任务质量
结果在多大程度上回应了目标？
跨应用评测
这一步，解决了问题吗？
有用的 AI 需要理解任务、选择可行行动，并根据结果调整。让这些过程能够被比较。
给每次比较，一个共同起点。
先定义任务与可用信息，再比较不同方法。
01 / 任务
什么最重要？
设定目标、初始场景与完成条件。
02 / 观测
AI 能知道什么？
明确系统能够获得的场景信息与测量。
03 / 行动
什么可以改变？
设定允许的变化、工具权限、物理限制与资源预算。
04 / 结果
最后发生了什么？
审阅结果、约束遵守情况，以及通向结果的步骤。
共同标准
从多个角度理解结果。
既看完成了什么，也看付出了什么。
物理可行性
选择是否符合场景与允许的限制？
工具使用
是否选用了合适的工具与输入？
资源使用
需要哪些测量、计算与行动？
稳健性
面对规定的任务或环境变化，方法如何应对？
决策记录
观测与行动能否解释最终结果？
从预测到现实
从能够核验的模型开始。
物理测量检验模型，受控任务检验基于模型做出的决策，两者共同构成判断依据。
对齐物理条件
在对应的几何、材料与传感设置下，将预测与实测进行比较。
保持比较一致
使用相同任务条件与明确资源，纳入未成功的尝试和剩余不确定性。
从差异中学习
区分模型偏差、工具问题与决策问题，让下一步改进有明确对象。