AI科研评价迎来新范式：从闭卷考试到真实发现，中国企业如何定义新标准

AI科研评价迎来新范式：从闭卷考试到真实发现，中国企业如何定义新标准

随着全球科技巨头纷纷押注AI for Science（AI4S），一个关键问题浮出水面：如何科学、系统地评估AI的科研能力？传统的知识测验已无法满足需求，而一项由多家顶尖机构联合发布的新研究，正试图为这一领域建立全新标尺。

旧标尺的局限：为何知识考试不再适用

长期以来，行业普遍采用类似HLE（Humanity's Last Exam）的闭卷知识考试来评估AI科研水平。这类测试仅关注最终答案，忽视解题过程，导致高分AI在实际科研中常暴露出致命短板：它们可能流畅引用文献，却无法审视异常数据；可能给出看似合理的实验方案，但缺乏可执行性。正如Wikipedia对AI评估的讨论所指出的，评估方法需与任务本质匹配，而科研任务的核心在于过程而非结果。

新范式：发现回合（Discovery Episode）

2026年8月19日，一篇题为《Measuring AI Scientists: From Exams to Discovery》的论文发布，首次提出系统评价AI真实科研能力的框架。该研究由深度原理（Deep Principle）联合微软研究院、斯坦福大学、加州大学伯克利分校等全球顶尖机构完成，诺贝尔化学奖得主Frances Arnold也参与署名，凸显其学术权威性。

论文核心创新在于引入“发现回合”评估体系，该体系全程记录AI在科研周期中的每一步决策，从假说生成、方案执行到结果解读，进行综合评分。它摒弃了“应试”逻辑，强调真实科研闭环的完整性。此外，该框架重新定义了失败数据的价值——失败实验是训练和评估AI的宝贵资产，这与人类科研中从错误中学习的本质一致。

中国实践：MIRA平台的双榜第一

作为该框架的产业共创方，深度原理的MIRA平台成为首个现实样本。MIRA采用三层架构：上层为多智能体协作系统，中层打通高性能计算与自动化实验室，底层构建可沉淀的科研记忆库。在Research Claw Benchmark和Science Agent Arena两项公开评测中，MIRA均位列第一，且成本最低，实现性能与成本双重优势。

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，为平台奠定高精度基础。这一路径反映了AI4S行业从单点工具到全流程平台的演进趋势。

国内视角：中国AI4S的竞速与差异

在全球AI4S浪潮中，中国企业正加速布局。除了深度原理，深势科技、百度（文心一言）等也在探索AI驱动科研。例如，深势科技近期推出桌面级科研全流程工具，而百度飞桨则强化AI for Science框架。与海外相比，中国企业的优势在于工程化能力和产业落地速度，但在基础模型创新上仍需追赶。深度原理的实践表明，中国公司完全有能力在AI4S标准制定中占据一席之地。

未来方向：从“懂得多”到“做得出”

行业上半场比拼模型知识厚度，下半场将转向真实科研产出能力。深度原理已依托MIRA在锂电、新能源材料等领域布局自研管线，由AI主导全周期科研，积累闭环数据。这些数据将成为未来AI4S发展的关键基础设施，推动行业从“卖软件”升级为实体产业生产力基座。

常见问题

什么是“发现回合”评估体系？

发现回合是论文提出的新评估方法，它全程记录AI在科研中的每一步决策，从假说到实验再到结果解读，综合评分科学性和严谨性，强调过程而非仅看结果。

为何传统知识考试不再适合AI科研评估？

传统考试如HLE只关注答案，忽视过程，导致高分AI在实际实验中可能无法处理异常数据或生成可执行方案，无法反映真实科研能力。

MIRA平台如何实现科研闭环？

MIRA采用三层架构：多智能体协作规划、双执行引擎联动干湿实验室、科研记忆库沉淀数据，从而覆盖从假说生成到知识沉淀的完整闭环。

深度原理在AI4S领域的优势是什么？

深度原理是全球最早押注AI自主科研的企业之一，拥有真实研发管线和闭环数据，其MIRA平台在公开评测中双榜第一且成本最低，并参与国际标准制定。

AI4S行业未来的竞争焦点是什么？

未来竞争将从模型知识比拼转向真实科研产出能力，即“谁能真的做出东西”，这需要企业具备全流程研发能力和AI原生思维。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。