AI for Science 的实施流程

谨记一点: AI for science 的最重要的是为了新现象新发现新的解决方案。你研究的问题需要重要一些，别做一些无聊的鸡毛蒜皮的事情。

1.人与AI的合作：人与AI的合作本质上是人作为管理者带领多个高智商勤奋的本科生造出火箭的过程。

第一层： 分为执行层还有决策架构层，专注于决策架构层的事情，在决策架构层人要比AI更聪明更强，要拿到什么样的结果。

第二层：

A. 大概定好方向，并且组织好文献和数据目录， 让AI挖掘文献和数据目录，挖掘数据，自主设计方案，跑出来初步的结果。---- 探索出有意义的初步结果

B. 人工必须接手，设定好最终的框架和设计； 提供高质量的数据资源，给AI设定好标准结果的执行规约。目前的AI在复杂框架设计上仍然存在缺陷，可以

C.  让AI执行，按照设计方案跑出来结果

D.  人工进行精修

2.AI实施过程的设计：

    A 整个控制流要交给程序代码来组织，用这种确定性程序和AI workflow 相互结合， 这样可以确保长期稳定运行，最大化发挥出AI的能力。

    B 要做好基础设施的建设， 将数据组织好，做好记忆系统, 做好数据搜集系统。

    C  做好规范限制，现在流行的词叫做Harness ,本质上是压缩大模型的执行的动作空间，确保最终产出的成果是可控的。 可以通过抽取优秀项目把这些优秀的做法用workflow之类的固定下来作为Harness。

    D  同时开启多个AI终端同时跑，让效率翻几倍。