2024 年 Sakana AI 的 AI Scientist 独立跑完选题、实验、写作全流程，产出一篇像模像样的论文——后续检查发现，所谓性能提升建立在有缺陷的实验上。数据是真的，流程是通的，结论是错的。东京科学大学四个研究者决定直面这道题：他们把七个大模型放进一间真实的钻石实验室，让 AI 从头做一次完整研究。
补漏 1：这间实验室的主角为什么是块钻石
实验台选了钻石里的氮-空位（NV）色心系综：532 纳米绿光一照，自旋态决定亮度——光学就能读；2.75 GHz 微波一打，自旋精确翻转——无线电就能操控。更妙的是「系综」：亿万个色心，每颗共振频率略有差异，测到的是亿万个「音色各异」的自旋的平均——把真实物理里永远存在的「你不知道的分布」做成了显微镜下的标本。真实到必须认真，又温顺到可以无人值守。这个选择本身就是研究设计：既要防 AI 蒙混，又不能让硬件难度淹死自动化。
补漏 2：制度设计的四根柱子
系统叫 Auctopus，六个角色：提案者、首席研究员 PI、计算研究员、实验员、经理、独立评审员——外加一个人类写死电压功率红线的安全智能体。四根柱子各堵一条已知的自欺路径：产出与评审分离（PI 评审时看不见提案者的热情洋溢）；关键决策必须显式评审才能推进；预测与验收标准在分析数据之前锁定并哈希——先写判据再看数据，这是心理学复制危机里「花园分叉路径」教训的直接落地；被拒方案可修改重提，批评用来指路不用来处刑。组会规则一句话：每个人都必须给上一个人的产出挑错，挑不出错，会议不许散。
补漏 3：30 小时，75 次拒绝，52 次撞车
选题阶段 PI 拒了 75 个提案，前 17 批全军覆没。经理翻日志发现更糟的事：早期 56 个新提案里 52 个落进已被否掉的「提案家族」——同一个想法换了件马甲又来。加了一条记忆补丁后才打开局面，9 个新提案探索了 7 个全新方向。多样性居然要靠打补丁，这个皱眉是对的——论文自己在局限一节认领了。最终入选的问题漂亮得很：预测非均匀自旋系综对任意脉冲序列的响应，最少需要多少次定标测量。答案 L²+1：长度 3 的序列原本估 91 次，精确结果只要 10 次——指数级考卷，考卷背后只有一本 10 页的教科书。计算研究员在 TSUBAME 4.0 上生成 252,620 份精确有理数证书，逐份验证了这条定律有约 1.2 度的误差缓冲带。
补漏 4：最见品味的不是定理，是两次说「不」
第一次，实验员拿出一个统计验算过、预算也够的设计，PI 否决了——9 点完整网格已包含足够信息，傅里叶插值也能定出这些目标，目标达成无法归功于定标律。能预测不等于证明了定律；不给竞争假说立输赢线，你赢的是蒙眼赛跑。修订版把 4 个扣留目标放在两条插值规则都被证明对比度为零的位置——考定律的题和考插值的题印在同一页纸上。第二次在数据出来之后：10 条判据全部通过，对照组翻车。PI 的判决是不确定。然后实验员去查案，从逐时漂移日志里揪出元凶——上午基线升 7.6%，11:48 信号跳变 2.9%，一位实验室成员开了灯。没有地震没有电网波动，只是一盏日光灯挪了 2.9% 的荧光基线，偏偏砸在两个程序副本本应等价的测量上。判据锁过哈希，一个没放宽；修的是流程，原数据不翻案。重采 6 小时：预测 39.7，实测 40.0，差不到三分之一标准差；两条插值基线预测为零，信号以单侧 p 小于等于 0.001 存在。
论文写的是「支持」，不是「证明」。这句每个字都过过秤。
下一根钉子：样本量等于 1——一次研究一个物理体系，这是存在性证明不是普遍性证明；账还没算，30 小时选题马拉松加 25 万份超算证书的机时成本，论文没给数字；以及审稿员只能审纸面——拿到的是稿件不是原始数据，暗房里做手脚它抓不到。
边界一条：仪器是人类搭的，红线是人类画的。「什么算危险」这个判断，恰恰是所有自主系统里最人类的部分。费曼 1974 年说的那句话——你不能欺骗自己，而你恰恰是最容易受骗的对象——五十年后第一次有了一套无人值守的流程把它逐条执行。科学方法不承诺正确，只承诺让你的错误无处遁形。哪怕错误来自一盏灯。