信号一：数据可回溯
能否找到一批记录完整的历史实验，包含输入条件、过程参数与检测结果。为什么关键：没有历史数据就无法训练或验证模型。怎么做：抽取近两年的一批实验记录，检查字段完整率与可关联性，缺项多的先补记录规范再谈建模。
信号二：有可比基线
现有方法的效果要能用数字表达，例如传统仿真的误差范围或经验公式的命中情况。为什么：没有基线就无法判断模型是否真的更好。怎么做：选一个成熟课题，测出现有方法的误差与耗时，作为后续比较的基准。
信号三：能闭环验证
企业是否具备实验、检测或中试条件，把计算结果验证回来。为什么：没有验证能力，模型输出只能停留在假设。怎么做：确认验证资源与周期，估算每轮验证的成本与排队时间，避免课题卡在验证环节。
三信号之外还看人
需要一位能判断实验合理性的领域专家，以及愿意承担试错的组织氛围。怎么做：明确课题负责人与其决策权，设定阶段性评审点；边界：专家意见不能替代检测与合规要求，最终结论仍以验证数据为准。
先小后大
三信号具备后，先用一个课题做回溯验证，再决定是否扩大。怎么做：设定验证周期与通过标准，未达标准时先查数据质量而非急于换模型，避免把数据问题误判成算法问题，白白增加投入与时间成本。
适用与不适用
适合谁
- 准备立项 AI for Science 课题的研发负责人
- 需要向管理层说明可行性的技术团队
- 评估是否采购研发类 AI 工具的企业
不适合谁
- 没有实验与检测条件、也无历史数据的团队
- 希望跳过验证直接进入量产的项目
典型场景
某化工企业想引入 AI 辅助配方开发。团队按三信号自查：历史实验记录字段完整率不足，先花两个月统一模板；现有经验公式的误差范围已测出；中试线可承接小批验证。完成前两项后，选一个成熟产品线做回溯，通过后再扩大课题范围。
可执行步骤
- 抽取历史实验记录，检查字段完整率与可关联性，并标出数据缺口。
- 选成熟课题测出现有方法的误差与耗时，作为基线并形成书面报告。
- 确认实验、检测或中试资源与验证周期，同时估算排队与等待时间。
- 指定课题负责人与领域专家，明确决策权以及阶段性评审节点，写入计划。
- 先做一个课题的回溯验证，设定明确的通过标准，通过后再扩大范围。
常见坑
- 历史记录缺项严重仍强行建模，模型学到的多是噪声，投入难以回收，结论也无法解释，后续验证没有基础。
- 没有基线就宣布效果提升，评审时无法证明改进来自模型，预算审批会被卡，结论站不住。
- 验证资源排不上队，课题长期停在计算阶段，团队失去耐心，前期投入沉没，项目无疾而终。
- 把专家经验当成验证结论，绕过检测环节，风险不断累积，合规上留有隐患，责任也难界定。
自检与验收清单
- 历史实验记录字段完整率是否评估过，并可关联
- 现有方法的误差与耗时是否测过并留有书面记录
- 验证资源、周期与排队时间是否均已确认并排期
- 课题负责人与领域专家的决策权是否明确到人
- 是否设定回溯验证的通过标准，是否写明时间点
常见问题
数据不够能先做吗？
可以先做文献与专利挖掘、计算筛选等不依赖自有数据的环节，但要清楚这些只是假设生成。涉及配方或工艺的结论，仍需数据与实验支撑，否则无法进入实质投入阶段。
基线一定要用数字吗？
尽量用数字。误差范围、命中率、耗时都可以量化；确实无法量化时，至少要有可比较的评审记录，由多位专家独立判断，减少主观偏差，并在后续验证中补充量化指标。
验证周期多长算合理？
取决于行业与课题，短则数周，长则数月。关键是提前确认资源与排队时间，把验证周期写入计划；若周期超过课题窗口，应缩小范围或换课题，而不是压缩验证环节。