Vibe Coding 时代MATLAB 科研编程该如何进阶目录Vibe Coding 时代MATLAB 科研编程该如何进阶一、AI 改变了代码的编写方式也改变了我们需要关注的问题二、科研计算的难点往往隐藏在代码之外三、怎样让 AI 真正提高 MATLAB 科研工作的效率参考资料如今使用 MATLAB 编写一段程序最耗费时间的环节未必还是代码本身。过去想要实现一个稍微复杂的数值计算任务我们通常需要查阅相关函数的文档寻找参考代码再根据自己的问题修改程序。对于刚接触 MATLAB 的学生而言有时候仅仅是弄清楚某个函数的参数含义或者排查一处数组维度错误就需要花费不少时间。随着大语言模型逐渐具备代码生成能力这种工作方式正在发生变化。现在我们可以直接用自然语言描述数学模型、计算要求和预期结果让 AI 帮助编写程序甚至协助分析报错、修改代码和解释算法。2025 年Andrej Karpathy 提出了Vibe Coding这一说法用来描述一种高度依赖 AI 生成代码、较少关注具体实现细节的编程方式。虽然这一概念最初带有较为鲜明的个人色彩但它很快引发了人们对 AI 辅助编程的广泛讨论。需要说明的是严格意义上的 Vibe Coding 与经过认真审查和验证的 AI 辅助开发存在区别尤其在科研计算中直接接受未经检查的生成结果往往具有一定风险。MATLAB 也在适应这一变化。MathWorks 从 R2025a 开始提供 MATLAB Copilot支持代码生成、解释和调试辅助等功能。与此同时通用大语言模型也能够完成不少 MATLAB 编程任务。对于主要使用 MATLAB 开展科学计算的研究人员来说这些工具确实减少了重复编写代码和查阅文档的工作。但科研编程还有一个容易被忽视的特点程序能够正常运行并不意味着它给出的数值结果一定可信。这一点在初学阶段不容易察觉。很多时候我们习惯通过程序是否报错、图像是否符合预期来判断代码是否正确。面对 AI 生成的程序这种习惯也很容易延续下来。如果代码结构完整、运行过程没有异常生成的图像看起来又比较合理我们往往就会倾向于接受结果。问题在于MATLAB 的许多应用涉及数学建模和数值计算程序中的错误未必表现为语法错误。某个数组维度的变化、一种不合适的数值方法甚至实验数据本身的局限都可能在程序正常运行的情况下影响最终结论。因此我更关心的是另一个问题当生成 MATLAB 代码越来越容易时我们应该怎样调整自己的学习重点才能真正利用 AI 提高科研工作的质量和效率一、AI 改变了代码的编写方式也改变了我们需要关注的问题对于 MATLAB 初学者AI 最直观的价值是降低了程序实现的门槛。以前需要反复查阅文档才能完成的操作现在可以通过自然语言快速获得参考实现。常见的数据读取、矩阵处理、绘图排版和函数封装都可以让 AI 先生成基本框架再根据实际需求进行修改。不过程序生成速度的提高也可能让一些原本需要在编程过程中仔细考虑的问题被忽略。举一个简单的例子。假设我们需要比较一组实验观测数据与模型预测结果并计算均方根误差RMSE。下面使用 MATLAB 构造一组带有随机噪声的观测数据rng(2026, twister); t (0:0.01:10); % 模型预测值 y_model sin(t); % 模拟实验数据 y_obs (y_model 0.01*randn(size(t))).; % 计算残差与 RMSE residual y_obs - y_model; rmse sqrt(mean(residual(:).^2)); fprintf(RMSE %.6f\n, rmse); disp(size(residual));从计算公式来看这段程序似乎没有明显问题。模型采用正弦函数观测数据在模型预测值的基础上添加了标准差为 0.01 的随机噪声残差和 RMSE 的计算方式也符合常规定义。但如果检查residual的尺寸就会发现一个问题它并不是预期的 1001×1 向量而是一个 1001×1001 的矩阵。原因在于y_model是列向量而y_obs在构造过程中被转置成了行向量。自 MATLAB R2016b 起兼容尺寸的数组可以通过隐式扩展Implicit Expansion完成运算。当行向量与列向量相减时MATLAB 会自动扩展数组得到所有元素之间的两两差值。这与我们原本希望计算的对应采样点之间的残差显然不同。更隐蔽的是后面的residual(:)又将这个矩阵转换成列向量使得 RMSE 的计算能够继续执行。因此程序既不会报错也不会输出NaN而是给出一个具有确定数值的错误结果。修正代码并不困难% 将观测数据统一为列向量 y_obs y_obs(:); % 检查数据尺寸 assert(isequal(size(y_obs), size(y_model)), ... 数据尺寸不一致); % 正确计算 RMSE residual y_obs - y_model; rmse sqrt(mean(residual.^2)); fprintf(修正后的 RMSE %.6f\n, rmse);由于添加的噪声标准差为 0.01正确计算得到的 RMSE 通常也会接近 0.01。而原先错误的计算结果可能接近 1两者相差近两个数量级。这个问题其实并不复杂甚至只需要一行size命令就能够发现。但前提是我们知道应该检查数组的尺寸也理解 MATLAB 会怎样处理不同形状的数据。类似的细节还有很多。例如MATLAB 中的表示共轭转置.才表示普通转置。处理实数数组时两者往往没有明显区别一旦涉及复数信号混淆这两个运算符就可能改变计算结果。再比如矩阵乘法*与逐元素乘法.*虽然只有一个符号之差却对应不同的数学运算。这些基础知识并不会因为 AI 能够生成代码而失去价值。相反当我们越来越多地使用 AI 完成程序编写时能否准确理解一段代码的实际含义可能比熟练记忆每一个函数的调用方式更加值得关注。但仅仅具备阅读和检查代码的能力对于科研计算仍然不够。前面的例子属于程序实现层面的问题通过检查变量类型、尺寸和运算方式通常可以找到错误。如果代码在语法和逻辑上都没有问题而计算结果仍然不可靠情况就会复杂得多。二、科研计算的难点往往隐藏在代码之外MATLAB 广泛应用于数值模拟、矩阵计算和信号处理。这些任务都有成熟的函数和算法可供使用AI 也能够根据需求给出相应的程序。不过算法能够正确执行并不意味着它在当前问题中一定具有合适的数值性质。以一个简单的无阻尼弹簧振子为例其运动方程为其中$x$ 为位移$\omega$ 为固有角频率。取初始条件对应的解析解为如果要求 AI 使用显式欧拉法进行数值模拟得到的程序可能如下omega 1; h 0.02; t 0:h:40; N numel(t); x zeros(1, N); v zeros(1, N); x(1) 1; v(1) 0; % 显式欧拉法 for k 1:N-1 x(k1) x(k) h*v(k); v(k1) v(k) - h*omega^2*x(k); end % 与解析解比较 x_exact cos(omega*t); figure; plot(t, x_exact, k-, LineWidth, 1.5); hold on; plot(t, x, r--, LineWidth, 1.2); xlabel(Time); ylabel(Displacement); legend(解析解, 显式欧拉法); grid on;这段代码在算法实现上没有问题。显式欧拉法本来就是按照当前状态及其导数估计下一个时间步的状态。图1 显式欧拉法数值解与解析解的比较。运行程序后可以看到数值解与解析解在初始阶段较为接近但随着计算时间增加数值解的振幅逐渐增大两条曲线的偏差也越来越明显。但运行程序后可以观察到数值解的振幅会随着时间增加而逐渐偏离解析解。要理解这一现象仅仅检查循环中的赋值语句是不够的需要进一步分析数值方法本身。对于单位质量的无阻尼振子系统总能量为真实系统不存在阻尼和外部能量输入因此总能量应当保持不变。显式欧拉法的离散格式为将其代入离散能量表达式并展开只要且便有也就是说这种数值方法会在每一步计算中引入额外的能量增长。对于前面设置的参数、仿真到共进行 2000 次迭代最终能量与初始能量之比为数值系统的能量最终增加到了初始值的约 2.225 倍而真实振子的能量始终保持不变。为了进一步比较可以在原程序后添加% 显式欧拉法的能量 E_euler 0.5*(v.^2 omega^2*x.^2); % 使用 ode45 求解 odefun (tt,z) [z(2); -omega^2*z(1)]; opts odeset(RelTol, 1e-9, ... AbsTol, 1e-11); [t45, z45] ode45(odefun, t, [1;0], opts); % ode45 对应的能量 E_ode45 0.5*(z45(:,2).^2 ... omega^2*z45(:,1).^2); figure; plot(t, E_euler/E_euler(1), ... r-, LineWidth, 1.5); hold on; plot(t45, E_ode45/E_ode45(1), ... b--, LineWidth, 1.5); yline(1, k:); xlabel(Time); ylabel(Normalized Energy); legend(显式欧拉法, ode45, 理论值); grid on;对于这个简单的非刚性问题设置较严格误差容限的ode45通常能够得到明显更准确的结果数值能量也更加接近理论值。图2 不同数值积分方法下的系统能量变化。给出了显式欧拉法与自适应 Runge–Kutta 方法计算的归一化能量。显式欧拉法的能量随时间持续增大最终达到初始值的约 2.225 倍与前面的理论推导一致另一条曲线则始终接近理论值 1。但这里还需要注意ode45不是严格保持能量守恒的辛积分方法。对于长时间的哈密顿系统仿真或者对几何结构保持有特殊要求的问题还需要考虑其他合适的数值算法。这个例子涉及一个很实际的科研问题如果我们只要求 AI 使用某种算法完成仿真那么即使它准确实现了该算法也不能保证最终结果满足研究要求。研究者需要对算法的适用条件有所了解至少知道如何判断误差是否可以接受。存在解析解时可以直接比较计算误差系统具有守恒性质时可以检查相应的守恒量对于更加复杂的问题还可能需要分析时间步长、空间网格或求解器参数对结果的影响。类似的情况也出现在矩阵计算中。例如我们需要求解线性方程组对于线性方程组MATLAB 可以通过A\b直接求得数值解。然而求解器能够给出结果并不意味着这个结果具有足够的精度。当系数矩阵的条件数较大时输入数据中的微小扰动就可能导致数值解发生显著变化。这种现象在数值线性代数中被称为病态性可以通过下面的 Hilbert 矩阵实验加以观察。考虑下面的 Hilbert 矩阵实验n 12; % 构造 Hilbert 矩阵 A hilb(n); % 设置参考解 x_true ones(n,1); % 构造右端项 b A*x_true; % 数值求解 x_num A\b; % 计算条件数、残差和解误差 kappa cond(A); residual norm(A*x_num-b)/norm(b); error norm(x_num-x_true)/norm(x_true); fprintf(条件数%.3e\n, kappa); fprintf(相对残差%.3e\n, residual); fprintf(相对解误差%.3e\n, error);这里人为构造了一个参考解因此能够同时检查残差与解误差。残差描述的是数值解代回原方程后对方程的满足程度解误差则反映数值解与参考解之间的实际偏差。对于条件良好的线性系统小残差通常能够提供有用的信息但对于病态系统二者之间可能存在很大差异。12 阶 Hilbert 矩阵的条件数已经达到约的量级数值结果对输入扰动和浮点舍入误差十分敏感。因此即使计算残差很小也不意味着得到的每一个解分量都具有很高的精度。可以继续给右端项施加一个很小的扰动b2 b; b2(end) b2(end) 1e-12; x2 A\b2; db norm(b2-b)/norm(b); dx norm(x2-x_num)/norm(x_num); fprintf(输入相对变化%.3e\n, db); fprintf(解的相对变化%.3e\n, dx);由于矩阵具有严重的病态性右端项很小的变化就可能引起数值解较大的变化。类似的问题也可能出现在实际科研计算中。对于病态线性系统即使使用 MATLAB 内置的求解器也难以避免输入误差对结果的影响。此时需要进一步分析问题本身的数值性质而不能仅凭程序正常运行或计算残差较小就认为所得结果足够准确。如果不具备相关数值线性代数知识很容易把程序输出的“小残差”直接理解成“高精度”。前面两个例子都说明科研人员需要理解代码背后的数值方法。但实际研究还有另一类问题程序和算法本身都可能没有错误输入数据却已经限制了我们能够得到的信息。以信号处理为例假设使用 MATLAB 的 FFT 分析一段频率为 70 Hz 的正弦信号但采样频率只有 100 Hzfs 100; t 0:1/fs:1-1/fs; % 原始信号频率为 70 Hz x sin(2*pi*70*t); N length(x); Y fft(x); % 构造单边幅度谱 P2 abs(Y/N); P1 P2(1:N/21); P1(2:end-1) 2*P1(2:end-1); f fs*(0:N/2)/N; [~, idx] max(P1); fprintf(频谱峰值%.1f Hz\n, f(idx)); figure; stem(f, P1, filled); xlabel(Frequency (Hz)); ylabel(Amplitude); grid on;运行后会发现频谱峰值出现在 30 Hz而原始信号的频率明明是 70 Hz。图3 采样混叠引起的频谱峰值偏移。图3 是对 70 Hz 正弦信号以 100 Hz 采样后得到的单边幅度谱。频谱峰值出现在 30 Hz与原始信号频率存在明显差异。原因在于采样混叠。对于最高频率为的带限信号避免混叠通常要求采样频率满足本例的采样频率为 100 Hz对应的奈奎斯特频率为 50 Hz低于原始信号的 70 Hz。对于这些均匀采样点有也就是说70 Hz 的正弦信号与一个相位相反的 30 Hz 正弦信号会产生相同的离散采样值。因此FFT 将频谱峰值显示在 30 Hz 并不意味着算法出现错误。仅根据这组离散采样数据我们无法判断原始连续信号究竟属于哪一种情况。采样混叠造成的信息损失通常无法仅凭已有的离散数据消除。因此在实际信号测量中需要根据待测信号的频率范围合理设置采样频率并在必要时使用抗混叠滤波器以减少高频成分混叠到目标频段的影响。这与前面的数值积分和线性方程组问题存在共同之处科研代码的可靠性最终还取决于所研究的问题、采用的数学方法以及输入数据是否满足相应条件。因此当 AI 已经能够完成大量程序实现工作时科研人员需要投入更多精力的地方也就逐渐清晰起来了。三、怎样让 AI 真正提高 MATLAB 科研工作的效率理解了前面的几个问题再讨论 AI 辅助编程的实际使用方法就比较容易找到方向。我认为利用 AI 提升 MATLAB 科研效率关键在于尽可能明确地描述计算任务并在程序生成之后建立相应的验证过程。仍以前面的弹簧振子为例。如果只是要求 AI“使用 MATLAB 编写一个弹簧振子的仿真程序并绘制位移曲线”得到的程序可能已经能够满足一般的课堂演示需求。但对于数值方法研究这样的任务描述显然不够充分。我们可以将问题进一步写成考虑无阻尼线性振子其运动方程为取初始条件为、。请分别使用显式欧拉法和 MATLABode45求解在相同的时间区间内与解析解比较。计算位移的最大绝对误差并绘制系统能量随时间变化的曲线。请进一步分析显式欧拉法产生能量漂移的原因说明该方法在当前问题中的局限并提供能够独立运行的 MATLAB 代码。相比简单的功能描述这里明确了数学模型、计算条件、数值方法和验证要求。AI 生成的代码因此更容易围绕实际计算目标展开。不过详细的提示词只能提高生成内容满足要求的可能性并不能代替对结果的独立检查。特别是涉及数值推导、理论假设或算法适用范围时仍然需要根据数学知识和可靠资料进行验证。在实际科研中我更倾向于按照问题本身的特点安排 AI 的工作。对于尚未熟悉的 MATLAB 函数可以让 AI 解释参数和给出基本示例同时对照 MathWorks 官方文档检查具体用法。对于已经明确数学模型的计算任务可以让 AI 协助实现程序框架、拆分函数和组织数据处理流程。对于复杂的数值实验则应在生成程序之前就考虑验证方案。当计算结果得到基本确认后AI 还可以用于程序优化。例如MATLAB 中常见的数组预分配与向量化操作往往能够改善某些程序的运行效率。但究竟是否更快还需要实际测试。下面通过一个简单计算比较预分配循环与向量化实现N 50000; % 测量运行时间 t_loop timeit(() calcLoop(N)); t_vec timeit(() calcVector(N)); % 检查结果 y1 calcLoop(N); y2 calcVector(N); err max(abs(y1-y2)); fprintf(循环耗时%.6f s\n, t_loop); fprintf(向量化耗时%.6f s\n, t_vec); fprintf(最大差异%.3e\n, err); % 以下局部函数放在脚本末尾 function y calcLoop(N) y zeros(1,N); for k 1:N z k/N; y(k) sin(z) z^2; end end function y calcVector(N) z (1:N)/N; y sin(z) z.^2; end这里使用timeit而不是只运行一次tic和toc是为了减少单次计时波动的影响上述代码需要在支持脚本局部函数的 MATLAB 版本中运行即 R2016b 及以后版本。这段程序分别采用循环和向量化方式完成相同的计算并通过timeit比较运行时间。实验结果可以反映两种实现方式在当前 MATLAB 版本和计算规模下的性能差异为后续的代码优化提供参考。所以说具体的性能提升应该通过测试确定不能仅凭代码形式判断。对于规模较大的科研程序还可以利用 MATLAB Profiler 分析运行时间主要消耗在哪些函数或代码段。如果真正的瓶颈是重复进行大型矩阵分解或者频繁读写文件那么优化普通循环带来的收益可能十分有限。这一点同样适用于 AI 提出的优化建议。无论程序修改得多么简洁都应当比较修改前后的数值结果并在相同条件下测量运行性能。涉及浮点运算时还需要考虑不同计算顺序可能带来的舍入误差不能简单要求所有结果逐位完全一致。除了程序实现与性能优化科研代码的组织和复现也值得重视。例如使用 MATLAB 进行随机数值实验时可以明确记录随机数发生器状态、实验参数及软件版本rng(2026, twister); % 保存初始随机数状态 initialState rng; % 构造模拟数据 x linspace(0,1,100); noise 0.05*randn(size(x)); y sin(2*pi*x) noise; % 记录软件版本 matlabVersion version; % 保存实验信息 save(experiment_record.mat, ... x, y, noise, ... initialState, matlabVersion);这样的记录有助于后续检查和重复实验但完整的科研复现还需要关注外部数据、工具箱依赖、代码版本以及计算环境等因素。对于较大的 MATLAB 项目可以结合 Git 和 MATLAB Projects 管理程序与实验配置。如果 AI 参与了代码生成或修改也有必要保留关键的修改记录尤其是涉及数学模型、算法选择和计算参数的部分。对于尚未公开的科研数据或者具有保密要求的代码还应根据相关规定和工具的数据处理政策决定是否能够提交给在线 AI 服务。从这些实际工作可以看出AI 的价值并不局限于帮助我们减少代码输入。它能够参与程序开发的许多环节但能否形成持续的效率提升还取决于我们是否清楚计算任务的要求以及能否有效检查和管理生成结果。对于刚开始学习 MATLAB 的学生我仍然建议先掌握基本的数组操作、函数编写、程序调试和数据处理方法。目的并不是要求独立记住所有语法而是具备理解和修改程序的能力。否则即使 AI 生成了一份完整代码我们也很难发现其中的问题更难根据实际需求进行调整。当具备基本编程能力后学习重点可以逐渐向具体研究领域的数学方法延伸。例如求解微分方程需要了解数值稳定性与误差控制进行矩阵计算需要理解条件数和误差传播开展信号分析则需要掌握采样理论与频谱分析的基本条件。这些知识与使用哪一种 AI 工具关系不大却直接决定了我们能够在多大程度上判断计算结果是否可靠。当然科研人员没有必要掌握所有领域的数值算法也没有必要坚持手写每一个程序模块。成熟的 MATLAB 函数和经过验证的算法实现本来就是为了减少重复开发。合理使用 AI可以让我们更快地了解工具、尝试算法并完成一些重复性工作把时间留给具体的研究问题。回到最初关于 Vibe Coding 的讨论我认为科研编程能力的提升并不能简单地用能够编写多少行代码或者能够在多短时间内生成一个程序来衡量。前面的几个实验已经表明即使程序顺利运行计算过程仍然可能受到数据维度、数值稳定性、矩阵条件数和采样条件等因素的影响。对于科研人员来说发现这些问题、理解它们产生的原因并选择合适的方法加以处理往往比写出程序本身更加困难。AI 能够显著缩短从问题描述到代码实现之间的距离但这并不会自动缩短从计算结果到可靠科研结论之间的距离。随着 AI 辅助编程工具逐渐成熟我们可以减少一些重复性的程序编写工作也可以尝试更加高效的科研开发方式。与此同时数学建模、数值分析、结果验证和程序管理仍然需要认真对待。对于 MATLAB 科研用户而言真正值得提高的是理解计算问题、判断结果可靠性并利用合适的工具完成研究任务的能力。参考资料MathWorks 官方文档MATLAB CopilotCompatible Array Sizes for Basic Operationsode45invffttimeitVectorizationVibe Coding 概念相关资料Simon WillisonAndrej Karpathy on Vibe Coding2025注程序运行时间及部分浮点计算结果可能随 MATLAB 版本和运行环境而变化。