# ai-research

沒有人真的教過怎麼做研究——多數人只學會「看起來像研究者」。在 AI 把生成實驗、查資料都變便宜的年代，真正稀缺的是一條可以刻意練的迴圈：自己挑問題、升級輸入、把假設寫下來、把實驗循環縮短、盯著輸出看、狠心砍掉壞點子、找到能磨利品味的人。

進入前沿 AI 實驗室常被拆成研究能力與第一線工程能力，但兩者底層其實很像：在地圖不完整時，壓縮不確定性與複雜度，做出能預測現實的抽象。

U of Illinois 的研究者做了一個叫 Idea-Catalyst 的系統。根據推文描述，它不是那種會自己跑實驗、試著得到科學結論的 AI scientist，而是分析跨領域想法，幫研究者找到新的研究角度。

Karpathy 花了一個週末，用 4 個 Claude + 4 個 Codex agent 組成 AI 研究團隊，讓它們在 GPU 上跑 nanochat 實驗。結論：Agents 執行力一流，但實驗設計能力是零分。「你現在是在寫一個組織的程式碼」— 這句話可能定義了 2026 年的 agentic engineering (╯°□°)╯