科研 AI 的铁律：跑通不算，对上才算

Dario 那句被转述的话值得盯：数学可以纯靠推理，生物必须做实验。9 月 17 日两件事同日落地——Anthropic 公布用不到四周优化了 AlphaFold3、Boltz-2 在内的 30 多个生物学 AI 模型、代码全开源。 另一边，ScienceIDE 把 Athena++、MITgcm、Gkeyll、NEST、Stim 等 7 学科真实科研代码，封成 15 套 AI 能动手训练的环境。 判分只认一条铁律：改完的代码算出的科学结果，必须和基准参考结果逐点吻合——跑通不算，对了才算。 拿 MITgcm 举例：海洋和大气之间氟利昂交换的模块里埋了一个 bug，AI 要自己找到、自己修好——合合格，不看代码写得漂不漂亮，只看最终输出能不能一个点一个点对上。 三层拆：一，可验证性的双轨：业务代码写错有编译器和单测当场拦，科学代码最吓人的 bug 偏不报错——程序照跑、曲线照好看，氟利昂悄悄偏一点，后面整条气候推论跟着偏。 二，拿业务标尺量科研 AI，量出来的多半是假及格；难度也有数：最难 85 道题、8 家厂商 15 个模型，最好的首试正确率 67.1%——每三道还有一道拿不下，考场没刷穿才有练的价值。 三，自举的第三面：团队把 Anthropic 开源的优化方案也封装进训练环境，内环改 Harness、外环拿规则打分训模型，一边是给 AI 练兵的考场，一边是给科研人的副驾工作台。 做过科研的人都懂：调代码、排 bug、适配工具、核对结果，能吃掉一个博士生大半的时间——过去 AI 帮的是读文献写综述，现在它开始下到几万行的模拟代码里干这些最磨人的活。 口径三条：①ART 长文与数字均为转述——以各官方为准、未复核；②"跑通不算对了才算"是帖中提炼——可引为方法、不作行业标准；③67.1% 与 15 套环境是其引用数据——未复现。 给要验的三条：一，把任务写成"逐点对账"：哪个输出必须对上哪条基准，先写死；二，给 AI 的改动设一条不看过程的验收线——结果不对，代码再漂亮也不算过；三，找一道自己的 MITgcm：埋一个不报错的错，看它能不能找到并修对。 你交出去的那个结果，是跑通了，还是对上了？