一篇论文改写AI科研评价规则

今年8月，谷歌首席科学家Jeff Dean宣布离职，创办AI4S公司Discovery Loop。

同样是今年，OpenAI、Anthropic、英伟达等科技巨头相继官宣入局AI4S这一方向。

这批“跨界”大厂玩家的目标高度一致：不只做科研辅助工具，而是打造能自主跑完“假设→设计实验→执行验证→迭代优化”完整科研循环的“AI科学家”。

不只这些科技巨头，有许多公司已经更早入场。成立于2024年的中国企业深度原理，是全球最早押注AI自主科研方向的公司之一。

这一赛道背后是一片广阔的“金矿”。一旦AI能够实现自主闭环科研，AI就能从“卖软件”升级为新材料、新药物等万亿实体产业的生产力基座。

国家战略层面也重视这个赛道。AI驱动科学发现已被纳入我国新一轮科技强国战略。

行业越热，一个问题就越绕不开：怎么评价这些“AI科学家”们到底做得好不好？

旧的衡量标尺，已经不够用了

长期以来，行业通用的衡量AI科研水平的标尺是HLE这类闭卷知识考试。

它们本质上是只看最终答案的考卷，只看答案，不会看答案生成的过程。

获得高分的这类AI科研工具，通常让它做一个实际实验就会暴露问题：它们可能可以流畅的引用文献，但无法停下来审视反思异常数据，也可能给出看似头头是道，实际上无法执行的实验方案。

8月19日，一篇名为《Measuring AI Scientists: From Exams to Discovery》的论文发布，第一次为“AI进行真实科研的水平”提出了系统完整的评价范式，正式填上了这个衡量标尺的缺口。

论文由中国AI4S企业深度原理（Deep Principle）联合微软研究院、斯坦福大学、FutureHouse、Edison Scientific、艾伦人工智能研究所、加州大学伯克利分校等全球顶尖产学机构共同完成。

全球最大材料开源数据项目Materials Genome和库Materials Project创始人Kristin Persson、FutureHouse和Edison Scientific的创始人，近期《Nature》期刊Co-Scientist论文核心作者Andrew White、 科研智能体评测标杆ScienceWorld核心开发者Peter Jansen、2023年Nature上AI4S review的第一作者Yuanqi Du、 Terminal Bench的最后通讯作者Ludwig Schmidt等AI4S泰斗级学者奠定了框架的学术权威性；

深度原理作为唯一的中国产业代表，以真实研发管线跑出来的一线经验，让这套框架具备落地的可操作性。

文章中甚至出现诺贝尔化学奖得主Frances Arnold的署名，一个不以AI见长且几乎不在AI4S界出现的科学家的名字，表明科学界的“权威”对这个方向的日益重视。

2026年，从科技大厂到创业公司，各类玩家纷纷入场AI科研赛道，行业竞争加剧。这一评测体系在这个时机出现，有其必然性。

如何系统、完整的评价AI的科研水平

论文的核心创新，是提出了发现回合（discovery episode）的评估体系。

这一体系的核心逻辑是用“综合考核”的形式，全程记录AI在整个科研周期里的每一步决策，最终对整条轨迹的科学性、严谨性和有效性进行综合评分。

考核方式和以前的“应试”逻辑迥然不同。

围绕科研闭环的三个阶段：科研假说、方案执行、实验结果解读，这个评估体系分别建立了评判维度，最终还要进行“全流程闭环测试”，衡量AI产出真实科研发现的综合能力。

△论文指出知识评测和发现评测的差别，并定义“发现回合”包含的评估要点

这套体系还重新定义了失败数据的价值：失败的实验数据恰恰是训练和评估AI科研的核心资产。

人类科学家能从失败中总结经验、规避弯路，AI做科研也应该学会从失败中获得经验。

而且，这个考核还对AI科研结果的真实性和独立性提出了高要求，确保实验结果是“货真价实“的新发现，不是无法实证的“自宣称成果”。

深度原理的MIRA，就是这套体系的现实样本

在这篇标准论文发布之前，头部玩家已经在产品中跑通了闭环逻辑，深度原理的MIRA平台就是其中最典型的产业样本。

普通科研AI的定位是“答题工具”，科研人员给出明确问题，AI返回对应答案。

MIRA的设计逻辑与普通科研AI截然不同，它搭建了覆盖“假设生成→模拟计算→实验验证→知识沉淀”的完整闭环系统，用三层架构实现真实科研团队的完整协作逻辑。

上层是分工协作的多智能体小队，可以统一规划和调度科研进程；

中层是打通高性能计算与自动化实验室的双执行引擎，实现干湿实验室联动；

底层是可沉淀、可复用的科研记忆体系，让每个项目的数据和试错结论都能留存，成为后续研究的基础。

△AI Scientist Mira实际操作页面

这套设计的产业价值，已经被公开基准测试印证。

在化学、能源、材料综合评测Research Claw Benchmark和药物发现评测Science Agent Arena中，MIRA均位列第一，且完成单项任务的平均成本也同样处于行业最优水平（最低），同时在性能和成本两个维度形成优势。

△MIRA在Research Claw Benchmark等评测中的结果

△Science Agent Arena药物发现榜单：MIRA以81.1%的综合分位列第一

深度原理此前推出的React-OT模型，可在0.4秒内计算化学反应过渡态，奠定了平台底层的高精度计算能力。

MIRA正是在这类专业模型的基础上，进一步串联起科研全流程。这一演进路径，恰是整个AI4S行业从工具到平台、从单点到闭环的缩影。

作为这套评测体系的核心产业共创方，深度原理已依托MIRA与自建高通量实验平台的干湿闭环，在锂电、工业冷却液、新能源材料等赛道布局多条自研管线，由AI主导全周期科研，真实沉淀闭环数据，让平台与评测框架形成持续的互相验证与迭代。

跨越干湿实验室的完整科研实践数据，是帮助AI快速掌握假设边界、规避重复试错的核心资产，预计未来也将成为下一阶段AI for Science发展的关键基础设施。

结语

这一标准范式的发布，是AI for Science赛道的一个里程碑节点，给所有奔跑的玩家划出了清晰的评判标尺。

但检验这个新标尺的数据却不易得。只有像深度原理和Edison Scientific这些拥有化学、材料、生物全流程研发能力、并且是AI native的公司才有可能做到。

过去的上半场，行业比拼的是“谁懂得更多”——大厂拼基座、拼参数、拼考试分数，用越来越难的题库，证明模型的知识厚度。

这些努力奠定了AI科研的基础，但也逐渐摸到了天花板。

接下来的下半场，比拼的将是“谁能真的做出东西”。

今年以来，从海外大厂陆续入局，到Jeff Dean创立Discovery Loop，再到国内深度原理等企业的科研闭环实践，整个行业都在朝着“让AI真正走完从假说到发现的完整闭环”这个方向前进。

如今，AI科研的评价标准越来越接近科学本身的逻辑，AI离真正成为可信科研生产力的那天，已经越来越近了。