14 条判断,每条写明结论、置信度、正反证据,以及什么事实会推翻它。改了就记一笔:哪个月、从什么改成什么、为什么。
四级台阶各走到哪,以及排序背后的主轴
RSI 最先在代码上发生、AI4S 最先在蛋白质与材料计算上成熟,都符合「验证器越便宜越早」。反例目前没有出现,但样本仍少。
盯住:某个验证很贵的领域(如药物临床、真机操作)在没有新验证手段的情况下,进展速度反超验证便宜的领域。
测试与编译器让编程的验证几乎免费,所以它最先被接手:头部实验室称合入的代码九成以上由模型写成。但「写得出」不等于「省时间」,独立实验里资深开发者用 AI 反而变慢。
盯住:第三方对照实验测出 AI 让资深开发者的交付速度稳定提升,并被多家复现——置信度升为「高」。
办公任务大多没有测试可跑:GDPval 上前沿模型对行业专家的胜率接近一半,但自动评分与专家评分的一致率只有约 66%——验证本身还贵,所以它落后于编程。
盯住:出现与专家评分一致率超过 90% 的自动评审,并被用来规模化训练办公智能体——会提前。
预测与设计两层已经可用,蛋白质方向有湿实验验证;但真正的硬终点(临床、第三方复现)目前只有零星几例,这一判断靠的是趋势,不是结果。
盯住:自动实验室把合成与表征的周期从几周压到几天,并有第三方复现——会提前。
证据主要在能力矩阵:四条技术路线都有演示,少有跨场景的实测。2026 年秋,世界动作模型与 VLA 给出了真机上少样本学新任务的成功率,通用大模型也能在模拟器里直接控制机器人,但真机数字都是厂商自报、还没有第三方复现。物理世界只有真机能验证,又慢又贵,所以它仍在阶梯的最后一级。
盯住:世界模型生成的仿真数据训练出的机器人策略,在没见过的真实场景里稳定泛化,且有第三方复现。
每个阶段在不在发生
只改经验、不改权重的方法已进产品,门槛从「能不能」转成「经验会不会越积越乱」。
盯住:长期运行中记忆污染导致的退化被系统性测出,主流产品回退跨会话记忆。
改写脚手架有扎实的基准数字,但生产中是否常态化,外界看不到。
盯住:有实验室公开:生产环境里的智能体脚手架主要由智能体自己迭代——会升为「已规模化」。
工程层已大面积自动化,研究判断层没有;关键数字全是实验室自测,没有第三方复核。
盯住:METR、Epoch 等第三方独立测出 AI 对前沿模型研发周期的加速倍数——置信度会升。
没有公开证据表明它已发生,这一格目前只有实验室的目标与时间表。
盯住:有实验室公开承认某个已部署模型主要由上一代模型自主研发并训练。
AI 在各学科的科研闭环里走到哪一环
预测已是基础设施,并经过 CASP 盲测这样的独立检验;设计有作者自己的湿实验验证,还没有闭环系统。
盯住:出现由 AI 决定下一轮设计、机器人执行表达与测定的蛋白质闭环系统——升到 L3。
AI 在药物里的角色到「设计」为止(靶点与分子);检验走得最远:一例已进入三期临床,结果要等到 2027 年以后。
盯住:Rentosertib 三期读出失败——角色仍是 L2,但本方向的置信度会降。
有了第一个公开统一评测,但模型在没见过的细胞类型上是否还准,是最大的问号。
盯住:虚拟细胞模型的预测被用来指导一轮扰动实验,并在未见过的细胞类型上被实验证实——升到 L3。
自动实验室已经在闭环跑,但标志性案例 A-Lab 的「新材料」结论被更正,闭环本身的可信度仍在被检验。
盯住:自动实验室发现的材料被第三方复现并确认新颖——检验升到「独立检验」,置信度会升。
完整科研循环已有演示,但实验仍靠人或半自动完成;收录的发现还没有经过第三方复现。
盯住:AI 科学家独立提出的发现被第三方复现——检验升到「独立检验」。