作为知识库的收官：理性看待 AIDD 的失败模式，比追逐成功案例更能让人成长。
常见失败原因
- 靶点假设错误（地基不牢，见 412）
- 数据质量差或数据泄漏制造虚高（见 169）
- 只看测试集分数、忽视外推与转化（见 167）
- 过度信任不可靠的 AI 预测（见 417）
还包括
- 忽视成药性/安全性导致后期崩盘
- 把代理指标当真实目标（reward hacking）
- 缺乏诚实评估与止损机制（见 416）
- 工程不可复现、无法审计（见 422）
关键要点
多数失败不是「模型不够强」，而是靶点、数据、评估与决策出了问题；系统复盘这些模式，是这份知识库最想传递的清醒。
延伸资源
- 对照 412《靶点验证》、169《Benchmark 陷阱》、416《概率思维》、001《全流程地图》。