在相信结论前，我如何阅读一篇 AI 论文

第一遍：还原主张

用一句话写出核心主张，再找到真正支持它的比较。记录任务、数据、指标和基线；其中任何一项不清楚，标题结论就还不能解释。

• 相对基线到底改变了什么？
• 哪个指标承担主要结论？
• 这个主张覆盖什么人群或数据集？

第二遍：检查因果故事

把作者测量到的现象和作者认为它为何发生分开。消融、控制、错误分析和反例，通常比再看一张架构图更重要。

• 寻找其他可能解释。
• 检查每个组件是否单独测试。
• 注意缺失或偏弱的基线。

第三遍：估算复现成本

列出数据访问、预处理、算力、软件版本、隐藏服务、评估脚本和人工判断。一篇论文可以很有研究价值，却不适合在当前环境完整复现。

• 区分必要条件和便利条件。
• 标记拿不到的产物。
• 完整复现前先估算最小复现。

第四遍：定义迁移边界

把结果用到新场景前，说明哪些条件相同、哪些不同。迁移是一个新假设，不是论文发表后的自动结论。

• 比较数据分布和用户目标。
• 检查失败成本是否变化。
• 为本地使用设定验收测试。

最终保留的笔记

长期笔记只保留核心主张、证据表、最强局限、复现成本、一个未解决问题和一个决定：复现、继续观察、谨慎使用或停止。