Vibe coding 出一個 Web UI 會是研究分析資料的新常態

以前大學的時候用 Fortran + GMT 到 Matlab 到 Python + Matplotlib，那個時代能把圖畫出來就已經很了不起了。現在一次要看的資料越來越多，2D 已經不太夠用，叫 AI 客製一個 Web UI 來看，3D 互動可以更直觀知道發生什麼事。從古早 paper 黑白線條圖一路演變到現在，Vibe Coding 真的大幅改變做研究的方法，覺得需要掌握的基礎技能又被墊高了。

現在的 data pipeline

目前整個研究的大致框架是：一台 GPU server 跑 PyTorch 訓練跟推論，同一台機器開 MLflow 記錄實驗參數跟指標，後端 API 把結果送到前端，前端用 JS + Plotly 渲染互動式圖表，最後丟 HF Space 可以進一步公開展示。

互動 UI 不是新東西，但 Vibe 讓他可以落地

3D 繪圖、互動 UI、WebGL、Plotly、Three.js 都存在很多年了。不過以前手刻成本太高了，很少人會想要花一個月的時間只為了刻 UI，大部分都是畫一堆 slice 來表示連續的資料。現在 Vibe Coding 把做出 UI 的時間壓到一週內，跟以前畫圖的速度差不多，所以技術的時間成本已經到了一個交叉點了。

做出 UI 的好處不只是更快的看到資料而已，而是會產生一種連續的時間與空間的動態感，這個東西是過去 2D 靜態圖沒有辦法直觀呈現的資訊。

Vibe 要學的東西更高階抽象

以前一週大概就是在學 matplotlib 的 API 跟 pandas 的 groupby，花最多時間的其實是查文件跟 debug 語法。這些問題現在幾次對話就解決了，那一週的時間預算就挪去學別的東西。

以現在的例子未來學習的重點變成什麼？

第一是電腦本身怎麼運作的直覺，CPU、GPU 計算的特性，什麼東西給誰算會更快？哪些結果值得先 cache 起來？資料讀取的瓶頸之類的，為了就是要大幅降低整個實驗的迭代要花的時間成本。

第二是整個資料流怎麼串起來，就是怎麼從資料處理一直到前端的顯示，如果沒有特別指定套件，AI 其實自己都會有一個預設的技術棧，自己要學的就是能夠理解這些技術的限制在哪。可以叫 AI 解釋不同技術的差異，但是怎麼根據手上的資源去做取捨，這個還是要靠自己的判斷。

第三是視覺想像力，想像過去沒畫過的 3D 樣貌，還有想像如果哪些資料可以一起看的話會更方便？另外把介面設計成可以重複利用的視窗，換組參數就能看不同實驗。在這個過程中會沉澱出對於 UI/UX 的理解。

第四是驗證邏輯鏈，前沿研究要非常小心幻覺。Vibe 時代數學幾何直覺跟對於現實世界的理解變得更重要，因為程式碼越來越龐大，到一個地步會變成幾乎不可能去驗證所有程式碼。那就要從自己知道答案的簡單範例慢慢疊上去，每加一步驗證一次，從實驗結果跟公式背後的邏輯去判斷問題在哪。

變成自己的 SOP，但不能抄網路上的 skill

第一次建起來可能要花不少時間，因為過程中需要理解大量以前不知道的名詞，還有最有可能的是不知道真正卡住的問題在哪，所以在這邊把自己的經驗分享給大家參考。建起還以後就會沉澱變成一個 SOP，新的實驗一來，叫 AI 當底改一改就可以做到七八成，可能一兩天就可以用了。

但這個 skill 不能直接抄別人的，因為它的價值在你對每個決策背後的理解。抄來的 skill 太簡單不夠用，太複雜看不懂且步驟太多。還可能有資安問題，不熟悉來源的東西可能夾帶挖礦腳本、外流 API key 或後門，自己一層層建，至少知道裡面是什麼。

量變帶來質變

很多研究的直覺是把圖畫好就出現了，以前改參數、重跑、重畫、看結果，一個循環要三十分鐘到幾個小時，每次實驗都是一個孤立的點。互動式 UI 在 meeting 上能可以馬上修改轉個角度，或是改個切片位置就不用再等一個禮拜才能討論。現在 UI 拉一下滑桿就看到下一個結果，循環壓到秒級，看到的是連續的變化，資料之間的連結會自己浮出來。

利用 AI 去優化整個計算速度，降低試錯的成本，會去試很多本來不會特地跑的組合，或是去畫出更細緻的連續變化，意外發現的往往才是最有價值的。