从科研计算到企业 AI

博士阶段，我研究分子动力学、超快光谱与成像。进入 IT 行业后，我面对的对象变成了企业流程、产品知识与 AI 应用。研究对象发生了变化，但一些工作习惯一直保留下来。

先弄清楚问题如何成立

在科学计算中，方程的求解依赖假设和边界条件。在企业 AI 中，工具的选择同样依赖任务边界：使用者是谁，输入从哪里来，输出怎样被使用，哪些错误不可接受。跳过这些问题，很容易做出一个能够演示、却难以交付的结果。

把隐含经验转成可检查的结构

科研需要把物理直觉转成模型和算法。业务实践则经常需要把专家的隐含经验转成规则、数据结构、检查项或操作流程。两者都要求把“我觉得应该这样”变成可以讨论和检验的表达。

对结果保留判断

数值计算给出一张图，并不意味着研究已经完成。类似地，模型生成一段流畅的文字，也不意味着任务已经正确解决。检查来源、约束、异常案例与实际反馈，是工作中不可省略的部分。

AI 编程工具扩展了我探索和实现想法的方式。与此同时，我仍需要负责问题定义、技术取舍、规则质量与最终验收。把这些责任说清楚，才能准确理解一个项目里哪些能力来自工具，哪些来自个人与团队。

在交叉处继续学习

这个网站记录的，就是这条从研究走向实践、又被实践不断修正的路径。我希望留下的不只是结果，还有它背后的问题、选择和仍然成立的疑问。