[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fZHA0sziNiZ1vMdpyUljUYE5tLXiCmpEDF_AkWFIzDHQ":3},{"item":4,"related":51},{"id":5,"type":6,"title":7,"slug":8,"summary":9,"body":10,"coverUrl":11,"productScreenshots":12,"productLinks":13,"authorName":14,"authorUrl":15,"authorSubject":16,"category":17,"tags":22,"sourceLabel":39,"sourceName":40,"sourceUrl":41,"status":42,"seoTitle":43,"seoDescription":44,"canonicalUrl":45,"isFeatured":46,"sno":47,"sortOrder":48,"publishedAt":49,"updatedAt":50,"createdAt":50},"ccc4cc4b-9aa3-41c0-b642-d4d8c93e7c7a","article","科研人员用 AI 写软件，为什么“科学正确”比“代码能跑”更难？","ai-coding-scientific-software-validation","科研软件的验收不只看程序是否运行，还要看结果是否符合理论、实验和已有工具。本文介绍 AI 辅助科研编程的适用工作，以及已知答案、模拟数据和交叉验证的重要性。","把 AI 用在个人网页上，页面能不能运行往往就是最直观的验收标准。但在科研软件里，“代码能跑”只是起点。一个程序可能没有报错，却使用了错误的参数、改变了统计含义、丢失了精度，或者在特殊数据上产生看似合理但科学上错误的结果。\n\n## 科学正确不等于软件正确\n\n普通软件通常关心输入、输出、性能和稳定性；科研软件还关心结果是否符合理论、实验和已有工具。一个函数返回了数字，不代表数字有意义；一张图成功生成，不代表趋势解释正确；一个模型训练结束，不代表它没有数据泄漏。\n\n因此，科研人员让 AI 写代码时，需要把领域知识转化成可验证的参考。可以是已知答案、模拟数据、守恒定律、统计性质、已有软件的结果，或专家明确规定的范围。没有外部参照，模型很容易把“格式正确”误判为“结论正确”。\n\n## AI 在科研软件里适合做什么\n\n它适合处理重复的工程工作：补充数据读取器、重构目录、编写测试、增加日志、转换语言、包装命令行接口、整理文档和搭建实验脚本。这些任务如果有清晰输入和可测输出，AI 能减少工程负担，让研究人员把更多时间放在问题设计上。\n\n它不应该独立决定实验方法、解释异常结果或选择关键统计假设。模型可以提出候选方案，但专业人员必须确认其科学含义。\n\n## 怎样为科研代码建立验收标准\n\n第一，准备最小的已知数据集，结果要能和参考答案比较。第二，使用模拟数据覆盖边界，例如空样本、极端值、缺失值和不同单位。第三，比较的不只是字符串或代码形式，还要比较结果、误差范围和关键统计性质。第四，记录运行环境、随机种子、参数和输入版本，保证结果可以复现。\n\n当 AI 修改已有算法时，可以先要求它生成等价性测试，再让它实施重构；当 AI 新增计算方法时，可以让它与成熟工具或独立实现做交叉验证。越重要的结果，越不应该只有模型自己检查自己。\n\n## 为什么人的判断仍然是瓶颈\n\n科研人员最清楚什么结果值得信任，但往往没有足够时间修补所有工程细节。AI 能提高实现速度，却不会自动知道一个近似是否破坏了实验结论。OpenAI 分享的科研软件案例也指出，Agent 能有效处理边界清楚的请求，但判断科学有效性仍然依赖外部参考和人的专业判断。\n\n## 适合大众理解的类比\n\n让 AI 写科研程序，就像让一位很快的实验助理搭建仪器：它可以按说明连接线路、整理记录和重复测量，但不能仅凭仪表亮灯就判断实验结论成立。真正可靠的科研 Vibe Coding，需要把“能运行”升级为“可验证、可复现、符合领域规律”。\n\n## 来源\n\n- [OpenAI：Scientific Computing in the Age of Agentic AI](https:\u002F\u002Fopenai.com\u002Findex\u002Fscientific-computing-agentic-ai\u002F)\n- [OpenAI：Harness Engineering](https:\u002F\u002Fopenai.com\u002Findex\u002Fharness-engineering\u002F)","\u002Fuploads\u002F2026-09-14\u002F9c119ec1-a2f7-41f0-bea7-aa4bc22f2eed.jpg",[],[],"Foundit","https:\u002F\u002Ffoundit.cn","foundit-ai-editorial",{"id":18,"name":19,"slug":20,"description":21},"6179d3b6-dc34-4483-9ded-3cd9f1b37a47","科普","abbreviation","介绍各领域新兴概念",[23,27,31,35],{"id":24,"name":25,"slug":26},"0848beb4-db26-4fb8-b391-f852a11be192","AI编程","ai-coding",{"id":28,"name":29,"slug":30},"88d2bc27-0e0f-468a-b907-2991cb97b87b","人工智能","ai",{"id":32,"name":33,"slug":34},"144abe77-0dc6-4f66-a176-20bddb1c0bfa","编程","coding",{"id":36,"name":37,"slug":38},"4c2bbea6-eab7-40a8-8447-1de478ff7749","分析","analyse","OpenAI 官方研究","Scientific Computing in the Age of Agentic AI","https:\u002F\u002Fopenai.com\u002Findex\u002Fscientific-computing-agentic-ai\u002F","published","AI 编程与科研软件：科学正确为什么比代码能跑更难","从已知答案、模拟数据、统计性质和交叉验证出发，解释 AI 辅助科研编程如何判断科学结果是否可信。",null,false,49,0,"2026-09-14T00:00:00.000Z","2026-09-14T11:00:10.377Z",[52,61,69],{"id":53,"type":6,"title":54,"slug":55,"summary":56,"coverUrl":57,"authorName":14,"sno":58,"publishedAt":59,"createdAt":60},"7cc644a5-e0de-4d7b-802e-9e8b69677e12","AI 生成的代码会不会复制开源项目","ai-code-open-source-reference-license","AI 生成代码不等于天然没有来源。本文区分常见写法与高相似片段，解释代码引用、许可证、依赖供应链和轻量来源检查，帮助团队把合规当成代码质量的一部分。","\u002Fuploads\u002F2026-09-13\u002F920327ad-de7f-4caa-a2f4-816d467c9f9c.jpg",40,"2026-09-13T00:00:00.000Z","2026-09-13T11:55:49.911Z",{"id":62,"type":6,"title":63,"slug":64,"summary":65,"coverUrl":66,"authorName":14,"sno":67,"publishedAt":59,"createdAt":68},"1ff2b0c1-c125-4469-a09c-b8ddbc5bf705","AI 写 SQL 和数据库迁移，为什么必须人工确认","ai-generated-sql-database-migrations","数据库迁移会改变持久数据、锁和应用契约，语法正确不代表上线安全。本文解释 AI 生成 SQL 的风险，介绍扩展、迁移、收缩的兼容策略，以及生产执行前应检查的门槛。","\u002Fuploads\u002F2026-09-13\u002F6e5177d7-f51a-4722-951b-0108e9b7ecae.jpg",41,"2026-09-13T11:55:59.196Z",{"id":70,"type":6,"title":71,"slug":72,"summary":73,"coverUrl":74,"authorName":14,"sno":67,"publishedAt":59,"createdAt":75},"88cd83c5-bb5f-411a-85bf-1eefdcacebf4","AI 代码审查能不能替代人类 Code Review","ai-code-review-human-review","AI 很适合做第一轮代码审查，却不一定理解业务语义、风险取舍和变更完整性。本文梳理 AI 审查的强项与盲区，并给出自动检查、AI 建议和人工批准的三层协作方式。","\u002Fuploads\u002F2026-09-13\u002F1ff872e2-ecfe-4bd4-9dd1-327a09a8f6dc.jpg","2026-09-13T11:55:47.724Z"]