实测前沿 AI 智能体：能搞定工程代码，但做不了开放式科研
Peter Kirgis · hf · 2026-07-30
当前 AI 智能体能否胜任开放式的 AI 研究？本文提出了一种名为“影子评估（Shadow Evaluations）”的测试框架来寻找答案。
研究者让前沿 AI 智能体接手两篇高质量未发表论文的核心开放性问题，并为它们提供 6 天时间以及数千美元的算力。实验结果表明，智能体能够在无人类干预下完成所有工程代码编写，但在实质性解答研究问题方面未能取得突破，最终被原作者明确“拒稿”。
研究总结了智能体在科研中的 5 种典型失败模式：
- 对可发表研究的门槛缺乏判断力
- 面对研究设计缺陷时缺乏创造力
- 难以从死胡同中有效回溯
- 资源（算力/时间）感知能力差
- 指令漂移（偏离核心目标）
结论是：目前的智能体已能胜任 AI 研究中的“工程”部分，但在科研生命周期的关键环节仍力不从心。
「编程与Agent」频道最新
- 仅靠提示词，开发者用 Opus 零代码生成 3D 赛博朋克网页 — Dull_Film_2675 · 2026-07-30
- 给AI编程助手加戏：将工具调用变成拨号上网音效 — enjalot · 2026-07-30
- 开源自主无人机 Langostino：结合 ROS2 与强化学习 — tom_doerr · 2026-07-30
- 开发者吐槽：多智能体协作的尽头是陷入权限地狱 — edgarpavlovsky · 2026-07-30
- 开源实战：几分钟训练超向量编码器，实现 XOR 查询 — CShorten30 · 2026-07-30
- 腾讯混元AI智能体破解50年数学难题 — teortaxesTex · 2026-07-30