AI 的真正职责是快速杀死坏假设
用医疗数据构建药店选址模型时，我们从一个常见假设出发：药店扎堆的地方过度饱和、风险高。我们让 AI 智能体用数千万张处方、停业记录和人口统计来检验。结论很干脆。密度既不能解释药店的营收，也不能解释停业，在市郡区、行政洞、半径三种分辨率上都一样。解释力实际为零。
演示所夸耀的 0.93 准确率，是空间泄漏造成的错觉。AI 用空间泛化和生存分析揭穿了它。人需要花几天去怀疑的事，它几个小时就诚实地判定了。
AI 不知道该往哪里看
如果到此为止，结论不过是：行不通。改变方向的是懂现场的人的一句话：药店营收最终来自隔壁医院的处方，而处方量因科室而异。
凭这一句话我们重建了逻辑。不用密度，而用处方需求指数：附近医院的处方强度除以竞争药店数。再跑一遍，营收被干净地区分开，最低档与最高档之间相差两倍。
公式：专家决定哪里，AI 检验是否为真
误解 AX 的常见方式，是期待 AI 包办一切。真正做起来恰恰相反。专家知道在哪里卖，AI 快速验证它是否为真。只有其一都不够。
附带效果也很大。我们在一个会话里就组装好了从云数据库、公共 API 到生存分析的整条分析流水线。提出并检验假设的摩擦成本趋近于零。于是你能更多、更快地试错。