六方架构拆解
TEARDOWN六款产品都想当“科研人员的 AI 同事”——把查文献、清数据、调环境、跑分析、出图、写稿、校验这些最熬人的中间环节,收进同一条可控、可复现的流水线。但它们的内部骨架差得很远。先给每家一张同规格的架构卡,再把两条差异轴的两个极点摊开细看。
Anthropic · 闭源 · 生产
Google DeepMind · Gemini · 企业预览
Google Cloud AI Research · 研究系统
openscience.sh · Apache-2.0 · 极早期
open-science · MIT · beta
上海 AI Lab · 开源 · demo
两个极点,值得摊开细看
六家里,把内部结构摊开最有价值的是两条差异轴的两个极点:Claude Science(商业旗舰,把信任做成一个组件)与 ScientistOne(把“可采信”做成整个产品)。两张图并列,恰好是“信任作为部件”与“信任作为骨架”的对照。
Claude Science · 五组件
ScientistOne · 三阶段 · 校验即产品
一个贯穿六家的限制
Claude Science 的校验用的是同一个底层模型查自己的自洽性——能抓出“同一 PMID 分给两篇论文”这类内部矛盾,但不等于外部事实正确。ScientistOne 的解法是把校验做成独立、确定性的审计层。这条“模型自律 vs 确定性校验”的分界,正是下面六方对比里“信任层”那一维的核心,也是本文那条唯一分水岭。
六方证据强度
EVALUATION先说清楚:六家的证据是不对称的——不是每家都有公开、可复现的评测。所以本节先逐家看各自的证据强度与机构落地,再用 Claude Science 的一次实测做演示(n=1,不可一般化)——避免拿一家的轶事去代表整个品类。⚠
六方证据强度
| 产品 | 公开可核验的证据 | 强度 | 敢署名? 独立校验 + 生产可用 |
|---|---|---|---|
| Claude Science | 生产案例(UCSF 胶质瘤 ×10 / Allen 百页综述 / Manifold 靶点 / 诺和诺德)+ 单次实测(n=1);GeneBench 上 Claude Opus 4.8 仅 16% | 生产背书 | 敢 独立 Reviewer + 已生产署名 |
| Co-Scientist | 论文发表于 Nature;拜耳 / 第一三共 / DOE 国家实验室企业部署 | 同行评审 + 企业 | 半条腿 验证是特性 · 只出上游假设 |
| ScientistOne | 0/337 幻觉引用 · 12/12 评分校验 · 14/15 图码 · 5 任务追平/超人类专家;泛化到 MLE-Bench 金牌 | 研究基准(未生产) | 未来敢 校验最强,但研究系统未生产 |
| synthetic-sciences | 无公开基准;v1.2.5 · ~24★ | 极早期 | 不敢 无独立校验 |
| ai4s-research | 无公开基准;活跃 beta,桌面体验最接近商业版 | 早期 | 差一步 有 auditor,缺生产 / 算力 |
| InternAgentS | 无公开基准;刚开源 / demo(SCP 数据为官方口径) | demo | 差一步 产出校验待补 |
证据强度≠产品好坏,只反映“今天有多少可核验的公开凭据”。ScientistOne 的数字最硬但来自研究基准、尚未生产;开源三家最缺公开评测——这本身就是它们要补的功课。
一次实测演示 · 以 Claude Science 为例(n=1)
三个使用感受支撑起“勤恳靠谱的科研助理”这个评价:过程可见(每步在做什么、为什么这么做都摆在面前,不是黑箱吐结论)、随机应变(源挂了会换、程序缺了会装、图丑了会重画)、边界诚实(在科研里,是否严谨直接决定结果能不能被采信)。
谁已落地到真实机构 · 六方现状
只有商业云两家真正进了机构生产:Claude Science 与 Co-Scientist 有公开机构案例;ScientistOne 是研究系统、开源三家仍在早期,均无机构生产案例——这也是“敢署名”目前只落在前两者的现实基础。
Claude Science · Manifold Bio
靶点筛选
为组织靶向药物设计筛选靶点,评估表面表达、转运、安全性并排序,结合历史项目经验,效率超过普通编码助手。
Claude Science · Allen Institute
多代理计算综述
搭含 20 个定制技能的“计算综述模板”,子代理读文献、建证据库、出图,配“行动者-评论家”双保险;原本 2 年的综述工作大幅提速,已产出多篇百页级成果。
Claude Science · UCSF 脑肿瘤中心
胶质瘤分析 ×10
分子/种系流行病学分析时间降至原来的 1/10,且独立验证结果可靠。诺和诺德亦为公开客户案例。
Co-Scientist · 拜耳 / 第一三共 / DOE
企业预览部署
拜耳作物科学、第一三共、美国能源部国家实验室(Genesis Mission)在 Gemini for Science 企业预览中用 Co-Scientist 做假设生成与研究加速;论文发表于 Nature。
谨慎的声音
东北大学 Jared Auclair:AI 更像“需要老练飞行员驾驶的副驾驶”。在解读监管指南、设计实验这类需要精细判断的环节,通用 AI 仍可能幻觉或漏细节——在药物研发里,这类错误可是要命的。
六方工程差异化对比
COMPARISON六者表面都是“harness + 技能 + provenance”的科研工作台,但在模型策略、能力宽度、信任层强度、安全隔离几个维度上落点截然不同。以下逐维拆开——brass 为 Claude Science、azure 为 Co-Scientist、rose 为 ScientistOne、coral 为 synthetic-sciences、teal 为 ai4s-research、periwinkle 为 InternAgentS。
六产品技术架构总览
权衡前沿
| 维度 | Claude ScienceAnthropic · 闭源 | Co-ScientistGoogle · Gemini | ScientistOneGoogle · 校验优先 | synthetic-sciencesopenscience.sh · Apache-2.0 | ai4s-researchopen-science · MIT | InternAgentS上海 AI Lab · 开源 |
|---|---|---|---|---|---|---|
| 模型策略 | 锁定 只跑 Claude Opus 4.8 | 锁定 Gemini 2.0(多智能体) | 前沿模型 作求解器,未锁单一 | 中立 model-agnostic · BYOK 免费 | 中立 ~150 provider + 本地 Ollama | 中立 国产/本地;推理可留域内 |
| 形态 / 技术栈 | 本地 app(标签页 UI),未公开栈 | Gemini for Science / Antigravity;多智能体 | 端到端研究流水线(三段式) | 浏览器 workspace + CLI;Bun,TS/Py | Tauri 桌面 + OpenCode + uv | 本地 app;DeepAgents + LangGraph |
| 平台支持 | macOS / Linux | 云(Google Cloud) | 云(研究 / demo) | 跨平台二进制 | macOS / Windows(无 Linux) | macOS(Mac 安装包) |
| Skills / 模块 | 60+ 精选(生命科学)+ 自建 | Science Skills:30+ 生命科学库 | 三段式 + ScholarPeer + PaperBanana | 250+(ML/化学/LaTeX/算力) | ~7 精选包 | 内置 + 科学 skill 库,可导入 |
| 科学数据库 | 60+ 连接器,genomics/proteomics | UniProt / AlphaFold / AlphaGenome / InterPro | seed papers + 检索接地(CoE) | ~30(arXiv/PubMed/UniProt/PDB/ChEMBL) | 引用侧(Crossref/arXiv/PubMed) | SCP:3600+ 工具,六学科 |
| 领域专业模型 | 内建 BioNeMo(Evo2/Boltz2/OpenFold3) | 内建 AlphaFold / AlphaGenome | 无 ML/系统研究通用 | 无捆绑 | 无捆绑 | 无捆绑 靠 SCP 自接 |
| 计算编排 | 托管伸缩 HPC/Modal,单卡→数百 GPU | GCloud 托管;AlphaEvolve/ERA 并行 | 并行 explore-exploit | Modal/Tinker 云算力(自配) | uv 隔离 Python/Jupyter(本地) | 连自有 SSH Linux,会话内审批 |
| 信任 / 校验层 | 一等公民 独立 Reviewer,结果前拦坏引用/图码 | 特性 验证 + 可点击引用 | ★ 产品本体 CoE 审计:0/337 幻觉引用 · 12/12 · 14/15 | 基本空白 无独立校验 agent | 内建 auditor 解析引用/校图码 | 授权强 / 校验弱 未见产出级校验 |
| 可复现 / provenance | 图+代码+环境+对话,焊死 | 引用可点击;Nature 论文验证 | Chain-of-Evidence,基准内近 100% 复现 | sessions/artifacts 存盘可分享 | append provenance.jsonl | 产物沉淀项目空间;未强调焊死 |
| 安全 / 隔离 | 逐项授权 | 云托管企业级 | 研究系统 | 不 sandbox 需自套容器 | 手动审批(once/always/reject) | 三档授权(按项目风险) |
| 可扩展性 | 自定义 skill/专家 agent,闭源 | 平台内 Science Skills;闭源 | 研究框架;ScholarPeer/PaperBanana | 最强:TS SDK + plugin | skills commit + SHA256 | 开源 harness 可 fork;MCP + SCP |
| 计费 / 获取 | 算进 Claude 订阅额度 | 企业预览(Google Cloud) | 研究 / 论文(arXiv 2605.26340) | BYOK 免费;Atlas 可选 | 软件免费;BYOK 按 token | $0 开源;BYOK/国产模型 |
| 成熟度 | 生产:UCSF / Allen / 诺和诺德 | 企业预览(拜耳/第一三共/DOE)· Nature | 研究阶段 ICML 2026 demo | 极早期 v1.2.5 ~24★ | 活跃 beta,最接近商业版 | 刚开源 社区共建 |
读这张表的正确姿势:能力开放度(横向宽度)与信任层强度(纵向厚度)几乎成反比。synthetic-sciences 把 skill 堆到 250、模型完全开放,代价是 agent 连 sandbox 都没有、无独立校验;Claude Science 反过来锁死模型、闭源 harness,换来 Reviewer 一等公民、provenance 焊死、算力托管伸缩;ai4s-research 居中,用 auditor + provenance.jsonl 在开源侧补出一条最像样的信任层。InternAgentS 则把开放度推到最高(model-agnostic + 推理可留本地 + 开源 harness + MCP/SCP),信任层以三档授权补位,但同样缺独立校验。
国产变量 · InternAgentS
CASE STUDY上海 AI Lab开源的科研工作台,把 Claude Science 式的科研体验带给开源社区——它的 GitHub 仓库内部名直接叫 OpenClaudeScience,基于 DeepAgents + LangGraph 围绕科研项目重组 runtime、workspace、skills、工具与授权。这不是独立物种的碰撞,而是一次有意的开源对标——但两者玩的是不同的游戏。
定位 · 一次公开的对标
血脉:书生全栈开源体系的一环(Intern-S1-Pro 科学多模态模型 → Intern·Agent 多智能体框架 → SCP 科学智能上下文协议 → InternAgentS 工作台),演进路径是流程驱动(1.0)→ 推理驱动(1.5)→ 项目工作台。战略上这是 国家级开放基础设施 + 国产模型生态,对位的是 Anthropic 的商业垂直护城河。
推理主权:数据层 vs 推理层
产品架构从不中立——它假设了用户是谁。Claude Science 的架构假设科学家是“判断提供者”:想让机器把深度和信任都兜住,自己只提问题、判结果——所以它把 Reviewer、provenance、BioNeMo 焊进架构,代价是你活在 Anthropic 的选择里(锁模型、上云推理、闭源 harness)。InternAgentS 的架构假设科学家是“构建者 / 所有者”:想要透明、可控、可组装的底座——所以它把 harness 敞开、把主权下放,代价是信任层与领域深度得你自己攒。这对应科研界一条真实裂缝:偏应用的实验台科学家(要“就是能用、且站得住”)吃前者,偏方法 / 计算的科学家(要看穿、控住每一步)吃后者。
Claude Science × InternAgentS 架构对位
| 维度 | Claude ScienceAnthropic · 闭源 | InternAgentS上海 AI Lab · 开源 |
|---|---|---|
| 模型策略 | 锁定 Claude Opus 4.8 | 中立 DeepSeek / 通义 / GLM / Kimi / Intern-S1 / Claude / 本地私有 |
| 推理位置 | 数据本地,但推理上云(仅送分析上下文) | 推理可留本地 / 内网 ← 决定性差异 |
| harness | 闭源自研五组件 | DeepAgents + LangGraph,可审计、可 fork |
| 工具生态 | MCP + 60+ 精选生命科学库 | MCP + SCP(2.0 已接 3600+ 工具 / Skills,覆盖六学科) |
| 领域专业模型 | 内建 BioNeMo:Evo2 / Boltz2 / OpenFold3 | 无捆绑 靠 SCP 生态自接 |
| 领域取向 | 生命科学深(生产战果) | 六学科广(demo:咖啡因 / PbTiO3 / Y型微流控) |
| 信任层 | 强 独立 Reviewer + 焊死 provenance + 逐项授权 | 授权强 / 校验弱 三档授权(自动 / 写入需批 / 全部需批);未见独立校验 |
| 计算编排 | 托管伸缩 HPC / Modal,单卡→数百 GPU | 连自有 SSH Linux,会话内审阅确认后执行 |
| 数据主权 | 止于数据层 | 数据层 + 推理层 |
| 平台 / 成熟度 | macOS / Linux;UCSF / Allen / 诺和诺德背书 | 目前 Mac 安装包;刚开源、社区共建、demo 阶段 |
各自独特的架构优势
Claude Science · 交付型
把“信任工作 + 搭建工作”从科学家身上拿走
· 独立 Reviewer 作为一等、前置组件:验证在结果浮现前就跑,开源侧至今无对等物——科研第一需求“能否被采信”被做成了架构。
· 焊死 provenance:复现是“构造即保证”,不靠人自律。
· 常驻 Live Kernel:大数据集只加载一次,真实数据规模下流畅迭代。
· BioNeMo + 精选 skill:有主见地替生命科学家预置深度,配置负担近零。
· 托管算力:单卡→数百 GPU,不碰集群运维。
InternAgentS · 赋能型
把整个栈的所有权与控制权交还科学家
· 推理层主权:唯一把数据与推理同时留在域内的架构——对未发表管线 / 涉密 / 药企研发 / 国产化,是准入而非体验。
· 开源可 fork 的 harness(DeepAgents + LangGraph):推理图可审可改,科学天生敌视黑箱。
· model-agnostic 底座:抗模型换代、成本波动与单云绑定。
· SCP 科学专用协议:赌科学工具 / 数据 / 仪器需要自己的上下文标准,六学科横向广。
· 三档授权:按项目风险配自主度,比单一逐项授权更贴现实。
裁决 · 哪个更靠近科学家需求
取决于把哪个需求当第一性:
· 第一性是可采信性(产出的全部价值在于能否被相信、被复现)→ Claude Science 架构更近:它把信任当组件,不甩给用户;你不能靠“trust me”发论文。
· 第一性是能不能用得上(数据不能出域、预算有限、跨学科、要审计定制)→ InternAgentS 架构更近:它拆掉的正是把工具挡在真实实验室门外的结构性壁垒。
一句更锋利的:Claude Science 的优势是“交付型”(现在就产出可采信结果),InternAgentS 的优势是“赋能型”(移除壁垒,但深度与信任要自攒)。而 InternAgentS 当前最该补、也最偏离科学家核心需求的一块,是缺一个产出级校验层——它把 authorization(控制执行)、以及想法层的多维评审做成了一等公民,却还没把产出级 verification(引用解析 / 图码一致 / 无源数字)做成一等公民。
收敛:在“科学作为要经得起同行审视的建制”这个意义上,Claude Science 离科学家的认识论内核更近;在“科学发生在有主权、预算、学科、定制约束的真实机构里”这个意义上,InternAgentS 离科学家的现实处境更近。
STORM 核对补正
① 本节“校验弱”特指 InternAgentS 未见 Claude Science 式的产出级独立校验(引用解析 / 图码一致 / 无源数字);上海 AI Lab 的 Intern·Agent / SAGE 栈另有多维评审智能体(评审想法)+ 分层记忆(SPM/TEM/SKM,官方称用于“避免逻辑幻觉”),并非全无评审机制。
② SCP 工具数以官方 SCP 2.0 口径为准,不同来源计数不一(另有“百余种实验设备 / 200+ 跨学科智能体、覆盖六大领域”的表述)。
③ 底座模型应为 Intern-S1(书生科学多模态,全文已订正)。
哪个开源版具备平替
VERDICT先给结论:今天没有一个开源版是 Claude Science 的完整 drop-in 替代。差距不在“能不能跑 agent 工作流”,而在生命科学的垂直深度——BioNeMo(Evo 2 / Boltz-2 / OpenFold3)、60+ 精选生命科学库、托管 HPC 伸缩、成熟 Reviewer 这四样,开源侧都需要大量自装配。但按场景拆,结论会分叉。
(注:本节只评开源候选。Google 的 Co-Scientist 与 ScientistOne 是闭源商业 / 研究系统,不属“开源平替”,它们的定位见 §03 对比矩阵与 §07 演进。)
最接近 · 信任 / 复现 / 桌面体验轴
ai4s-research / open-science
“通用计算科学的准平替,生命科学的半成品”
- +唯一在开源侧把信任层做实的:integrity-auditor 校引用 / flag 无源数字 / 图↔码一致,对标商业版 Reviewer 的思路
- +provenance.jsonl + History 面板,可复现叙事最完整;Tauri 桌面体验最接近商业版
- -无 BioNeMo / 无精选生命科学库;skill 仅 ~7,深度靠自建
- -只支持 macOS / Windows,缺 Linux——与 HPC / 集群工作流天然错位
- ≈适合:通用计算科学、需要数据主权 + 可复现审计的团队
最宽 · 能力 / 可扩展轴
synthetic-sciences / openscience
“能力最宽的骨架,信任层要自己焊”
- +250+ skills + TypeScript SDK + plugin runtime,可扩展性最强;model-agnostic + BYOK 永久免费
- +浏览器 workspace 形态轻,ML / 化学信息 / LaTeX / 云算力 skill 齐
- -agent 不 sandbox——权限系统≠隔离边界,官方明说要自套容器 / VM;无独立校验 agent
- -v1.2.5、~24 star,极早期;生产可靠性未经验证
- ≈适合:有工程能力、愿意自建信任层 + 隔离层的 ML / 通用科研团队
国产 / 主权轴 · 结构性不可替代的那一半
InternAgentS / 上海 AI Lab
“推理主权的准入级平替,垂直深度的探索期”
- +唯一把数据 + 推理同时留域内(推理可本地 / 内网)——对国产化 / 涉密 / 未发表管线是准入而非体验
- +开源可 fork 的 harness(DeepAgents + LangGraph)+ model-agnostic 国产模型 + SCP 六学科生态
- -无 BioNeMo / 无独立校验 agent / 未强调焊死 provenance——信任层靠三档授权补位
- -目前 Mac、刚开源、demo 阶段,生产可靠性未验证
- ≈适合:数据 / 推理不能出域、国产化、跨学科、要审计定制的机构
平替判定
· 通用计算科学(物理 / 化学 / ML / 数据):两个开源版都能近似复刻工作流,ai4s-research 因自带信任层与桌面复现体验,是更稳的准平替。
· 受监管的生物医学 / 药物研发:Claude Science 的 BioNeMo + 精选库 + 托管算力 + 成熟 Reviewer 尚无开源等价物,短期不可平替。
· 要极致可扩展 + 模型自由 + 零授权成本:synthetic-sciences 骨架最宽,但你要自己补齐 sandbox 与校验这两块致命短板。
· 国产化 / 高隐私 / 受主权约束(未发表管线、涉密、药企研发、内网):InternAgentS 因推理可留本地,是 Claude Science 结构性给不了的那一半——但独立校验层需自补。
部署成本与 ROI 分析
ECONOMICS总拥有成本 ≈ 软件许可 + 模型 token + 算力 + 工程投入(搭建 / 维护 / 复刻垂直能力)。商业版把后三项打包进订阅换时间;开源版软件为零,但把成本转移到 token、自托管算力和工程人力上。以下为成本结构与盈亏平衡逻辑,非精确报价(单价随时变动)。
| 成本项 | Claude Science | Co-Scientist | ScientistOne | synthetic-sciences | ai4s-research | InternAgentS |
|---|---|---|---|---|---|---|
| 软件许可 | 含在订阅内 | 企业预览(Google Cloud 定价) | 研究系统 未商用定价 | $0 Apache-2.0 | $0 MIT | $0 开源 |
| 模型 token | 算进 Pro / Max / Team 额度 | Gemini 计费(云,按用量) | 前沿模型推理(云) | BYOK 自付(任意 provider) | BYOK 自付,或免费内置模型近零 | BYOK 或国产模型 / 集思近零 |
| 算力 | 托管 HPC(SSH)/ Modal,单卡→数百 GPU | Google Cloud 托管(含) | 并行 explore-exploit(云) | 自配云算力(Modal 等) | 本地 uv 为主,重任务自接集群 | 连自有 SSH Linux,自管弹性 |
| 搭建工程 | 最低 装完即用,60+ skill | 近零 平台即用(Science Skills) | N/A 研究系统未开放自建 | 装环境 + 自建 sandbox + 补校验 | clone + sidecar + skill 包 | clone + DeepAgents/LangGraph + SCP |
| 复刻垂直能力 | 已内建 BioNeMo + 库 | 已内建 AlphaFold / AlphaGenome | N/A ML / 系统研究通用 | 高 自接 Evo2/Boltz2/OpenFold3 | 高 skill 生态尚浅 | 高 SCP 广但深度浅 |
| 维护 / 可靠性 | 厂商负责,已有生产背书 | Google 托管;Nature 验证 | 研究阶段 未生产验证 | 自维护,极早期风险高 | 自维护,活跃 beta | 自维护,刚开源 / demo |
| 数据主权 | 数据本地,仅送分析上下文 | 云 数据上 Google | 云 | 完全自控 可全离线 | 完全自控 local-first | 完全自控 + 推理留域内(最强) |
锚点参考:GeneBench-Pro 单题人类专家 20-40h × $200/h ≈ 数千美元,AI 推理仅几美元——无论商业还是开源,agent 化本身对“专家小时成本”的替代都是数量级的。ROI 的真正分水岭不在要不要用 AI,而在自建 harness 的工程摊销。
但名义成本要打成功率折扣。独立数据佐证这个数量级:Sakana AI Scientist 生成一篇完整论文仅需 $6-15、约 3.5 小时人工介入。✔ 可是这要乘以“可用产出率”:结合 ScienceAgentBench ~1/3 的成功率,真实单位成本 ≈ 名义 token 成本 ÷ 成功率 + 校验人力。忽略成功率折扣会系统性高估 ROI。⚠
开源版摊得平的时候
- 数据主权是硬约束(受监管数据不能出域、必须离线 / 本地模型)
- 已在大规模 BYOK,token 成本远超一份订阅,自控计费更省
- 有工程团队能长期维护 harness、并自建 sandbox 与校验层
- 需要模型自由(混用多 provider / 本地权重 / 换代不改栈)
- 工作在通用计算科学,不依赖 BioNeMo 级生命科学垂直栈
商业版更划算的时候
- 要最快 time-to-value,没有工程冗余去自装配垂直能力
- 核心场景是生命科学 / 药物研发,BioNeMo + 精选库是刚需
- 信任层是采信前提(独立 Reviewer + 焊死 provenance 直接可用)
- 需要托管算力弹性伸缩,不想自管数百 GPU 的集群运维
- 团队规模小,工程人力比订阅费更贵
AI4S 的技术与产品演进
TRENDS同日两记重手——Anthropic 出 Claude Science(做科研的引擎)、OpenAI 出 GeneBench-Pro(量科研的尺子)——标志 AI4S 进入双轨验证阶段:一边搭集成环境,一边设评估标准。几条趋势线已清晰。
演进轨迹
Shift 01
从“回答问题”到“干活工具”
AI 在科研里的角色正从 answer engine 变成 workhorse。产品重心不再是模型本身,而是模型被编排进真实工作流的方式——harness / workflow 才是资产。
Shift 02
信任层成为一等公民
随着虚构引用、无法验证的数字混进论文,独立校验(Reviewer / integrity-auditor)、逐项授权、焊死的 provenance 从加分项变成准入项。谁在信任层投得多,谁的踩雷半径越小。
Shift 03
能力与信任的双轨基准
GeneBench-Pro 用合成数据 + 已知因果结构做确定性评分,测的是“科研品味”而非编程能力。评估与产品共同演进——尺子逼着引擎去闭合那道“推理循环”。
Shift 04
开放 vs 垂直整合的路线分野
model-agnostic 开源骨架赌 harness 可移植;垂直整合商业版赌“模型 + 领域深度 + 信任层”一体化护城河。两条路都还没分出胜负,近 70% 的高阶题仍无人能解。
全球格局:三巨头 + 开源国产路线
Anthropic
订阅开放 · 工作流优先
Claude Science 无内测限制,Pro/Max/Team/Enterprise 即用;并自做“被忽视疾病”的药物研发,资助最多 50 个 AI4S 项目(每项 ≤$30k,Modal ≤$2k 算力)。让尽可能多人先用起来。
OpenAI
企业准入 · 专有微调
GPT-Rosalind 走专有生物推理微调路线,仅限美国境内合格企业客户,需过资质与安全审查;诺和诺德、安进、Allen 拿到早期访问。标准最严。
双线下注 · 深度 + 校验
两款产品分占两轴:Co-Scientist(Gemini · 假设生成 · AlphaFold/AlphaGenome · 拜耳/第一三共)走生命科学深度;ScientistOne 把“可采信”做成产品本体(CoE 审计 · 0/337 幻觉引用)。学术领先(2024 诺奖),但 John Jumper 已离 DeepMind 加入 Anthropic。
上海 AI Lab
开源基础设施 · 国产模型 · 推理留本地
InternAgentS(OpenClaudeScience)+ SCP 科学协议(六学科 3600+ 工具)+ Intern-S1 科学多模态 + 书生全栈开源。不锁模型、不锁云,赌开放 / 可本地 / 可审计的基础设施价值——推理主权是云路线结构上给不了的。
值得记的信号:顶级人才在流动(Jumper → Anthropic),说明“独家专有模型”这条护城河正被“开放订阅 + 工作流整合”施压。产品形态上,Claude Science 与 Claude Code、Claude Cowork 并列——同一套“给专业人群配 AI 同事”的打法,正从软件工程复制到科学研究。而上海 AI Lab 的 InternAgentS + SCP 代表第四条路线:用开源、国产模型与推理本地化,把竞争从“谁的模型强”重划到“谁允许推理不出域”。
主线更新 · 从能力竞赛到完整性竞赛
2026 下半年最重要的转向:竞赛不再是“谁的 agent 更能干”,而是“谁的产出更可采信”。ScientistOne 的论文用 75 篇论文的审计给出铁证——每个基线系统都至少一处完整性失败,幻觉引用率高达 21%;生成与执行能力的增长,快过了验证与溯源机制。它的解法与本文一致:确定性审计,而非模型自律。这把“AI 科学家”从能力叙事,彻底改写成 完整性(integrity)叙事——也正是本文两条轴里“可采信”那条,被一个竞争对手用官方数字盖了章。而开源阵营的机会,就是把这套可采信搬进一个有主权、可 fork 的开源栈里。
明牌 · 回到标题:哪一个你敢署名
结论 · 六个里,只有一个能让你今天就敢署名
科研产出要署名、署名要负责,所以“敢不敢署名”就是“可采信”最狠的检验。用两条硬标准筛:① 产出前有独立校验(拦坏引用 / 无源数字 / 图码不一致);② 今天就能用在真实科研里(不是 demo)——六家逐个过:
· ScientistOne — 校验最强(0/337),但是研究系统、尚未生产,你今天用不上 → 出局(未来的答案)
· Co-Scientist — 验证只是特性,且只出上游假设、不端到端交付论文 → 半条腿
· ai4s-research — 开源里唯一有像样校验,但无 Linux、够不着 HPC、无生产背书 → 差一步
· synthetic-sciences(信任空)/ InternAgentS(产出校验待补)→ 不过线
· Claude Science — 独立 Reviewer 在结果浮现前拦坏引用 / 图码 + provenance 焊死,且已被 UCSF / Allen / 诺和诺德在真实科研里署名采用 → 同时满足两条,就是它。
所以标题那句“只有一个”的答案是:今天,只有 Claude Science 能让你敢署名;而 ScientistOne 用 0/337 标出了所有人都要去的方向。能力可以外包,信任必须自建——而信任今天唯一交付到生产的,是 Claude Science。这不是给 Anthropic 站台,是这两条标准筛出来的结果:换一条更弱的标准,答案就会变。
六方演进路线
ROADMAP六家一张图看落点(信任缺口 × 落地缺口),再分两类给演进:商业三家你只能预判走向,开源三家能 fork、才谈得上可执行的迭代 / 运营建议。一条贯穿始终的判据:科学家不会拿一篇论文去赌一个无法验证的产出——所以每家的第一优先级,都是往左下“真实可用 + 可信”那个目标区靠。
六方落点 · 信任缺口 × 落地缺口
商业三家 · 演进预判(只能预判走向,给不了迭代建议)
Claude Science
已在目标区,下一步:出舒适区
软肋 锁 Claude、生命科学深但他科浅、闭源难自建。走向 横向扩科(材料 / 物理)+ 把独立 Reviewer 做成可插拔标准,守住“可采信 + 生产”的先发身位。
Co-Scientist
补端到端 + 校验深度
软肋 只做上游假设、不端到端出论文;验证是特性非本体。走向 把 AlphaEvolve / ERA 串成端到端,并把“可点击引用”升级为审计级校验,才够得着“敢署名”。
ScientistOne
从研究系统走向可用
软肋 校验最强(0/337)但是研究系统、还没生产。走向 产品化 + 接真实机构管线,把“落地缺口”补上——它一旦可用,就是 Claude Science 最直接的威胁。
开源三家 · 可执行路线(迭代 / 运营 / 别做)
| 模块 | synthetic-sciences能力最宽,信任最空 · 先补信任层 | ai4s-research信任最实,够不着算力 · 先落地 Linux | InternAgentS主权最强,产出校验待补 · 补校验层 |
|---|---|---|---|
| 迭代优先级 | ① 先做 sandbox + 独立校验(生死线),其余让路——没有信任层的 250 skill = 250 个不可采信产出 ② provenance 焊死为“构造即保证” ③ 250 skill → 5-10 个“经同行验证”的深度包 ④ 每学科 opinionated recipe + 一键默认,压 time-to-value |
① 先出 Linux + headless/SSH——最大硬伤,真实算力活在 Linux 集群 ② Slurm-over-SSH + 云 burst,破本地 uv 天花板 ③ 深耕 2-3 学科(生信 / 化学信息) ④ grant-ready 复现包一键导出(Docker + provenance) |
① 补产出级独立校验层(引用 / 图码)——有三档授权但无产出 verification ② Linux + HPC/Slurm 一等公民 ③ 把 SCP 做成标准(“科学界的 MCP”) ④ 用 Intern-S1 打穿 1-2 旗舰学科,拿真论文替 demo |
| 运营 | 卖“可审计 / 可复现”而非 skill 数;招 3-5 个 academic design partner 出真 case study;Atlas 做 freemium(个人 / 学生免费,机构付费) | 独占“可复现 / 严谨”定位(唯一有真 verification 故事的开源版);接期刊 / funder 可复现徽章;学生 / 课程自底向上渗透 | 国家基础设施式 GTM:高校 / 国产化 mandate / 涉密相邻(CS 结构上进不来的市场);围绕 SCP 社区共建;合著真论文建可信度 |
| 别做 | 别把 star / skill-count 当虚荣指标;补上 sandbox 前别推增长——科研一次数据泄露就是致命的 | 别去比 skill 宽度、别去比主权;把 Linux + 复现钉死就够立住 | 别正面比 BioNeMo 生命科学深度(依赖美国模型是输的游戏);别让 SCP 3600 工具变成没质控的堆料场 |
收敛 · 三家的共同必答题
| 产品 | 学术缺口(信任) | 经济优势(保住) | 第一优先级 |
|---|---|---|---|
| synthetic-sciences | sandbox + 独立校验(空白) | BYOK 免费 + 可扩展 | 先可信,再宽 |
| ai4s-research | Linux / HPC 适配(够不着算力) | 免费内置模型 + 桌面易用 | 先落地(Linux),再深 |
| InternAgentS | 独立校验(有授权无验证) | 推理留本地 + 国产近零成本 | 补校验 + 用 SCP 立标准 |
一句话
三家谁先在“开源 / 低成本”基础上补上独立验证这一环,谁就最先跨过科学家“能不能拿去发论文”的采纳门槛——因为对科学家,可采信性不是功能,是前提。
科学家的角色定位与现实价值
DISCUSSION当 AI 能像研二学生一样把中间环节跑完,科学家的价值不会消失,而是上移——从“执行者”变成“方向的设定者与结果的裁决者”。GeneBench-Pro 那道近 70% 的缺口,画出的正是人类价值今天聚集的地方。
“AI 更像需要老练飞行员驾驶的副驾驶。在解读监管指南、设计实验这类需要精细判断的环节,它仍会幻觉或漏细节——而在药物研发里,这类错误是要命的。”
Jared Auclair,东北大学
交给 AI
可外包的执行层
文献抓取清洗、跑数据、聚类、出图、写初稿、跨库检索、自装依赖、修图表——这些“跟代码和数据打交道”的中间环节,AI 已能以数量级更低的成本闭环。
留给人
不可外包的判断层
选什么问题、定义目标估计量(estimand)、在混乱数据里读出因果结构、判断初始计划何时该推翻、解读监管语境、并对每一个被采信的结论负责——这是“闭合推理循环”的最后一公里。
新的分工:从操作台到指挥台
使用 Claude Science 更像“在管一个项目”,而不是“对着聊天框提问”。科学家的角色随之从操作台上的执行者转为指挥台上的项目负责人:定方向、切任务、审子代理产出、为可复现性和严谨性把关。工具越强,科研品味(taste)、判断力、和对结果负责的能力就越是稀缺资产。
现实价值也随之重估:AI 抹平的是“会不会写代码 / 会不会跑分析”这层技能差,凸显的是“会不会提对问题 / 会不会判断结果可不可信”这层判断差。在可采信性直接决定成败的科研里,人的签字权,就是最后的价值锚。
科学素养的重新定价
别把“科学素养”当一整块去问“未来还值不值钱”——那一定得到平庸答案。它至少是五层,每层的价值曲线走向完全不同:
四个不那么让人舒服、但更有用的判断(每条标注实证 / 逻辑状态)
校验悖论 —— 价值上升,但有一个前提条件 ⚠
逻辑上,AI 干得越多,人剩下的活越是“验证 AI 的产出”;而验证一个 claim 往往比生成它需要更深的素养,不是更浅——要抓出“看起来无懈可击却错了”的结果,你得比自己从头做对它更懂。但这是规范性期望,不是自动发生的事实。自动化研究的核心发现恰恰相反:自动化自满(automation complacency)叠加 AI 系统性的自信,会让团队自信地收敛到本应保持不确定的结论上——人类系统性地少校验而非多校验。所以完整命题应是条件式:只有当科学素养被主动训练成对抗 automation bias 的能力时,它的价值才会收敛并集中到校验功能上。否则,校验悖论只是一句安慰。
萎缩悖论 —— 制造需求的工具,同时在掐断供给 ✔
判断力是怎么长出来的?是你亲手清洗过几千个脏数据集,才学会数据什么时候“味道不对”。当 AI 把 grunt work 全接走,产出资深判断的那条学徒链就断了。这不是推测,有直接实证:Beane 对 18 家顶级教学医院机器人手术的研究发现,受训者的实操练习少了 10-20 倍,拿到机器人执照却在毕业时缺关键手术技能——因为机器人系统让专家可以独自操作、受训者变成了可选项。于是价值分叉:对已拥有素养的人急剧升值(被 agent 放大成指挥官),但它的形成变得更难、更稀有。这是“判断不可替代所以科学家安全”这个安慰叙事里,被系统性回避的另一半——代际断裂风险。
杠铃分布 —— 中位数被挤空(这是一个类比,需限定)⊢
“研二学生”这个天花板意味着:低于 research taste 的活被替代,高于它的活被放大。这条借自劳动经济学的极化理论(Autor 等的 Routine-Biased Technological Change):技术自动化替代例行中等技能岗位,同时对高、低技能非例行岗位需求上升,形成 U 形“掏空中间”。但要诚实标注为类比——极化的原始机制是“例行任务可编码性”,而 AI 现在打的是非例行认知任务,机制不同;更麻烦的是已有文献指出今天的技术变革也在替代高技能岗位,这直接动摇“顶部被放大”的假设。所以杠铃分布对科研是否成立,是开放的经验问题,不是已确立的结论。方向上素养可能同时更民主化(研究生 + 工具干过去一个实验室的活)又更精英化(卓越的溢价涨了),但幅度待验。
单一化悖论 —— 信任层之外的第二类风险 ✔
前三条谈的是个体层。还有一个宏观风险,是页面早先只谈“单点幻觉”时漏掉的:Messeri & Crockett(Nature 2024)指出 AI 会制造“理解的幻觉”——让科学家以为自己比实际更懂,并遮蔽科学共同体察觉“科学单一化(monoculture)”的能力,使科学更不创新、更易错。叠加 Shumailov 等的 model collapse(用递归 AI 生成数据训练时,输出分布向统计中心坍缩,丢失新颖而正确的少数派信息所在的尾部)——两者从反面强化了下面的“前沿 / 边缘”论点:模型天然向分布中心塌陷,人的不可替代价值就在尾部。这是信任层(防单点幻觉)的宏观对偶:防的是整个共同体的认知坍缩。
结论:科学素养正从“存量”变成“速率”
过去它是你毕生累积的一堆知识(stock);未来具体知识的半衰期在缩短,真正计价的是在不确定下快速评估、整合、改向的元能力(rate)。它的价值会集中到三个边界——在走熟的内部方法区间,人会被做便宜;在这三处边界上,反而比现在更贵:
前沿
没有训练分布的新范式,模型的品味学不来。
分布边缘
跨域迁移、反直觉信号——恰是模型最薄的地方。
校验 / 治理
为可采信性签字的那道闸,责任与判断在此合流。
所以对“未来还值不值钱”的诚实回答不是“值,因为判断不可替代”——而是:值,但它在重新定价和重新分配。它上移到校验与治理层、集中到前沿与边缘、而且它的形成本身成了新的稀缺品。赢家是主动把自己从执行者训练成 epistemic pipeline 设计者的人;输家是把素养等同于技能、以为守着执行层就安全的人。
一句话结论
科研 agent 的竞争,本质是能力宽度与信任强度的权衡:capability 可以外包给任意模型,trust 必须由确定性的校验与授权兜底。开源版在通用计算科学上已逼近平替、在受监管生命科学上仍有代差;而无论哪条路线,真正稀缺的都不再是执行力,而是科学家闭合推理循环、并为结论签字的那份判断。