AI4S开始进入「项目时代」：紫东太初把AI从做Task推向做Project

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> AI4S开始进入「项目时代」：紫东太初把AI从做Task推向做Project 闻乐 2026-08-25 13:48:05 来源： 量子位 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI AI for Science，正在进入一个新的分水岭。 过去几年，随着大模型与智能体技术快速发展，AI已经从文献检索、数据分析、代码生成，逐步进入仿真计算、实验分析等科研环节。 “AI能不能帮助科学家做科研”已经不再是唯一的问题。 新的问题正在浮现： AI能不能真正承接一个完整的科研项目，而不只是完成一个个科研Task？ 这背后，是AI4S能力范式的一次变化。 过去，AI更多作为工具或任务智能体，在科研人员明确目标、边界和路径后，完成一个个相对独立的Task。 但真实科研并不是任务的简单集合。 一个Project往往从模糊的研究构想开始，包含多个相互依赖的任务，并随着新文献、实验结果和异常数据不断调整研究路线。 把一个个Task做好，不等于真正完成一个Project。 真正的项目级科研，需要AI理解科学目标、主动拆解任务、协调任务依赖、持续执行，并根据研究反馈动态调整，最终推动整个项目走向结论。 这也成为AI4S下一阶段需要突破的关键能力。 也正是在这一行业拐点上， 中科紫东太初 旗下新一代科研原生智能体 ScienceClaw 完成了一次关键升级。 此次推出的 AutoProject项目级自主科研引擎 ，旨在解决“如何把一个科研项目做得更好”，推动AI从执行孤立任务，走向承接完整的科学发现。 AI在科研中的工作单位，正在从Task走向Project。 真科研，要能扛住Project 真正承接一个科研Project，AI面对的不是单一任务执行，而是一套从项目规划到最终结论的完整科研过程。 因此，AutoProject并非简单延长AI的任务执行链路，而是围绕项目规划、长程执行、证据验证构建项目级自主科研能力，让科研人员只需提交科研构想或宏观目标，AI即可自主完成： 项目规划→子Task拆解→长程执行→证据验证→动态修复→成果沉淀。 整个系统由三层核心能力构成： Project2Task：项目级规划——回答“这个Project应该怎么做？” TaskExecutor：长程自主执行——回答“确定方向后，如何持续推进？” EviGraph：证据驱动验证——回答“最终结论是否有充分证据支撑？” Project2Task：项目级规划，自主生成子任务 面对一个模糊的科研目标，Project2Task综合研究目标、文献证据、资源约束与任务依赖，自主确定研究路径，拆解子Task，并规划任务之间的串并行关系与资产复用，最终生成一套可执行、可迭代的项目任务网络。 以带钢表面缺陷智能识别课题为例，用户仅需输入简短科研目标，AutoProject即可依托Project2Task将模糊需求转化为全周期的任务规划。 视频地址：https://mp.weixin.qq.com/s/Y6IKxQQjqq1Y6Fgwh94r9g 系统自主识别可并行任务与强制串行环节，规划多条研究路线的优先级，构建任务依赖关系，并挖掘可跨任务复用的数据与模型资产； 同时支持横向拆分、纵向拆分、先横后纵、先纵后横四种项目拓扑，根据不同课题特征生成匹配的研究路径，进一步将宏观科研目标落到具体可执行任务。 从“人定义Task、AI执行”，到“人提出目标、AI规划路径”，Project2Task让AI开始承担科研项目的顶层规划。 但规划只是开始。有了项目级的清晰规划之后，还需要可靠的执行底座。 TaskExecutor：长程自主执行，在动态反馈中持续推进项目 科研项目是循环演进的探索闭环，而非一次性交付任务，任一子任务异常均会影响上下游流程。传统单次调用式 AI，无法适配科研非线性迭代特性，难以支撑长周期研究。 AutoProject打破“一次调用、一次返回”的线性执行模式，而TaskExecutor就是其面向科研场景的落地，提供项目级长程自主执行能力。 以YOLO建模为例，项目拆分为数据处理、建模实验、迭代优化三大模块，环节自动衔接。 输入目标后，系统自主研读论文、处理数据集、监督训练、处理异常，并自动输出指标、图表与量化分析。 视频地址：https://mp.weixin.qq.com/s/Y6IKxQQjqq1Y6Fgwh94r9g TaskExecutor搭建目标驱动的自主科研循环，全局监控Project状态、持续捕获实验反馈，自动排查异常、修正研究假设与模型参数； 当任务失败或结果异常时，可回溯评估、重构任务网络，自主重跑实验、优化方案，无需人工高频介入，持续将分散的实验结果整合为完整研究结论。 这意味着AI不再只是被动执行一个个Task，而是能够根据项目状态自主决策、持续迭代，驱动整个Project向目标演进。 长周期闭环探索，也让ScienceClaw从工具型科研助手进一步走向具备长线自主科研能力的智能体。 EviGraph：证据驱动验证，搭建可信科研闭环 而当AI开始长期执行一个科研项目，另一个问题也随之变得更加重要： 它一路做下来的结果，到底可不可靠？ 科研与通用生成式内容的核心差异在于： 科研结论不能仅满足行文通顺、逻辑自洽，每一条项目级结论，都必须依托明确的研究问题、科学假设、多组对照实验与真实数据支撑。 紫东太初AutoProject自研EviGraph证据图谱体系，搭建 全链路、跨子任务，可核验、可回溯、可修复的可信科研闭环 。 校验不再局限于单个子任务内部，还兼顾跨任务逻辑一致性： 持续核验假设是否匹配顶层项目目标、实验能否支撑假设、各子任务数据能否相互印证、结论是否未超出证据支撑范围。 一旦检出逻辑偏差或数据冲突，系统沿证据链定位根因，按需重跑实验、修正假设、调整子任务，实现自主修复。 公开测试已验证该机制的有效性。 在ARCBenchML评测中，EviGraph综合得分0.865（最优基线 0.596）； 代表结论贴合实验事实的Result Analysis指标由0.442提升至0.794； 可追溯证据的Claim Support Rate达0.38，较最优基线0.27提升40.74%；实验数据一致性EDC为0.88。 而当这三层能力真正跑起来之后，科研过程中产生的数据、代码、模型、实验记录和研究方法，也会进一步沉淀为可以复用的科研资产。 在以下一项关于蛋白质的研究中，这种可复用资产具体表现为证据汇总表格、调用专业工具生成的蛋白质产物文件、研究分析报告、论文等。 视频地址：https://mp.weixin.qq.com/s/Y6IKxQQjqq1Y6Fgwh94r9g 值得注意的是， AutoProject的自主科研不等于无人科研 。 即便引擎能够完成规划、执行、校验、成果沉淀的全链路流程，科研人员依然发挥不可替代的核心作用。 整个项目进程中，研究者可以随时介入，针对AI输出的研究路径、实验假设、中