将真实科学问题
转化为 AI 持续学习
与发现的环境

SII 从真实科学问题出发，与领域研究者共同明确研究对象、已知条件、可进行的操作，以及支持或否定结论所需的证据。在此基础上，组织具体任务实例（instances）与交互环境，使系统能够提出假设、获取证据、检验结果，并将经验用于后续问题。

在这里，形式化意味着把科学问题转写为可操作、可检查的研究任务。它需要保留原问题的科学条件、不确定性与适用边界；验证依据可以来自计算、模拟、实验记录或专家审核，并明确每种依据能够支持多强的结论。

一个任务实例提供一次研究经历；一组具有共同科学结构的实例，构成积累经验的空间；环境提供行动与反馈，后续的新任务则检验系统从中获得了什么能力。

这种组织方式使同一类科学问题能够支持相互衔接的三项工作：

• 评估： 系统能否完成有科学意义的任务，结果是否有充分证据支持？
• 学习： 系统能否从先前经历中提炼可复用的关系、约束或研究策略，并用于新的问题？
• 训练： 哪些经过验证的反馈能够支持方法改进，使能力增长可以持续发生？

评测轨道中的后续检验任务与答案需要受到保护，不能直接成为训练材料；三项工作共享问题定义与验证基础，而非混用测试答案。