AI Coding成功率88%，科研仅3%？「科研是下一个Coding」，还差关键一环

AI Coding成功率已飙升至88%，但科研任务完成率仅3%，科研成为下一个Coding还需补齐关键一环。

• 过去十八个月，AI Coding任务成功率从不足5%飙升至88%，代码生成、自测迭代的闭环已经跑通；而主流大模型在核心原创科研任务上的完成率仅约3%，在NatureBench涵盖的90项顶级真实科研任务中，最优智能体能超越原始论文成果的比例为17.8%。
• 差距核心在于大模型普遍缺失科学元认知：能精准调用已知知识却无法识别知识边界，能生成自洽推演却不会自主提出可证伪假设，能基于文本概率拟合却无法在真实世界反馈中修正认知。
• 编程场景具备秒级反馈、即时证伪的迭代特性，而基础科研试错成本高、验证周期长、失败数据公开度低，模型训练大多依赖成功论文，难以学习真实试错逻辑。
• 上海AI实验室发布“书生·端砚”科学发现平台，构建“读-算-做”一体化闭环，打通数字推演到实体实验的链路：AI自主生成假设→多维度仿真筛选→自动化实验承接→实测数据回流迭代。
• 落地成果：蛋白质工程迭代周期从数天压缩至分钟级，验证通过率提升超3倍；量子计算领域创下60毫秒搭建2024原子无缺陷阵列的全球纪录。
• 影响/看点：AI科研从“读文献、算模型”的浅层提效迈向“干湿实验闭环”的范式升级，补齐真实反馈环节是突破原创科研瓶颈的关键，有望推动AI for Science进入新阶段。

本内容由 AI 生成，仅供参考，请注意甄别