AI 辅助科研的最小知识集

AI出来以后，科研的整个范式不断的被打破和优化。最开始我以为只是让我们做一件事情做得更快，但后来我发现在速度提起来以后，如何确保准确性变成了一个困难的问题。在AI出来以后，我们到底应该去训练什么样的能力？还需要人具备什么样的能力？

提示词工程？skill设计？流程编排？

好像都对，又好像都不对。

我反复在思考这个问题，后来是在得到听刘雪峰老师解读《通用人工智能》这本书时提到了一个概念——最小知识集，我才豁然开朗。

🎼 - 核心定义：将知识分为两类，一类是必须深度掌握的最小知识集——即领域内最核心、最常用、支撑后续所有学习的底层概念，检验标准是能用大白话给零基础的人讲明白并让对方能举一反三；另一类是仅需“边界性掌握”的外围知识，只需知道其能解决什么问题、适用场景即可，无需精通细节。

• 落地方法：先吃透领域最小知识集，再承接一个有难度的真实项目，在AI辅助下通过解决实际问题快速搭建全局能力。
• 通俗类比：开车的最小知识集是油门、刹车、方向盘、后视镜和交规，需要形成肌肉记忆；而发动机燃油喷射原理、变速箱齿轮比这类外围知识，仅需知道故障场景对应找专业人员处理即可。

如果说有这样一个最小知识集，那么在AI赋能科研的过程中也一定存在这样的最小知识集。我开始尝试去思考打磨这个最小知识集是什么，那我认为站在科研的整体角度上看，它其实可以分为三块。

• 第一块是研究假设和研究设计的提出
• 第二块是如何对这个假设进行可信验证的过程
• 第三块是将这个验证过程用学术共同体认同的方式将它表达出来的能力

基于这个梳理，再往下走，所有研究的起点是研究假设和研究设计，无论是对于新入门的朋友来讲，还是对于长期从事科研的朋友来讲，这个问题都是一个绕不过去的问题，特别是在实证研究过程被skill完全接管以后，这个问题变得尤为重要，因为如果出发点出现问题，那你跑得再快也无济于事。

所以我选择先从第一个板块入手，然后进一步拆解了在这个板块里面什么是最小知识集，用一句话总结就是，把一个模糊的想法变成一个可被验证的研究设计，这个是第一板块的最小知识集，

这次后续的所有课程就围绕这个展开，希望对大家有帮助~