AI4S開始進入「項目時代」：紫東太初把AI從做Task推向做Project

過去幾年，隨著大模型與智能體技術快速發展，AI已經從文獻檢索、數據分析、代碼生成，逐步進入仿真計算、實驗分析等科研環節。“AI能不能幫助科學家做科研”已經不再是唯一的問題。新的問題正在浮現： AI能不能真正承接一個完整的科研項目，而不只是完成一個個科研Task？這背後，是AI4S能力範式的一次變化。過去，AI更多作為工具或任務智能體，在科研人員明確目標、邊界和路徑後，完成一個個相對獨立的Task。但真實科研並不是任務的簡單集合。一個Project往往從模糊的研究構想開始，包含多個相互依賴的任務，並隨著新文獻、實驗結果和異常數據不斷調整研究路線。

把一個個Task做好，不等於真正完成一個Project。真正的項目級科研，需要AI理解科學目標、主動拆解任務、協調任務依賴、持續執行，並根據研究反饋動態調整，最終推動整個項目走向結論。這也成為AI4S下一階段需要突破的關鍵能力。也正是在這一行業拐點上，中科紫東太初旗下新一代科研原生智能體ScienceClaw完成了一次關鍵升級。此次推出的AutoProject項目級自主科研引擎，旨在解決“如何把一個科研項目做得更好”，推動AI從執行孤立任務，走向承接完整的科學發現。AI在科研中的工作單位，正在從Task走向Project。

真科研，要能扛住Project 真正承接一個科研Project，AI面對的不是單一任務執行，而是一套從項目規劃到最終結論的完整科研過程。因此，AutoProject並非簡單延長AI的任務執行鏈路，而是圍繞項目規劃、長程執行、證據驗證構建項目級自主科研能力，讓科研人員只需提交科研構想或宏觀目標，AI即可自主完成： 項目規劃→子Task拆解→長程執行→證據驗證→動態修復→成果沉澱。整個系統由三層核心能力構成： Project2Task：項目級規劃——回答“這個Project應該怎麼做？” TaskExecutor：長程自主執行——回答“確定方向後，如何持續推進？

” EviGraph：證據驅動驗證——回答“最終結論是否有充分證據支撐？” Project2Task：項目級規劃，自主生成子任務 面對一個模糊的科研目標，Project2Task綜合研究目標、文獻證據、資源約束與任務依賴，自主確定研究路徑，拆解子Task，並規劃任務之間的串並行關係與資產複用，最終生成一套可執行、可迭代的項目任務網絡。以帶鋼表面缺陷智能識別課題為例，用戶僅需輸入簡短科研目標，AutoProject即可依託Project2Task將模糊需求轉化為全週期的任務規劃。視頻地址：https://mp.weixin.qq.

com/s/Y6IKxQQjqq1Y6Fgwh94r9g 系統自主識別可並行任務與強制串行環節，規劃多條研究路線的優先級，構建任務依賴關係，並挖掘可跨任務複用的數據與模型資產； 同時支持橫向拆分、縱向拆分、先橫後縱、先縱後橫四種項目拓撲，根據不同課題特徵生成匹配的研究路徑，進一步將宏觀科研目標落到具體可執行任務。從“人定義Task、AI執行”，到“人提出目標、AI規劃路徑”，Project2Task讓AI開始承擔科研項目的頂層規劃。但規劃只是開始。有了項目級的清晰規劃之後，還需要可靠的執行底座。

TaskExecutor：長程自主執行，在動態反饋中持續推進項目 科研項目是循環演進的探索閉環，而非一次性交付任務，任一子任務異常均會影響上下游流程。傳統單次調用式 AI，無法適配科研非線性迭代特性，難以支撐長週期研究。AutoProject打破“一次調用、一次返回”的線性執行模式，而TaskExecutor就是其面向科研場景的落地，提供項目級長程自主執行能力。以YOLO建模為例，項目拆分為數據處理、建模實驗、迭代優化三大模塊，環節自動銜接。輸入目標後，系統自主研讀論文、處理數據集、監督訓練、處理異常，並自動輸出指標、圖表與量化分析。視頻地址：https://mp.weixin.qq.

com/s/Y6IKxQQjqq1Y6Fgwh94r9g TaskExecutor搭建目標驅動的自主科研循環，全局監控Project狀態、持續捕獲實驗反饋，自動排查異常、修正研究假設與模型參數； 當任務失敗或結果異常時，可回溯評估、重構任務網絡，自主重跑實驗、優化方案，無需人工高頻介入，持續將分散的實驗結果整合為完整研究結論。這意味著AI不再只是被動執行一個個Task，而是能夠根據項目狀態自主決策、持續迭代，驅動整個Project向目標演進。長週期閉環探索，也讓ScienceClaw從工具型科研助手進一步走向具備長線自主科研能力的智能體。

EviGraph：證據驅動驗證，搭建可信科研閉環 而當AI開始長期執行一個科研項目，另一個問題也隨之變得更加重要： 它一路做下來的結果，到底可不可靠？科研與通用生成式內容的核心差異在於： 科研結論不能僅滿足行文通順、邏輯自洽，每一條項目級結論，都必須依託明確的研究問題、科學假設、多組對照實驗與真實數據支撐。紫東太初AutoProject自研EviGraph證據圖譜體系，搭建全鏈路、跨子任務，可核驗、可回溯、可修復的可信科研閉環。校驗不再侷限於單個子任務內部，還兼顧跨任務邏輯一致性： 持續核驗假設是否匹配頂層項目目標、實驗能否支撐假設、各子任務數據能否相互印證、結論是否未超出證據支撐範圍。

一旦檢出邏輯偏差或數據衝突，系統沿證據鏈定位根因，按需重跑實驗、修正假設、調整子任務，實現自主修復。公開測試已驗證該機制的有效性。在ARCBenchML評測中，EviGraph綜合得分0.865（最優基線 0.596）； 代表結論貼合實驗事實的Result Analysis指標由0.442提升至0.794； 可追溯證據的Claim Support Rate達0.38，較最優基線0.27提升40.74%；實驗數據一致性EDC為0.88。而當這三層能力真正跑起來之後，科研過程中產生的數據、代碼、模型、實驗記錄和研究方法，也會進一步沉澱為可以複用的科研資產。

在以下一項關於蛋白質的研究中，這種可複用資產具體表現為證據彙總表格、調用專業工具生成的蛋白質產物文件、研究分析報告、論文等。視頻地址：https://mp.weixin.qq.com/s/Y6IKxQQjqq1Y6Fgwh94r9g 值得注意的是，AutoProject的自主科研不等於無人科研。即便引擎能夠完成規劃、執行、校驗、成果沉澱的全鏈路流程，科研人員依然發揮不可替代的核心作用。整個項目進程中，研究者可以隨時介入，針對AI輸出的研究路徑、實驗假設、中間數據開展鑑賞評判，及時糾偏不合理方向，通過持續交互反饋注入人類領域直覺與科學洞察力，人機雙向配合共同完成科學探索。

在這套協作模式下，AI的角色也從被動響應需求的科研助手，成長為科研項目的自主推進者。AI4S進入項目級自主科研階段 當AI開始以Project為單位工作，AI4S的能力邊界也隨之改變。以AutoProject為代表的項目級自主科研體系，正在推動行業開啟新一輪範式升級： AI的工作對象從孤立的單個Task轉向完整的Project，自主科研也從“單點能力”走向“系統能力”。實現這種跨越並非易事，那為什麼是ScienceClaw率先走到這一步？答案藏在它背後的團隊和技術體系裡。

ScienceClaw出自中國科學院自動化研究所孵化的企業，中科紫東太初—— 一家從成立之初就將“多模態”寫進技術基因的大模型企業。早在2021年，紫東太初便發佈全球首個千億參數三模態大模型，將文本、圖像、語音納入統一語義空間。經過持續迭代，如今的紫東太初4.0已經從“理解多模態”進一步走向“多模態推理”，具備自主規劃、交錯思考與反饋修正能力。放到AI4S場景中來看，這條技術路線的價值非常直接： 科研從來不是純文本世界，論文裡有公式、圖表和實驗曲線，科研項目裡還有代碼、數據、仿真與真實實驗。只有能夠統一理解這些異構信息，模型才有可能真正成為科研智能體的大腦。但大模型只是起點。

紫東太初進一步把模型能力延伸到真實科研流程，構建了從模型底座、科研知識、專業工具到智能體執行的完整技術體系。這也使ScienceClaw與普通科研Agent拉開了距離。ScienceClaw構建的不是傳統“主從Agent”體系，而是一套面向複雜科研任務的分層自治、多智能體動態協同架構。系統圍繞科研目標自動生成任務圖，並根據領域、工具與執行狀態，按需調度學科、代碼、搜索、數據分析、仿真等專業Agent，形成可動態組網、協同執行、反饋重規劃的科研智能體集群。

目前，ScienceClaw已覆蓋生命科學、材料、化學、物理、天文等領域，並將文獻檢索、數據分析、代碼執行、模型計算與仿真工具統一納入科研智能體運行時。進一步通過雲端思考、沙箱執行、端側行動與虛實協同，ScienceClaw正推動AI從“分析科研信息”走向“執行科研任務”，從“完成單次Task”邁向“持續推進完整科研Project”。AutoProject，正是這套能力之上實現的關鍵躍遷。表象上，這只是AI的工作單元從Task升級為Project；但其本質，是AI科研能力由工具級向系統級的跨越。

與之相伴，AI4S賽道的競爭重心也隨之切換： 行業比拼不再侷限於單點模型或單體智能體性能，而是整套端到端系統綜合能力。這也是本次ScienceClaw升級最核心的價值。中科紫東太初在AI4S領域的核心壁壘，不僅是更大規模的基礎模型或是性能更優的單一科研Agent，而且構建了一套融合多模態大模型、科研智能體、專業工具鏈、自主執行框架與實驗驗證體系的完整科研系統。從Task走向Project，ScienceClaw正推動AI4S邁入項目級自主科研新時代。論文地址： [1]https://arxiv.org/abs/2608.05225 [2]https://arxiv.org/abs/2608.

04738 版權所有，未經授權不得以任何形式轉載及使用，違者必究。