https://wins-m.github.io/302/tags/%E7%A0%94%E7%A9%B6%E6%96%B9%E6%B3%95/Recent content in 研究方法 on WM's BlogHugozh-cnTue, 01 Sep 2026 21:00:00 +0800https://wins-m.github.io/302/posts/2026/ai-wrote-my-reflection/Tue, 01 Sep 2026 21:00:00 +0800https://wins-m.github.io/302/posts/2026/ai-wrote-my-reflection/<blockquote> <p><strong>30 秒摘要</strong>：我让三个不同信息条件下的 AI 各写了一篇同一期播客的观后感。最假的那份很好认——它连音频都没听过，靠节目简介补出了一套听起来很聪明、但与事实相反的机制。真正难办的是最像真的那份：它由存有我个人记忆的 AI 写成，<strong>事实一个都没编</strong>，时间戳全对，出处清单标得清清楚楚。它伪造的是<strong>因果箭头</strong>——文章写成&quot;我听了这个，于是想到了那个&quot;，而那些想法其实全部产生于听之前。它读起来像洞察，是因为它对我准确，不是因为它告诉了我什么。</p>https://wins-m.github.io/302/posts/2026/zero-cost-experiments/Thu, 20 Aug 2026 12:00:00 +0800https://wins-m.github.io/302/posts/2026/zero-cost-experiments/<blockquote> <p><strong>30 秒版：</strong> AI 真正降低的不是写代码的成本，而是整个 hypothesis space 的<strong>搜索成本</strong>——以前 20% 成功率、要做两天的想法不值得试，现在值得。 于是瓶颈从 execution 移到 selection：一天能跑两百个实验时，难的是<strong>哪两个值得看</strong>。 而且 alpha discovery 变便宜了，alpha validation 没有——搜索空间一大，multiple testing、overfitting、selection bias 全部加重，噪声里总能捞出漂亮的 equity curve。 所以研究员的活儿从“找到一个好结果”变成“给一堆结果排证据强度”，稀缺的不再是搜索能力，而是<strong>知道该去哪里搜</strong>的先验，以及愿意 kill signal 的纪律。</p>