4小时跑完顶刊级科研：这个AI Agent在NatureBench拿了第一

先说结论：一个叫Science Agent的AI，在NatureBench上拿了第一，超过了Claude Code、Codex、Gemini CLI这些通用编程Agent。

它干的活跟「AI写代码」完全是两码事。给它一个任务描述和一份数据，它能在4小时内自己设计模型、写代码、训练、调优，全程没人插手。不搞虚的，这东西是真跑通了。

这是谁做的

团队来自UCSD，带队的是电气与计算机工程系副教授谢澎涛。他们之前做的AIBuildAI，能自动构建AI模型，在OpenAI的MLE-bench上排过第一，也拿了约400万美元融资。这次的Science Agent，是在这个基础上往「AI for Science」再走了一步。

评测用的是NatureBench，90个任务全部来自Nature系列期刊的真实论文，覆盖生命科学、材料、能源、物理。规则也狠：Agent看不到原论文和方法，只拿任务描述、数据和评价目标，自己找解法，每个任务限时4小时。

成绩到底怎么样

结果有点超出预期。90个任务里，25.6%超过了论文报告的最佳方法，57.8%达到或超过论文里的最高水平。也就是说，一半以上的任务，它做到了跟人类顶尖研究持平甚至更好。

要知道，人类做个顶尖模型，通常要花几周甚至几个月，文献调研、方法设计、代码实现、实验验证、反复调优。它把这个周期压到了4小时。

它到底怎么「炼丹」的

拿一个具体任务说事。这个任务来自2025年Nature Computational Science上的一篇论文，做的是预测非编码变异对基因表达的调控效应。

给Agent的输入只有两部分：任务描述，和论文公开的训练数据。不告诉它用什么模型、什么算法。拿到任务后，它先设计几个候选模型，然后让Coding Agent写代码、debug，跑通之后开始训练、调参。第一版结果通常不是最优，它会根据结果重新改模型设计，再改代码、再训练、再验证，一直迭代到找到更好的方案。

最后它搞出来的模型，对远距离信息用位置、距离这些特征建模，对局部序列用深度学习建模，再把两部分整合起来。相比原论文人类的方法，性能提升了约14%。

这对「炼丹」意味着什么

最直接的一点：模型开发的重复劳动，正在被自动化，而且已经能超过人类最好水平。调参、改代码、跑实验、看结果再改，这套流程它干得比人快还比人稳。

但别急着焦虑。数据还是人准备的，问题还是人定义的。Science Agent目前自动化的，是「拿到任务和数据之后」这段最耗时的建模过程。真正决定方向的，还是人。

所以我的判断是：炼丹的门槛会继续降，但「定义好问题、准备对数据」这件事，会越来越值钱。不搞虚的，能跑的才是硬道理。