夜雨聆风点击蓝字 关注我们
Science & Technology
当大多数人还在讨论：AI能不能写论文、做实验、替代科研人员时，
一个更关键的问题其实已经出现了：
AI，能不能像人类一样，持续几天甚至更长时间，完成一整套复杂研究？
最近一篇论文《Toward Autonomous Long-Horizon Engineering for ML Research》，给出了一个非常有意思的答案。
它没有去追求“更强的模型”，而是换了一个方向——
👉 让AI像一个“研究团队”，而不是一个“聪明个体”。
01
AI做科研，卡住的不是“能力”，而是“时间”
过去两年，AI在科研上的进展其实已经很惊人：
能读论文
能写代码
能设计实验
甚至能写完整论文
但这些能力，有一个共同的问题：
❗ 都是“短时任务”
而真正的科研是什么？
是一个长周期工程：
理解论文（可能不完整）
搭环境（经常报错）
写代码（不断修改）
跑实验（反馈延迟）
调参数（反复试错）
这个过程，往往持续数小时、数天，甚至更久。
问题来了——
👉 AI在这个过程中，为什么总是“中途崩掉”？
论文给出的答案很直接：
不是AI不够聪明，而是它“记不住、接不上、接不稳”。
02
真正的瓶颈：AI没有“连续性”
这篇论文提出了一个非常关键的判断：
👉 长周期能力，本质不是推理问题，而是系统问题
具体来说，有四个核心难点：
1. 信息不完整（Underspecification）
论文不会告诉你所有实现细节，AI需要“补全空白”。
2. 系统复杂（Setup Burden）
不是写算法就够，还要配环境、下数据、调依赖。
3. 反馈滞后（Delayed Feedback）
问题往往几个小时后才暴露，而且原因复杂。
4. 状态断裂（State Continuity）
最致命的一点：
❗ AI很难“记住自己之前做了什么，并在此基础上继续推进”
这也是为什么很多Agent看起来很努力，但始终在“重复犯错”。
03
AiScientist：把AI变成一个“研究团队”
这篇论文的核心系统叫 AiScientist。
但它真正有价值的，不是“功能”，而是背后的设计哲学：
01
不再依赖对话，而是依赖“外部记忆”
✦
传统AI的工作方式是：
对话 → 推理 → 输出 → 结束
而AiScientist做了一件很关键的事情：
👉 把所有过程写进文件
包括：
论文分析
任务计划
代码实现
实验日志
错误记录
这些文件构成一个“项目空间”。
AI之间的协作方式也变了：
不再聊天，而是——读文件 → 做事 → 写文件
论文把这个机制称为：
File-as-Bus（文件即通信总线）
02
控制变轻，状态变重
✦
作者提出一个非常值得记住的概念：
👉 Thin Control + Thick State
Thin Control（轻控制）顶层AI只做简单决策（类似项目经理）
Thick State（厚状态）所有细节都存储在外部（代码、日志、实验结果）
这意味着什么？
👉 AI不再需要“记住一切”，而是随时从外部读取真实状态。
03
多Agent，但不是“多聊天”
✦
现在很多多Agent系统，本质还是“多人对话”。
但AiScientist不一样：
它更像一个真正的团队结构：
顶层：调度者（Orchestrator）
中层：专家（写代码、做实验等）
底层：执行单元（子任务）
更关键的是：
👉 每个Agent只负责一件事，并且通过“文件”协作
而不是不断互相解释、复述、沟通。
04
为什么这个设计有效？
论文做了一个非常有说服力的实验：
👉 去掉 File-as-Bus，性能大幅下降
PaperBench ↓ 6.41分
MLE-Bench ↓ 31.82%
而且一个非常有意思的现象是：
影响最大的，不是“能不能做出来”，而是“能不能持续优化”
也就是说：
没有“记忆”，AI可以起步
但无法变强
05
一个被忽视的事实：AI的进化方向变了
这篇论文其实在暗示一件事：
❗ AI的竞争，正在从“模型能力”，转向“系统能力”
过去，我们关注的是：
谁的模型更强
谁的推理更好
但未来更重要的是：
👉 谁能构建一个“持续工作的AI系统”
06
这对我们意味着什么？
如果你在做产品、教育、内容，甚至企业服务，这篇论文有几个非常现实的启发：
01
AI的核心能力，不是“回答问题”，
而是“推进任务”
✦
未来的AI，不是一个问答工具，而是：
👉 一个能持续推进项目的“执行系统”
02
“记忆”会成为核心竞争力
✦
不是简单的上下文记忆，而是：
项目级记忆
结构化记录
可追溯过程
03
多Agent的关键，不是数量，而是结构
✦
不是多几个角色，而是：
有没有清晰分工
有没有统一状态
有没有稳定协作机制
04
真正的AI生产力，在“闭环”
✦
从：
想 → 做 → 验证 → 修正 → 再做
形成一个持续循环
07
一个更本质的问题
很多人问：
AI会不会取代科研人员？
这篇论文给出的答案更接近：
AI不会直接取代人，但会重构“科研的组织方式”。
未来的科研，可能不再是：
一个人 + 工具
而是：
👉 一个人 + 一套AI研究系统
总结
AI的下一步，不是更像人类思考，而是更像人类“工作”。
而工作的本质，从来不是一次推理，而是——
在不确定中，持续推进。
公众号
新未来研究院
视频号
新未来研究院