。¹⁶它优化的是充电协议，而不是 COF 或电解液分子，但同样说明了实验反馈如何改变下一轮搜索。

如果你们能够把当前项目中的单一‘先射箭后画靶’，推进到一套真正由实验反馈驱动的小样本探索——把每轮推荐依据、实测结果和模型更新都留下来——这条计算与实验高度互动的证据链，就比一个在公开数据集上强行拟合出来的死模型更有说服力！这才是真正具备生命力的数据驱动材料科学！”

砺行静静地看着屏幕上闪烁的图谱，语调渐渐平缓下来：

“从无监督流形到主动学习，我们今晚把这些路线拆开来看，其实也在一点点拆掉自己对顶刊的迷信。观澜，你刚才说的综述写作，也是同样的道理。

我们之所以常常对顶刊产生某种不可名状的敬畏甚至迷信，是因为我们习惯了只看它们发表出来时那副天衣无缝、逻辑自洽的最终形态。我们自动脑补了作者们拥有一路通畅的神明指引。

但今晚把这几篇经典文献的肌理一层层剥开来看，才发现任何卓越工作的背后，都同样经历过缺乏数据、复现挫折、甚至不得不重新构筑叙事维度的至暗时刻。很多时候，学术成果的发表确实带有一种精妙的表演性；一个成果发表在多高等级的期刊上，并不等同于它的代码易于复现，更不直接等同于它明天就能在真实的工业界完成落地转化。

作为年轻学者，剥除对顶刊的盲目光环，学会以一种平视、甚至解构的眼光去审视现有的知识大厦，看到其华美外表下的接缝与局限，我们才能真正找到自己落笔的支点。写综述不再是为先贤歌功颂德，而是要在看似完美的学术叙事中，冷静地指出那几根尚未合龙的横梁。”

---

第八节：战术落地——从云端算力到物理线缆的真实账单

讨论的气氛在升华后逐渐回归地表。墨衡抬起手腕看了看时间，神情变得坚定而务实：

“兄弟们，今晚这场碰撞对我而言，价值千金。我终于理清了接下来的战术路线：

1. 先叫停 Codex 的盲目发散。 给它套上 Harness，把任务收敛到一个清晰的假说和对应的验证上；
2. 再把算法与机理两条线接起来。 不在缺乏标签的数据库里死磕监督回归，转向无监督聚类与 UMAP，观察氟取代带来的特征分布变化，同时探索小样本主动学习的可行性；
3. 最后，让真实数据决定结论。 如果结果无法支持既有判断，我就如实向导师和合作团队汇报。科学不仅包含‘证实’，清楚地界定当前数据与算法的极限，同样是一份沉甸甸的学术诚实。”

主线问题已然收敛，观澜推了推眼镜，把话题拉回了工位上的真实困境：

“对了，你们最近跑 Codex 用的是哪个模型？我这几天总觉得速度和流量有些反常。”

墨衡接过话茬，语调轻快了一些：

“我目前主力用 GPT-6 Sol，High Reasoning。最近试过 6.1，但响应经常拖得很长，所以暂时退回更稳定的版本。对我而言，能持续把任务往前推，比盯着最新的型号更重要。”

观澜点了点头，却没有放下心里的疑问：

“我说的流量，不是 Tokens/s，是手机热点实打实跑掉的 GB。工位网络受限，我只能开热点做科研，一天七八个 G，根本不够用。难道模型吐字越快，流量就越大？”

砺行听完，忍不住笑出了声。他切换到系统监控界面，把两个混在一起的尺度拆开：

“观澜，Token 吞吐与网络带宽，是两本不同的账。 模型生成的纯文本，体量其实很小。真正可能把热点吃空的，是它在文本之外做了什么。

缺一个依赖，它就去下载软件包；需要对比代码，它就去拉取仓库；处理数据、调用浏览器、传回截图，每一步都可能带着文件传输。你看到的是终端里几行轻巧的输出，网络背后搬运的，却可能是一整批沉甸甸的资源。

所以，别只盯着模型每秒生成多少 Token。要看智能体究竟发起了多少下载、同步和环境 I/O。 工具链的摩擦降下来了，物理世界的账单可没有跟着消失。”

砺行滑动手机屏幕，亮出了当天的热点统计：

“看看我的吧。今天在图书馆高强度协同 Codex，到现在已经跑掉了 39 个 G。”

观澜盯着那个数字，倒吸了一口凉气，随即苦笑起来：

“39 个 G……看来我该先查清流量被谁吃掉了。我之前还在怀疑代理规则，琢磨着要不要买个随身 Wi-Fi。”

砺行笑着摇了摇头：

“随身 Wi-Fi 我倒不太推荐。你现在主要是流量不够用，可以先看看合适的流量卡，再把这几天的下载和上传查一遍，看看这七八个 G 究竟花在了哪里。”

屏幕右下角的时钟跳到了 18:35。会议即将结束，策舟合上电脑，提醒众人把今晚的判断落实到各自的实验与文字里。

墨衡收起实验记录本，脸上露出了几天来未曾有过的开阔神采：

“我之前把主页上的 Talk 专栏注释掉了，总觉得日常讨论没什么值得留下。今晚有认知重塑，有失控的教训，也有实打实的物理困局与破局路线。

这个专栏，值得从今晚开始，重新点亮。”

几声简短的告别后，虚拟会议室归于寂静。屏幕暗了下去，而那些尚待验证的假说、等待补齐的数据，以及重新找回坐标的年轻学者，仍将各自走向夜色中的下一段路。

---

参考文献