Note: This page does not support English, using the default language version
最近AI圈有点热闹，但这次让我真正停下来想了一会儿的，不是某个大模型的发布，而是一个来自大学科研团队的成果——浙江大学信息与电子工程学院发布的”求是引擎”。
我先说它的核心能力：你给系统一个研究方向，比如说”研究某种新型光学材料的特性”，它就会像一位经验丰富的科学家一样，一层层拆解科学问题，在试错、修正、再验证的循环中持续推进，连续工作十几个小时，调用数千次大模型，最终产出原创科研成果。
这已经不只是助手了，这是真正的”AI科学家”。
大家可能还记得，以前我们说”AI辅助科研”，本质上还是人在主导——让AI帮忙查文献、跑代码、做数据分析。但求是引擎做的事完全不同：输入一个目标，它就能自主规划研究路线、构建方法、执行任务、分析结果、提出质疑，一套多智能体协同框架，把整个科研流程跑下来了。
研究人员在真实光学实验平台上做了验证：输入一个开放研究目标，求是引擎连续工作了十几个小时，其间经历了多轮失败和迭代修正，最终产出多项原创科研成果。团队说，同等工作量由人来做，通常需要”数周到数月”。
潘云鹤院士的评价让我印象很深：全球科技竞争正在从”谁拥有更强的大模型”转向”谁能用大模型在真实场景中解决好复杂问题”。
我觉得求是引擎代表了一种范式转变。以前AI竞赛的KPI是参数规模、跑分排名，大家比的是”这模型能回答什么问题”，而求是引擎展示的是”这模型能解决什么问题”。问和解决，完全是两件事。
Ask AI帮忙写代码，是一种能力；让AI在真实科研场景里连续跑十几个小时、遇到挫折后自我修正、最终产出有效成果，是另一种能力。前者是工具，后者是协作伙伴，差别很大。
更让我觉得有意思的是”千步级长程推理”这个概念。大家都知道大模型有”上下文窗口”的限制，窗口越大能处理的信息越多，但”推理链”长不代表”推理深度”深——你可以让AI思考一千步，但如果每一步都在浅层次打转，也没什么用。求是引擎的突破据说是真的能让推理链持续深入，像真实科研那样层层递进。这才是关键。
当然，这个进展也带来一些值得思考的问题。
第一是科研诚信的边界。如果AI能独立完成科研全流程，那么哪些环节是AI贡献、哪些是人类贡献？学术伦理如何界定？这些都不是小事——科研的核心价值之一是可验证性和可追溯性，当AI深度介入这个过程，验证和追溯的边界就模糊了。
第二是科研人才生态。如果AI能独立做科研，对年轻科研人员的培养意味着什么？科学研究的训练，恰恰在于那些”试错”和”修正”的过程——如果这个过程由AI代劳了，人怎么成长？这不是反对技术进步，而是提醒我们：进步需要配套的思考。
第三是开源与安全。求是引擎的架构设计面向计算平台、实验设备、专业软件等真实科研工具，这意味着它的应用场景非常具体，也非常强大。这种能力的边界在哪里？谁来监管？
我觉得求是引擎代表的方向，是2026年AI最重要的发展趋势之一——从”能说会道”到”能干活”。光会说漂亮话的AI，已经不能满足需求了；能实际推动问题解决的AI，才是下一阶段的核心竞争点。
当然，“AI科学家”这个词现在还用得有点早。求是引擎目前主要在物理学、光学、生命医学、数学等特定领域发挥作用，距离真正意义上的通用科学研究还有距离。但它已经迈出了实质性的一步——让AI不只是在科研中”打辅助”，而是真正开始参与科研决策。
这让我想起一句话：真正的革命性技术，不是让现有工作变得更高效，而是让原来不可能的事情变得可能。求是引擎或许正是这样。
Loading comments...