AI科研：试错比“聪明”更重要

AI也能像达尔文、爱因斯坦一样搞科研了。

清北斯坦福团队发布SimpleTES框架，通过放大“试错-反馈-进化”机制，使AI在21个科学难题上超越人类和闭源模型。这表明AI科研的关键在于系统化地放大“试错”过程，而非单纯追求模型“脑子大”。

夯爆了清北斯坦福联手SimpleTES横扫21个科学难题

SimpleTES：AI驱动科学发现的新范式

过去一年，AI领域普遍认为通过增加模型参数、延长推理时间、深化链路等方式，能让模型更智能，从而实现科学发现。然而，这种侧重模型“脑力”的传统路径，忽略了科研工作流中“试错—反馈—进化”的关键环节。

SimpleTES框架提出，AI科研的真正突破不在于模型更“聪明”，而在于系统性地放大“试错”过程。该框架通过优化“生成候选解—评估反馈—持续改进”的闭环，显著提升了科学发现的效率。

SimpleTES由宽德智能学习实验室（Will）、斯坦福大学、北京大学、清华大学和香港科技大学（广州）的研究团队共同提出。目前，基于SimpleTES的试用平台已在Will官网开放申请，代码也已开源。

SimpleTES将科研试错过程拆解为三个可调度的核心维度：并行探索宽度（C）、迭代精修深度（L）和局部候选数量（K）。这三个维度共同决定了评估器调用的总次数N = C × L × K。

SimpleTES在涵盖六个领域的21个科学问题上，发现了当前最先进的解决方案，持续超越了前沿闭源模型基线和精心调优的优化流程。这些成果很多并非依赖昂贵的闭源模型，而是通过高效组织试错、评估和迭代链路实现。

SimpleTES的出现促使人们重新审视AI科研的路线图，将“评估侧计算”（试错循环的深度和广度）与“生成侧计算”（模型参数、推理长度）并列为可持续投入和收获的扩展轴线。这种通用性方法论在多个科学领域均取得了显著成果。

SimpleTES的能力受限于评估器的效率和准确性，在评估昂贵或主观的领域会面临挑战。此外，当前三维参数仍需手动调整，未来理想状态是系统能动态调整资源分配。Will实验室将致力于让试错过程更智能，从蛮力搜索进化为具备理解、判断和探索能力的系统。

Will实验室：AI for Science的长期主义者

实验室背景与目标

Will（Wizard Intelligence Learning Lab，宽德智能学习实验室）是由顶级量化私募宽德投资孵化的独立AI实验室。Will的目标是实现超级科技助手（ASI for Sci-Tech），构建能辅助甚至驱动科学发现和技术创新的AI系统，而非通用聊天机器人或消费级产品。

全栈式投入与发展策略

Will实验室采取“全栈式”投入策略，并行推进自研基座大模型、面向科学研究的方法论探索以及评估驱动的科学发现引擎。他们从预训练阶段开始构建面向科研场景的底层能力，致力于打造为科学发现深度定制的AI基础设施。

团队与理念

Will汇聚了来自斯坦福、北大、清华、港科大等顶尖机构的AI人才，秉持“Good Will Hunter，AI向善”的理念，致力于服务科研探索、技术创新与知识生产。他们将“让AI学会做科研”视为长期战役，追求技术复利与持续性领先。

行业影响力

宽德作为赞助商参与了ICLR 2026，这表明这家量化金融机构正以深度和长线投入介入前沿AI基础研究。SimpleTES是Will实验室在AI for Science领域迈出的第一步，预示着未来可能带来更快速、更猛烈的故事。