时间：2026年8月2日
地点：美国旧金山
人物：OpenAI研究团队、Codex、Claude Code
事件详情：OpenAI于7月28日发布探索性报告《Scientific Computing in the Age of Agentic AI》，汇总了8个真实科研软件现代化项目，均来自生命科学领域。5个项目仅使用Codex完成，3个项目结合Codex与Claude Code协同工作。任务范围覆盖构建系统现代化、目标优化、TensorFlow到PyTorch迁移、Rust重写以及GPU原生重构。其中，RustQC项目将15个独立质量控制工具整合为单一程序，处理大规模数据集时运行时间从15小时34分钟压缩至14分钟54秒，提速超过60倍。RNA比对工具rustar-aligner用Rust重写2万多行C/C++代码，与原始STAR工具的结果一致性达99.8%以上。
背景：科研软件长期面临维护困境，许多关键工具最初仅为论文附带代码，由缺乏工程经验的小型学术团队开发，难以持续更新。随着数据规模爆发式增长，这些老旧工具成为科研进度的瓶颈。AI编程智能体（coding agents）的介入正在改变这一现状，通过降低工程成本和承担重复性实现任务，让小型科研团队有能力承接原本需要大量工程支持的工作。报告指出，AI代理最适合承担边界清晰、重复性高、人工耗时长的开发任务，而研究人员则从实现者转变为验证者和 orchestration 角色。
影响：
- 科研软件现代化进入新阶段，AI代理可处理60倍以上的性能优化，小型团队也能承担大型工程
- 研究人员角色从代码实现转向科学验证和质量把关，科研范式的重心发生变化
- 验证瓶颈成为新的挑战：AI能快速改造代码，但判断科学正确性仍需人类专家把关
总结：这份报告标志着AI代理正式进入科研代码一线，从简单的代码辅助升级为可承担科研软件全生命周期的工程伙伴。8个项目覆盖了从构建系统升级到GPU原生重构的完整技术光谱，证明coding agents在工程效率上的巨大潜力。但报告也明确指出一个关键限制：Agent能加速代码现代化，却无法判断科学结论是否成立。科研成果的正确性验证仍是人类研究人员的专属领域。这意味着人机协作的新范式正在形成——AI负责工程实现，人类负责科学把关。随着这一模式的成熟，科研软件维护的瓶颈有望被根本性缓解，生命科学等领域的研究速度或将迎来新一轮跃升。
参考来源：
- https://the-decoder.com/ai-coding-agents-can-modernize-research-software-but-cant-judge-if-the-science-is-right/
- https://openai.com/index/scientific-computing-agentic-ai/
- https://m.sohu.com/a/1056189641_121156425/
- https://m.toutiao.com/article/7667883751498482211/
- https://github.com/openai/ten-proofs