AI 教研的第一步，是学会复现

一家 11 人的公司，拿了五千万美元，目标是造出会自己做科学发现的 AI。创始人说，这件事缺的不是智能，是创造力。而训练创造力的第一步，不是让 AI 生成新东西，是让它学会复现别人的东西。

听起来反直觉，但数据支持他们。这个叫 Faraday 的系统用 27B 的小模型当「科研督导」，指挥 GPT-5.5 Codex 去复现论文里被涂黑的图表——结果小模型比大模型更严谨：它会给误差棒、会做消融分析、会忠实保留论文背后的实验想法，而前沿大模型只会硬编码一个简化版。

为什么？嘉宾的解释一针见血：前沿大模型是不错的工程师，但不擅长提问。科研能力的本质不是产出，是理解为什么。

一个细节能说明差距：有篇 Voyager 论文的技能库图表，Claude 的做法是硬编码一个预设技能库，把论文的核心要点——系统得自己把技能写成代码再复用——给简化掉了。Faraday 的做法是更忠实地保留论文背后的想法。另一个材料科学的图表，Codex 只跑了一个随机种子、给不出误差棒，Faraday 则紧贴严谨科学家的规范，既展示误差棒，也做不同物理条件下的消融分析。

「这就是实习生身上的优良表现：刨根问底的分析，用严谨的方式做科研，并且真正开始提出正确的问题。」

这对做教培的人有个直接启发。如果你在做 AI 教研，别先问「AI 能不能自动生成教案」——先问「AI 能不能看懂一篇优秀教案为什么优秀」。教研的难点从来不是「写」，是「知道这篇教案为什么这样设计」、知道学生会在哪一步卡住、知道这个知识点和前面哪个知识点有隐含依赖。能复现精髓，才谈得上自己设计；能看懂学生为什么在这步卡住，才谈得上个性化推荐。

生成是最后一步，理解才是第一步。我们之前把顺序搞反了。