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。
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。
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。
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。
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。
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。
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。
想要完整了解 " 发现回合 " 评测体系的设计细节、测试场景与量化标准，可查阅论文原文：
《Measuring AI Scientists: From Exams to Discovery》
https://doi.org/10.26434/chemrxiv.15007582/v1
对 MIRA 平台感兴趣的朋友，可以在这里体验：
https://mira.deepprinciple.com/chat?invite_code=CN-89K6Y3UA
* 本文系量子位获授权刊载，观点仅为原作者所有。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
点亮星标
科技前沿进展每日见
