紫东太初发布AutoProject：推动AI4S从执行Task迈向承接完整科研Project

事件概述

随着AI for Science (AI4S) 的发展，行业正面临从“工具级”向“系统级”转型的分水岭。过去，AI主要作为辅助工具完成文献检索、数据分析等独立任务（Task），但真实科研往往涉及从模糊构想开始、包含多依赖任务且需动态调整的完整项目（Project）。中科紫东太初旗下科研原生智能体 ScienceClaw 近期完成关键升级，推出 AutoProject 项目级自主科研引擎，致力于让AI真正承接完整的科研项目，实现从“人定义Task、AI执行”到“人提出目标、AI规划路径”的范式转变。

核心信息：AutoProject的三层架构

AutoProject并非简单延长任务链路，而是围绕项目规划、长程执行和证据验证构建了一套完整的项目级自主科研能力体系：

1. Project2Task：项目级规划

   • 功能：面对模糊的科研目标，综合研究目标、文献证据、资源约束与任务依赖，自主确定研究路径。系统可识别并行与串行环节，挖掘跨任务复用的数据与模型资产，并支持横向/纵向拆分等多种拓扑结构，生成可执行、可迭代的项目任务网络。
   • 价值：承担科研项目的顶层规划，将宏观目标转化为具体可执行的任务流。

2. TaskExecutor：长程自主执行

   • 功能：打破传统单次调用的线性模式，提供面向科研场景的长程自主执行能力。系统全局监控项目状态，持续捕获实验反馈，自动排查异常、修正假设与参数。当任务失败时，可回溯评估、重构任务网络并自主重跑实验。
   • 价值：适应科研非线性迭代特性，无需人工高频介入，确保持续推进项目直至得出结论。

3. EviGraph：证据驱动验证

   • 功能：自研的证据图谱体系，搭建全链路、跨子任务的可核验、可回溯、可修复闭环。校验范围涵盖假设与目标的匹配度、实验对假设的支持度及各子任务数据的相互印证。一旦检出逻辑偏差或数据冲突，系统沿证据链定位根因并自主修复。
   • 性能表现：在 ARCBenchML 评测中，EviGraph综合得分 0.865（最优基线为0.596）。其中，代表结论贴合事实的Result Analysis指标由0.442提升至0.794；可追溯证据的Claim Support Rate达0.38（较基线提升40.74%）；实验数据一致性EDC为0.88。

值得关注：技术底座与人机协作

• 多模态大模型基础：ScienceClaw依托中科紫东太初的多模态大模型技术（如紫东太初4.0），具备文本、图像、语音及科学公式的统一理解与推理能力，能够处理论文中的异构信息（图表、曲线、代码等），这是其成为科研智能体大脑的关键。
• 多智能体协同架构：系统采用分层自治、多智能体动态协同架构，根据领域需求调度学科、代码、搜索、仿真等专业Agent，形成可动态组网的科研智能体集群，覆盖生命科学、材料、化学、物理等领域。
• 人机双向配合：AutoProject强调“自主科研不等于无人科研”。科研人员可在项目中随时介入，对AI输出的路径、假设及中间数据进行鉴赏评判与纠偏，注入人类领域直觉，实现人机协作共同完成科学探索。
• 资产沉淀：项目过程中产生的数据、代码、模型、实验记录和研究方法将沉淀为可复用的科研资产，进一步提升后续研究效率。

这一升级表明，AI4S的竞争重心已从单点模型性能转向端到端系统综合能力，ScienceClaw正推动AI从“分析科研信息”走向“执行完整科研Project”。