深度原理 AI 科学家平台 Mira 登顶多项评测，落地锂电与工业冷却液场景
AI 科研智能体进入产品落地验证期，Mira 凭全流程闭环、低成本高得分和工业场景实践，展示了一条从基准测试到真实研发的可行路径。
2026 年被视为 AI4S（AI for Science，用 AI 驱动科学研究）的智能体元年，但概念火热不等于落地容易。深度原理推出的 AI 科学家平台 Mira 在化学、能源、材料三项基准测试中综合排名第一，平均单项任务成本仅 0.67 美元，并已在锂电、工业冷却液等真实研发管线中完成多轮验证。其核心竞争力来自全链路闭环架构：多智能体协作模拟科研团队，动态分级计算节省算力，长任务执行保障数天模拟稳定运行，分层记忆让经验沉淀为团队资产。
正文摘录
AI4S 智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地 - 来源：机器之心 .25.54.png) 2026 年被业内普遍视作 AI4S（AI for Science，即 AI 驱动的科学研究）的「智能体元年」。 短短半年时间里，这条赛道已经完成了从「技术概念」到「产品密集发布」的跃迁：全球 AI4S 领域年度融资规模突破 44 亿美元，从大模型巨头到垂直科技公司，科研智能体产品接连发布 —— Anthropic 推出 Claude Science 科研工作台，Google DeepMind 连发两篇相关 Nature 论文并发布 AI Co-Scientist，垂直创业公司也在药物研发、新材料等赛道快速跟进。 政策与产业端的同步加码，进一步推高了行业热度。中国把「人工智能 + 科学技术」列为「人工智能 +」行动头号重点，美国推出「创世纪使命」国家级科研计划，欧盟发布科学 AI 专项战略，英伟达也将其与大语言模型、具身智能共同列为 AI 领域三大核心方向。 这一轮浪潮最核心的变化，是 AI 在科研中的角色正在从「辅助检索与计算的工具」，向「可自主推进任务的科研参与者」演进。 但概念的火热难以掩盖落地端的现实落差。随着各类科研智能体产品密集面世，行业的关注重心已从技术先进性，转向了产品能否融入真实研发流程，创造实际价值。 什么样的科研智能体，才能真正跑通产业落地？ 过去很多科研 AI 的定位是「答题工具」，科研人员给出明确问题，AI 返回对应答案。