AI Coding之后，大模型下一个重点比拼的是什么？

过去十八个月，AI编程领域经历了一场堪称狂飙的进化。大模型写代码的可用率从不足5%一路蹿升至超过88%。在MirrorCode等权威排行榜上，头部模型以64%的绝对成功率反复登顶，后来者的分数甚至只有它的三分之一。代码生成、测试、优化的飞轮越转越快，据AI投研平台Funda测算，未来12个月，OpenAI与Anthropic合计年化收入有望达到约1200亿美元，AI Coding正是其中重要的增长引擎。赛道看似烈火烹油，但一个微妙的变化正在发生——大量基准测试已经被所有主流模型“刷爆”。榜单正在失去区分度，增量空间肉眼可见地收窄。

与此同时，另一个战场冷得出奇。上海AI实验室联合100位科学家自建的科研流程测评中，最前沿的大模型得分不超过50分。在NatureBench涵盖的90项顶级真实科研任务中，最优智能体能超越原始论文成果的比例仅为17.8%。更刺眼的是另一组数据：过去18个月，最好的大模型在端到端科学研究发现上的完成率停留在3%，几乎纹丝不动。一边是88%对3%的悬殊对比，一边是“刷爆”对“纹丝不动”的冷热反差。上海人工智能实验室(浦江实验室)首席科学家周伯文用一句话点破了这个局面——“Research将是下一个Coding”。大模型竞争的重心，正在从代码向科研转移。

代码为什么先跑通了

要理解这场转移为何发生，先得搞清楚代码为什么成了大模型最早兑现价值的领域。答案藏在一个关键词里：反馈。代码天然拥有编译、测试和运行结果这套完整的“验证器”——模型每生成一段代码，都能迅速知道对错。编译不过？改。测试失败？改。几秒钟就能完成一轮“假设-验证-修正”的闭环。这种秒级证伪的能力，让大模型在编程领域获得了近乎完美的训练信号。

科研则完全是另一回事。周伯文拆解了三个结构性的障碍。第一，大模型只能被动观察世界，学到的是相关性而非因果性——它能总结出海量论文中的模式，却无法理解背后“为什么”。第二，越难的问题反馈越少——编程可以秒级验证对错，而一个科学假设从提出到实验验证往往需要数月甚至数年，失败是常态。第三，人类发表的科研成果几乎全是成功数据，没有失败数据——模型被锁死在旧的知识分布里，只会模仿，无法长出真正的新能力。NatureBench等评测进一步印证了这一点：即便给模型提供所有参考文献和数据，最好的模型也无法复现一篇Nature级别的论文成果。

科研为什么是下一站

那为什么偏偏是科研，而不是其他领域？答案在于科研场景本身具备了接棒代码的底层条件。

从商业逻辑看，科研是一个比编程更庞大的市场。欧盟委员会数据显示，2024年全球研发投入最高的2000家公司合计投入约1.446万亿欧元。生命科学、新材料、化工和能源等行业每年在研发上烧掉巨额资金，但大量资源至今仍消耗在低效试错和重复实验中。如果AI能将科研效率哪怕提升几个百分点，创造的价值都将是天文数字。

从技术路径看，科研正在复刻代码的轨迹。代码的“验证器”是编译器，科研的“验证器”正在变成真实实验。“设计—制造—测试—分析”的DMTA闭环，正在成为科学领域的“编译器”——它让每一个模型假设接受真实实验检验，并将结果重新反馈给下一轮预测。当AI能够进入实验室、操作机械臂、完成“干湿闭环”的自主科研时，它就不再只是一个在数字世界里提出猜想的大脑，而是一个能够在物理世界中验证猜想的完整研究主体。

信号已经出现了

这场转移不是遥望，而是正在发生。

8月初，OpenAI披露其测试模型已解决或推动解决10道长期未解的数学问题，横跨高维几何、编码理论、群论等多个领域。DeepMind的AlphaProof Nexus则成功解决了9个长期未解的Erdős开放问题，其中最早一题已困扰学界56年。这些突破的共同点在于：AI不再只是“算得更快”，而是开始“想得更远”——提出猜想、尝试不同路径、分析失败、总结结论，再据此不断调整方向。

在更广阔的科研场景中，基础设施正在加速铺开。中国科学院推出的磐石·科学基础大模型2.0汇聚了800万条高质量科学推理数据，覆盖200多个科研任务。上海AI实验室的“书生·端砚”平台打通了从假设提出到实验验证的完整科研流程。Anthropic发布了科研智能体工作台Claude Science，字节跳动启动了Seed STEM科学家计划。晶泰科技(02228.HK)发布了面向科学研发场景的开放智能研发平台。头部公司正在从“拼模型参数”转向“卡科研生态”。正如业内多家机构研判的那样，未来AI产业的核心机会将围绕大模型、智能体、物理AI和AI4S(科学智能)展开。

比胜负更重要的是什么

当然，从代码到科研的跨越远非一帆风顺。现有评测尚未真正测试AI“发现新方法”的能力——卷积、残差连接、Attention这些真正推动机器学习进步的基础性创新，靠的不是在固定榜单上刷分。加州大学伯克利分校等研究团队联合提出的MLS-Bench评测显示，即便让前沿模型获得人类最强方法的完整实现并允许多轮实验，它们所提出的方法在整体表现上仍未超过人类。模型主要擅长调优和已有方法重组，真正新的方法机制依然少见。

但这恰恰说明了这场竞赛的深层意义。周伯文提出了一个耐人寻味的区分：AI for Science的终极目标不应是“工具的革命”——做一个更好用的工具——而应是“革命的工具”——能够发现新范式、帮助人类突破认知局限。他设想，如果将今天的AI置于1905年，在学习了黎曼几何与狭义相对论后，它或许能自行推导出广义相对论。这才是科研作为“下一个Coding”的真正含义——它不是在重复已知，而是在探索未知。

代码能力让AI学会了“怎么做”，科研能力则要教会AI“做什么”和“为什么做”。当大模型从编译器走向实验室，从秒级反馈走向漫长试错，从复现论文走向提出假设，它所面临的考验已经超越了工程效率的范畴，进入了科学认知的深水区。这场竞赛的终点，不是谁能写出更好的代码，而是谁能率先触达那个“科学元认知时刻”——让AI知道自己不知道什么。