上海AI实验室发布“书生·端砚” 补齐AI科研闭环
AI编程已成熟，但科研因缺乏真实反馈而进展缓慢；新平台通过干湿实验闭环，试图打破这一瓶颈。
AI在编程任务上成功率已达88%，但科研任务仅3%，核心差距在于缺乏真实物理世界的反馈和失败数据。上海AI实验室发布“书生·端砚”平台，通过“读-算-做”闭环——AI推演、仿真筛选、自动化实验验证、数据回流——让模型能从真实实验中学习和迭代，解决验证滞后、经验流失两大瓶颈。
正文摘录
 新智元报道  一名顶尖实验室的材料研究员，最无力的瞬间，从来不是想不出创新思路，而是 AI 一天推演上百种新配方，人工实验一年测不完； 最可惜的损耗，不是实验本身的失败，而是随着项目结束、人员更迭导致数据、经验、参数未能有效存留，让下次的研究需要重复起步、反复试错。 这并非是科研人员的个人难题，某种程度上折射出当前 AI for Science (AI4S) 赛道中一个值得关注的结构性矛盾。 当下，人工智能的迭代速度加快，模型参数不断扩容、智能体运行能力稳步提升，曾经按月交付的软件任务，如今以天、甚至小时为单位在快速落地。 行业普遍形成一种共识：沿着现有技术路径持续优化迭代，AI 的通用能力将保持稳步进阶。 但一组真实的行业对比数据，也提示我们对 AI 全能进化的认知要回归理性。  过去十八个月，AI Coding (AI 编程) 领域暴热，任务成功率从不足 5% 飙升至 88%，代码生成、自测迭代的闭环已经跑通，赛道增量空间逐步收窄。  反观核心的原创科学研究领域，技术迭代节奏相对平缓。