自动研究缺的不是更多答案，而是一道门

2026-09-05 AI · 研究 · Auto Research

生成已经不是最贵的部分

过去做研究，提出一个像样的假设、找到相关文献、写出程序、跑完实验，任何一步都可能花很长时间。

现在，AI 可以在一次任务里给出几十个候选，接着生成数学推导、代码、实验计划和论文草稿。给它更多模型、更多 Agent 和更多算力，候选还会继续增加。

这很容易让人以为，Auto Research 的核心问题是怎样让 AI 产生更多、更好的问题。

我在 Minimax 和 MRI 项目中看到的却是相反的局面：候选产生得太快，验证跟不上；而比验证更稀缺的，是决定哪个候选值得占用验证资源。

因为一个候选即使最后成立，也可能只是：

如果没有准入机制，增加算力不一定让研究更快接近知识，也可能只是更快地产生正确而平凡、复杂而无用、或者根本无法判定的结果。

Auto Research 缺的首先不是更多答案，而是一道能够说“不”的门。

这道门不负责判断真假

我已经把双轨定义为 Auto Research 的基本治理单元：逻辑问题以形式化为终局，工程问题以相应层级的可复现结果为终局，目前无法进入两者的问题留在边界之外。

但双轨只回答：一个已经说清楚的问题，应当由什么机制判定。

它不回答：这个问题是否值得消耗证明、实验、数据、设备和人的注意力。

这两件事不能混在一起。

一个命题可能非常重要，最后却被证明为假；这仍然可能是一项有价值的研究，因为它排除了一个真正的不确定性。另一个命题可以被 Lean 严格证明，也可以被程序稳定复现，却没有提供任何新东西。

所以，意义门不是双轨中的第三条真理轨道。它不裁决“真”或“假”，而是裁决另一件事：

在当前目标、知识状态和资源条件下，这个候选是否值得进入昂贵判定？

候选通过意义门，不代表它正确；候选在双轨中成立，也不代表它重要。

候选生成：它也许是什么
→ 意义门：它是否值得被判定
→ 双轨：它在自己的类型中是否成立
→ 再次过门：这个结果是否值得继续扩大投入

门禁治理资源，双轨治理命题。它们彼此相邻，不能互相替代。

这里还需要声明一个现状边界：下面的意义门，是我从 Minimax 的停止经验和 MRI 的负结果记录中抽象出来的治理设计，不是 MRI 项目已经完整部署并证明有效的一套流程。两个项目提供了问题和局部实践，门禁本身仍需要在更多研究中被实现、修改和检验。

Minimax：什么时候应该停止增加复杂度

Minimax 没有一开始就叫“意义门”。它只是让我第一次清楚遇到：一个微小信号还在，但继续做下去可能已经没有意义。

项目先后尝试了六版小模型。后来又把《易经》64 卦、384 爻整理成数据，研究传统结构能够解释多少文本差异。

最初有过一个看起来令人兴奋的相关系数：r≈0.28。它很容易被误说成“解释了 28%”。加入按卦留出的交叉验证与随机基线后，项目内部能够稳定保留的解释率收紧到约 14%，而且主要来自位置结构。再用最小描述长度测量，收益只剩每爻约 0.06–0.11 bit。

这些数字没有证明《易经》不存在更多结构，也没有给出它的绝对上限。它们只描述当时的数据、特征、模型和评估协议。

问题是：要不要继续堆更复杂的模型？

如果目标只是让某个数字继续上涨，总能再增加特征、交互项和参数。如果目标是减少真正的不确定性，那么多种模型和测量已经大致收敛，新增复杂度没有带来相称的工程优势，剩余问题也需要另一种材料或观察角度。

项目于是停止。

停止不是因为结果为负。更准确地说，项目得到了一项有限结果，也发现继续沿同一条路径投入的边际信息已经很低。

意义门在这里处理的不是“14% 算不算成功”，而是：下一单位资源还能不能明显改变我们对问题的认识？

MRI：正确以后，问题才真正出现

MRI 项目把这个矛盾推得更远。

一个 cellular sheaf sampling 候选被接到有限维 HARDI 模型以后，相关逻辑命题完成了形式化，数值实现也可以复现。但最后得到的 sheaf bandwidth，在这个模型里就是熟悉的 1/条件数。

它可以是正确的。

它也可以没有产生新的 MRI 指标和可操作建议。

另一次尝试希望用这个指标帮助欠定重建选择正则化。实验最后暴露出一个结构性问题：指标能描述有效值域上的条件状况，却看不见零空间，因而不能解决真正的不可辨识性。继续优化同一个指标，不会让它突然获得观察零空间的能力。

还有一些候选在文献检查后发现已有成熟先例，或者在形式化与数值扫描后退化成条件数现象。它们并非全是假命题。其中一部分在自己的声明范围内完全成立，只是没有留下足够的研究增量。

这些结果让我意识到，Auto Research 不能只有“提出—证明—复现”的流水线。

如果一个系统把所有形式正确、工程可跑的结果都升级为“研究成果”，它最终会生产大量无可争辩却无关紧要的知识碎片。验证越强，这些碎片甚至越像真正的突破。

意义门必须在昂贵判定之前出现，也必须在结果成立以后再次出现。

一个候选进入验证前，至少要回答什么

意义无法被压缩成一个永远通用的分数。但候选可以被要求提交一张准入卡，至少回答六个问题。

1. 它对应哪个真实未知？

候选必须指向知识地图中的空白、矛盾、未解释现象或默认假设。仅仅“把 A 用到 B”不是问题；它需要说明 B 中究竟有什么尚未解决。

2. 相对已有工作，它增加了什么？

更换术语、符号和叙事，不等于增加知识。系统要主动搜索最接近的已有结果，并说明新增的是条件、边界、预测、构造，还是决策能力。

3. 去掉新包装以后，结论还剩什么？

做消融：移除声称的新结构，换回普通基线。如果结果几乎不变，新增结构可能只是装饰。

4. 它产生什么新的可观察后果？

一个候选不一定立刻产生产品或临床结果，但至少应改变某个可检查的东西：一个预测、一个边界、一个反例、一种构造，或者对两个方向的取舍。

5. 什么结果能够杀死它？

如果任何输出都能被解释成支持，候选就还没有进入研究。停止条件必须在看到结果前尽量写清楚。

6. 最便宜的区分实验是什么？

不要先写整篇论文或形式化一座大厦。先寻找能够最大幅度区分“值得继续”和“应该停止”的最小实验、最小反例或最小定理。

这六问不是为了保证正结果，而是为了保证无论结果正负，投入都可能减少某种明确的不确定性。

门禁不能变成品味独裁

一旦开始谈“什么研究值得做”，危险也随之出现。

意义依赖目标、使用情境和成本。一个对 MRI 工程没有新意的数学接口，可能对形式化方法教学有价值；一个今天成本过高的实验，可能在设备变化以后变得值得。所谓重要性，不可能完全从定理中推出。

如果门禁只奖励短期可量化收益，它会系统性排斥最陌生、最难描述、也最可能改变框架的问题。如果门禁只服从资深专家的既有品味，它又可能把领域当前的盲点固化下来。

所以，门不是一个永不改变的排行榜，也不是某个人的直觉裁决。它至少需要：

这意味着意义门本身也是治理对象。

它会误杀，也会放过平凡结果。它的价值不在于永远选对，而在于使资源分配的理由、失败和修改都有迹可循。

拒绝也应该成为研究产物

传统论文通常只展示穿过所有门的结果。Auto Research 如果继续这样记录，会有一个严重问题：系统看不见自己为什么曾经停止，也就会在下一轮重新生成同样的候选。

因此，被门禁拒绝不应该等于被删除。

一次拒绝至少应留下：

候选和来源
当时的目标与资源条件
最接近的已有工作
通过了哪些检查
在哪一道门停止
停止所依据的证据
什么变化足以重新开启它

Minimax 的价值不只在最后留下约 14% 或 0.06–0.11 bit，也在于记录了为什么不再增加模型复杂度。MRI 的负结果不只关闭了若干候选，也让零空间、条件数和语义映射成为以后新候选必须提前面对的边界。

对于自动系统，这些记录还是一种防重复记忆。它们让一次失败不必在换一个 Agent、换一个措辞以后重新付费。

负结果不是正结果的次等版本。只要它排除了一个此前真实存在的可能性，并且边界与证据足够清楚，它就在减少未知。

算力应该放大筛选后的深度，而不是未筛选的数量

我过去受限于算力，所以很自然地想象：如果资源更多，就可以更快、更大量地产出研究成果。

这可能是真的一半。

更多算力确实可以搜索更多领域、提出更多候选、完成更多证明和实验。但候选数量增长以后，来源核对、语义翻译、独立复现、现实反馈和价值判断并不会自动按同样速度增长。没有门禁，算力首先放大的可能是待验证队列和共同模式错误。

真正可扩展的 Auto Research，不应把所有想法都送进最昂贵的流程。它应该先用最便宜的证据淘汰明显重复、无法证伪、没有增量或不符合当前目标的候选，再把资源集中到少量仍然改变认识的路径上。

这道门不会告诉我们最终应该研究什么。它只能让每一次“继续”都说明理由，让每一次“停止”都留下证据。

研究仍然充满随机性。通过门禁的候选仍可能全部失败，最有价值的发现也可能来自最初看似古怪的方向。

门禁不是为了消灭这种随机性。

它是为了让随机探索不等于无记忆地消耗资源，让高速生成不等于高速宣布成果。

当答案可以无限增加，真正稀缺的能力也许不是继续回答，而是知道哪一个问题有资格消耗下一单位现实。