一个给科研用的工作台开始内测
9 月 16 日，无界进化开放了 Karl Workbench 的内测。
它是一款面向科研的AI智能体工作台。研究意图和科学假说，数据与文献，还有分析工具和研究证据，都被放进同一个工作空间。任务怎么执行的，每一步都记下来。可以复现的产物也一样留存。
内测开放之前，它先跑了一轮外部评测。这套基准由耶鲁大学与哈佛大学等机构联合发布。Broad 研究所和斯坦福大学也在参与名单里。它测的是科研场景下的任务执行能力。
单细胞组学这一项，它综合得分 0.86。同场参评的有 Hermes、Codex 和 Claude Code 这些系统。它排第一。人类专家参考解是 0.80。
空间组学这一项，它得分 0.70。这个分数与人类专家参考解持平，也是所有参评系统里最高的。
难的不是让 AI 写代码
科研里的AI编程只是其中一环。真实的组学研究还要求读数据，控质量，选方法，跑代码，整理证据。任何一环断了，结论就不成立。
想省事也有代价。只丢一句话提示词进去，拿回来的常常是一段看着漂亮、实际跑不通的代码。
评测方式也照着这个思路设计。它不出单轮问答题。输入的是接近真实研究流程的复杂任务。评判以人类专家为参考，对预处理、方法选择和分析执行这些环节逐项核验。
复测里有个细节值得看。这个工作台在单细胞组学评测中的数据分析通过率是 1.00。方法选择得分 0.72。
到了空间组学，它的数据分析通过率同样是 1.00。它也是同场唯一走完全部预处理步骤的系统。
同场对比更能说明问题。这次复测里，它和 Hermes 用的是同一个基础模型。另外两个系统各用各的。
基础模型相同，结果却拉开了差距。条件其实一样。差别在架构上。基础模型给的是通用能力。上下文怎么组织，工具怎么调用，过程怎么验证。这些细节决定了一个智能体能不能稳定跑通科研流程。
把上一轮的弯路留下来
基础模型写代码很快。总结文献也快。可一碰上高维、高噪声的生物数据，就容易漏步骤，断逻辑，甚至编造。
还有一件事更麻烦。单次调用的模型记不住前面试过什么，也记不住错在哪。同一个坑，后面还会再踩。
这个工作台的做法，是把科学发现本身做成一个能复利的流程。它背后的框架叫递归科学发现，英文缩写 RSD。
学界有个概念叫递归自我改进，说的是让模型优化自己。这个框架关心的不是模型，是科学发现的过程如何从自己的历史里学习。
上一轮的结论和证据，走过的弯路，方法适用的边界，都会被存成结构化的研究状态。下一轮的假说空间和验证策略，直接受它约束。
这套思路落成了五层能力，一层压一层。
记录层保存任务的输入和数据版本。代码与参数也不落下。整条链路都能回溯。
积累层记下失败路径，也记下被证伪的假说。错误变成了约束条件。
产物层把关键结果封成独立、可引用的研究产物。底层数据和证据链一并挂上去。
监督层内置审查，检验分析逻辑和置信度。宁可多花时间核验一遍步骤，也不要把没验过的结论写进论文。人类科学家的决策权始终留在最上面。
进化层看的是长期表现。哪些路径走通了，哪些能力卡住了，都用来改进后面的任务规划。
这五层不是五个独立功能。记录让历史可以积累。产物把历史带进下一个任务。监督保证结果可检查。进化再按实际表现调整系统行为。
假说也能当资产调来调去
这个工作台属于无界进化旗下的科学发现平台。平台叫 The Popper Project。
两个名字都在致敬科学哲学家卡尔·波普尔。他有个观点，科学假说必须接受证据检验，在持续的证伪中往前走。
在工作台里，每个研究问题都是独立沙盒。科研人员定义目标和数据范围之后，系统会建一份专属的任务上下文。
任务做完，系统不只给结论，还会生成可复现的脚本。这段分析可以带到别的计算环境重新跑一遍，也可以存进私有存储里。
更值得注意的是，科学假说本身第一次被当成了可管理的研究资产。
过去假说只活在论文里，或者科学家的脑子里。现在可以把平台上的假说直接拉进新任务，配上自己的数据去做验证。研究流程因此闭成了一个环。
假说加上研究目标，再加上数据，先生成分析代码，再提取出证据，最后回头更新假说。
假说从论文和笔记里的线索，变成了可以调用和检验的研究对象。
预测和执行拼成一台引擎
无界进化此前发布过一个虚拟细胞大模型，叫 OCOO-T。它在三类公开扰动基准上都拿到了最高水平。
它和这个工作台构成了整套技术体系的两台引擎。一个负责底座预测，为机制研究提供计算依据。一个负责任务执行，把假说接到真实的数据分析和证据沉淀上。
按团队的设想，未来的生物医药研发会围着科研人员的判断转。AI工具承担的是大规模的底层预测、流程执行和知识积累。研究团队可以在更大的假设空间里筛选，把验证资源留给更有价值的方向。
虚拟细胞模型、科研智能体和自动化实验平台进一步对接之后，一条闭环正在成形。它从假说开始，经过实验，再回到认知更新。
这次内测开放，也说明 AI for Science 正在离开单点辅助工具的阶段。
