Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是一场**“人工智能与老派统计学家的厨艺大比拼”**。
想象一下，你是一位想要做实验的科学家（比如想测试哪种肥料能让番茄长得最好，或者哪种配方能让蛋糕更松软）。你需要设计一个**“实验菜单”**（在统计学里叫“实验设计”），决定要测试哪些变量（因素），以及需要做多少次实验（运行次数）。
传统的做法是：你去翻一本厚厚的**“老式食谱书”**（教科书或统计软件），里面已经列好了完美的菜单，保证用最少的实验次数，得到最准确的结果。
但现在的大语言模型（LLM）（比如 ChatGPT 和 Google 的 Gemini）就像是一个刚学会做饭、读过全世界所有食谱的超级 AI 厨师。这篇论文就是去测试：如果直接问这个 AI 厨师“给我设计一个完美的实验菜单”，它能不能做得和老食谱书里的一样好？
🍳 核心故事：AI 能当“实验设计师”吗？
1. 任务是什么？
研究人员给 AI 厨师下达了 36 个不同的“点菜”任务。
- 菜单大小：有的只要做 8 道菜（8 次实验），有的要做 16 道或 32 道。
- 食材数量：有的只涉及 4 种调料（因素），有的涉及多达 26 种。
- 要求：AI 必须生成一个完美的表格，告诉你在哪次实验里放什么调料（用 +1 和 -1 表示），并且要符合统计学上的“最优标准”（比如分辨率高、误差最小）。
2. 他们怎么问的？（提示词技巧）
研究人员没有直接问“随便做个实验”，而是用了一种**“超级提示法”**（Zero-shot Chain of Thought）：
- 赋予角色：“你是一位统计学专家。”
- 设定目标：“你要做出最完美的实验设计。”
- 思维链：“请一步步思考怎么构建这个设计。”
- 严格格式：“只给我表格，不要废话，用逗号分隔。”
这就像是对 AI 厨师说：“你是米其林大厨，请一步步思考，只给我最终的菜单表格，别写烹饪心得。”
3. 比赛结果：谁赢了？
研究人员让两个 AI 厨师（GPT-5.1 和 Gemini 2.5 Flash）分别做了 10 次同样的任务，看看谁更靠谱。
小份菜单（8 次实验）：
- Gemini 简直是天才！它每次都能做出和老食谱书里一模一样的完美菜单，成功率 100%。
- GPT 也不错，大部分时候能做出完美菜单，但偶尔会犯点小错。
中份菜单（16 次实验）：
- 如果食材比较少（4-8 种），Gemini 依然表现优异，经常能做出完美菜单。
- GPT 也能做出不错的菜单，但稳定性不如 Gemini。
大份菜单（32 次实验，食材很多）：
- 两个 AI 都“翻车”了。当实验变得太复杂（比如 32 次实验里有 10 种以上因素），AI 就开始胡言乱语，要么表格填错了，要么直接说“我做不到”。
- 这时候，老派教科书和统计软件依然是不可撼动的王者。
💡 核心发现与比喻
AI 是“天才新手”，不是“全能大师”：
就像让一个读过所有菜谱的 AI 去炒简单的番茄炒蛋（8 次实验，4 个因素），它能做得比老厨师还好。但如果你让它去搞一个拥有 20 种食材、需要精密配合的“满汉全席”（32 次实验，20 个因素），它就容易手忙脚乱，甚至把菜炒糊了。Gemini 比 GPT 更“稳”：
在这次比赛中，Google 的 Gemini 2.5 Flash 表现得比 OpenAI 的 GPT-5.1 更稳定，特别是在处理中等难度的任务时，它更像是一个**“从不失手的熟练工”**。不要完全抛弃老书：
虽然 AI 很厉害，但论文建议：如果你只是做简单的实验，可以大胆用 AI（特别是 Gemini）；但如果你要做复杂的、涉及很多变量的大实验，还是老老实实翻教科书或用专业软件吧，别让 AI 瞎指挥。
🚀 未来展望
论文最后说，现在的 AI 就像刚学会走路的婴儿，虽然能跑几步，但还走不远。未来如果给 AI 配上**“外挂知识库”（Retrieval-Augmented Generation，RAG），让它能随时查阅专业的统计书，或者用“少样本提示”**（给它看几个完美的例子），它可能会变得更强，甚至能搞定那些复杂的“满汉全席”。
一句话总结：
这篇论文告诉我们，AI 已经能帮我们要做简单的实验设计了，而且做得很好；但在面对复杂难题时，我们还得依赖传统的统计专家。 这是一个“人机协作”的新时代，而不是 AI 完全取代人类的时刻。