戳破AI for Science幻象，“深度原理”为AI科学能力立下新标尺

 该图片属于AI生成

一场大考，结果令人意外。

在全球最顶尖的AI模型频繁"刷榜"时，一个由中国年轻团队领衔的研究将它们拉进了真实的"科学实验室"，给所有顶级AI做了场科研项目考试，结果全炸了。

更意味深长的是，OpenAI几乎在同一时间做出了相似的判断。这并非巧合，而是标志着AI for Science整个领域，走到了一个必须重新审视方向的关键路口。

不"答题"，考"做研究"

这项引发全球关注的研究，是一篇名叫《Evaluating LLMs in Scientific Discovery》的论文。领衔的并非传统的学术大拿，而是一家中国的初创公司，深度原理（Deep Principle），合作者则包含了麻省理工学院、哈佛、剑桥、牛津在内的全球24所顶尖高校。

论文的作者，是深度原理的联合创始人兼CTO，段辰儒。这位年轻的科学家在MIT读化学博士期间，就已开始推动AI与科学的融合。论文合作者贾皓钧是深度原理CEO。两人都是95后的MIT博士。虽然年轻，这二位却已凭借此前的硬核成果，在领域内声名鹊起。深厚的学术根基与一线产业实践的结合，让他们"一呼百应"，摇来了一支24所顶级高校50多位世界级科学家的"梦之队"，完成了这次大考。

组织这次大考的核心在于，他们觉得，以前考AI的方式，完全跑偏了。

过去的评测，比如GPQA、MMLU，就像让AI做"五年高考三年模拟"——全是标准化的选择题，考的是记忆和刷题能力。一个模型在这些测试里拿高分，只能说明它知识点背得好，根本不能证明它会"做研究"。

于是，他们打造了一套全新的评测体系科学发现评估（SDE）。这套体系的精髓就一句话：别废话，直接进实验室干活！

在这里，AI面对的不再是孤立的题目，而是一个个完整的科研项目，比如"设计一种新的抗癌药物分子"或者"发现一种超导材料"。AI必须自己走完"提出猜想 → 设计实验 → 分析数据 → 改进猜想"的全流程。

这就好比，以前考试是问你"勾股定理是什么"，现在直接把一堆木头扔给你：造一座能承重100公斤的桥，办法自己想。

顶级AI"集体翻车"

当GPT-5、Claude、DeepSeek这些"顶级学霸"走进SDE考场后，成绩单炸了。

第一暴击：高分低能，实锤！

这些模型在传统科学考试里，轻松能拿80、90分。但在SDE的实战中，平均分直接掉到50-70分。在最硬核的86道"SDE-Hard"压轴题上，所有模型全军覆没，最高分还不到12分。

这差距，好比一个学生在模拟考次次第一，真让他去实验室做个毕设，直接懵了。

第二暴击：大力出奇迹，失效！

行业里一直有个信念：只要把模型做得更大、算力堆得更猛，性能就能一直涨。但SDE考试发现，这条路走到头了。比如，参数规模恐怖的GPT-5，相比前代在很多科学任务上提升只有3%-5%，有的任务甚至不升反降。

砸钱堆硬件就能赢的时代，可能真的过去了。

最深刻的暴击：大家错得一样！

研究发现，这些来自不同公司、采用不同技术的顶尖模型，不是在各自不同的难题上失误，而是在同一道最难的坎上集体摔跤。

这说明问题不是某个公司"技术不行"，而是当前所有大模型赖以成功的技术路径，本身就有"天花板"。它们从相似的互联网文本中学，形成了相似的思维盲区。

这份研究，就像给火热的"AI科学家"梦想，泼下了一盆带着冰碴的冷水。它用数据大声说话：现在的AI，更像一个拥有百科全书式记忆的"超级考生"，而不是一个能独立探索未知的"科学家"。

为什么OpenAI也神同步了？

几乎是同一时间，OpenAI 也发布了对于 AI 在科学发现领域能力评测的文章《FrontierScience: Evaluating Al’s Ability to Perform Scientific Research Tasks》“概述”，他们推出了一个叫FrontierScience的测试，专门检验AI在高端科学问题上的真实能力。测试包括了多个主流模型，包括：

GPT-4o、o4-mini、o3、GPT-5以及后续、Claude Opus 4.5，Gemini 3 Pro、Grok4。

测试分为两部分：

奥赛题：模仿国际物理、化学、生物奥赛的原创难题。

科研题：由博士和科学家设计，模拟真实研究中会遇到的问题，评分时不仅看答案，还看推理过程。

结果在奥赛题上，GPT-5.2，表现最好，正确率到了77分。但在更开放的科研题上，所有模型表现都明显下降，GPT-5.2 和 GPT-5 在最高，也只有 25分。

为什么会如此"神同步"？这绝不是巧合，而是赛道挤到一定程度后，必然发生的"共识"。

首先，旧的游戏玩不下去了。

当所有人都发现，在旧题库上刷分已经刷到"满分"，但模型在真实科研中依然"不好用"。我们到底在为什么而竞赛？一张已经失效的"旧地图"，正在把整个行业带向歧途。绘制一张新地图，成了最急迫的事。

其次，深水区到了，得摸着石头过河。

前两年，AI在科研中的应用还是"炫技"阶段，写文献综述、生成代码。现在，大家真想让它去攻克癌症、发现新材料。但一进入深水区，才发现当前的AI"游泳技术"根本不行。是时候停下来，好好评估一下真实的游泳水平了。

最终，这还是一场关于未来的"定义权"之争。

“AI for Science"被认为是通往下一代AI（AGI）的必经之路，是绝对的科技制高点。此时，谁能率先定义"什么是真正的AI科研能力”，谁就掌握了制定下一阶段游戏规则的话语权。中美团队同时出手，就像在起跑线前，同时亮出了自己认为正确的跑道设计图。

未来地图：从"ChatGPT"到"LabGPT"

虽然考试结果有点残酷，但它恰恰为我们画出了一张清晰的未来地图。

告别"全能神"，迎接"专业科学家"。幻想一个"什么都懂、什么都能研究"的通用AI科学家，目前看来不现实。未来更可能出现的，是无数个"专业科学家"：专攻材料设计的"材料GPT"，精通分子合成的"化学GPT"，擅长蛋白质折叠的"生物GPT"……它们将深度融入垂直领域的专业工具中，成为科学家的"专家级副驾驶"。

训练方式，得来场"科学方法论"革命

现在的AI是从人类现成的知识中学习。要让它真正会"发现"，可能得让它像科学家一样去"实践"：在模拟的物理、化学世界里亲手做实验，在试错中总结规律。我们需要给AI注入的不再是海量文本，而是科学思维的内核——假设、验证、因果推理。

人际关系，进入"灵魂伴侣"时代

AI不会取代科学家，但会重新定义科学家的工作。未来的画面可能是，人类科学家是提出终极问题、拥有直觉和审美品味的灵魂；而AI，则是拥有无穷算力、不知疲倦进行海量计算和筛查的"超级躯体"。最好的科研，将来自人类灵感与机器执行力的完美结合。

看清了潮水的真正方向

这份深度原理领衔的大考，与其说得到了一份成绩单，不如说打出了一记响亮的发令枪。

它提示我们，AI在科学领域的探险，刚刚结束在沙滩上捡贝壳的娱乐阶段，真正要驶向未知的深海，要做的不是继续在岸上争论谁的贝壳更漂亮，而是一起动手，建造一艘能经受风浪的新船。

而这场革命的起点，始于我们终于有勇气，看清潮水的真正方向。