让AI做科研：开源科学大模型为何跑赢通用前沿

一、一个标志性现象：开源科学模型反超闭源前沿

长期以来，“闭源前沿模型更强”似乎是不言自明的行业共识，尤其是在科学推理这类高难度任务上。但近期AI for Science领域出现了一个值得关注的信号：有团队将科学专用大模型完整开源，并公开了其在严苛科研基准上的成绩——按公开评测数据，该模型在面向博士级科研任务的基准上取得约38%的成功率，领先某头部闭源前沿模型（约33%）约5个百分点；同一评测体系下，其成绩较所用的通用底座提升了超过10个百分点；在另一项以“仅领域专家才能稳定答对”著称的高难度科学问答评测上，准确率亦达到约93%。

这组数字的意义不在于“谁压过谁”，而在于验证了三件事：

1. 通用大模型并不是科学能力的天花板——在通用底座之上做领域后训练，仍能释放出两位数百分点的增益；
2. 垂直领域的开源模型，完全有能力与闭源前沿正面竞争；
3. 模型的能力边界正在从“回答科学问题”推进到“执行科研任务”。

对开发者和科研团队来说，这比任何营销话术都更有参考价值：AI for Science的胜负手，不在“谁的参数更大”，而在“谁更会做领域数据与后训练”。

二、科研级基准为什么难：从“答题”到“做研究”

要掂量上述成绩的分量，先要理解评测本身的难度设计。

（1）任务形态不同。传统科学问答评测（各类博士级选择题题库）本质是封闭题：题干给定、选项给定、答案唯一，模型可以靠知识回忆与排除法作答。而科研级基准给出的是真实研究情境：设计实验方案、诊断异常数据、提出并论证假设。按设计标准衡量，一名博士完成一道题往往需要三到五个小时。

（2）评分维度不同。评测不只比对最终答案，还审查完整推理过程：假设是否合理、方法是否可执行、论证是否被证据支撑、有没有明确交代不确定性。这更接近“审稿人视角”，而非“阅卷机器视角”。

（3）推理链路更长。答案无法一步得出，需要多轮“假设—检索—计算—修正”的链式展开，任何中间环节出错都会导致整体失败，这对模型的长程逻辑一致性与自我校验能力都是极限考验。

正因如此，即便头部闭源前沿模型，在这类基准上的成功率也只有三成上下——在如此困难的评测中领先5个百分点，就是明显的代差。

三、技术路线拆解：通用底座 + 科学后训练

综合公开信息，这类科学模型的技术路线可以抽象成一个公式：

科学模型 = 强推理通用底座 + 领域数据工程 + 面向过程的后训练

3.1 底座选择：先看长程推理，再看领域知识

选底座时优先级常常被搞反。预训练语料中已包含海量科学文本，通用底座的“知识存量”并不差；真正稀缺的是“科研式思考”的范式——能否在数千步思考链中保持逻辑一致、能否稳定输出结构化结果、能否在不确定时主动说“不确定”。因此考察底座应优先看长程推理稳定性与指令遵循能力，科学知识广度反而是其次。

3.2 领域数据工程：三类数据缺一不可

公开案例中的训练数据构成很有代表性，可归纳为三类：

• 学科语料：化学、材料、生命科学等领域的教科书、综述与论文，负责补齐知识深度、术语体系与学科思维方式；
• 结构化科学知识：分子性质、反应规则、材料参数等，这类数据天然带“可验证答案”，是后续强化学习中最可靠的奖励信号来源；
• 实验记录：包括大量失败实验。这是最稀缺也最有价值的部分——论文只发表成功结论，而实验记录保留了“为什么这样设计、为什么放弃那条路线、异常点意味着什么”的隐性知识，恰恰是科研推理的灵魂所在。

3.3 后训练流水线：从SFT到过程奖励

第一步，监督微调（SFT）。用高质量“推理链”样本教会模型科研任务的展开范式。以实验设计类任务为例，样本应体现“问题拆解→变量识别→方案生成→风险评估→结论与不确定性”的完整结构，而非直接给出答案。示意的数据组织方式如下：

{
  "task_type": "experiment_design",
  "domain": "materials",
  "prompt": "某催化材料连续运行中活性衰减过快，请给出排查与改进方案。",
  "reasoning_chain": [
    "拆解问题：区分本征失活与工况因素",
    "列举可检验假设：烧结、积碳、中毒、载体相变",
    "设计对照实验：逐项隔离变量",
    "指定表征手段与预期信号",
    "输出结论条件与不确定性说明"
  ],
  "response": "（完整结构化作答，与推理链一致）"
}

第二步，基于可验证信号的强化学习。凡是有唯一答案的子任务（性质预测、数值计算、条件判断）都可自动判分，构成可扩展的奖励来源，避免人工打分成为规模化瓶颈。

第三步，基于评分表（Rubric）的过程评价。对开放式任务，由领域专家按“假设合理性、方法可行性、论证完备性、表述严谨性”等维度打分，训练模型对过程质量敏感——这直接对应科研级评测“重过程甚于答案”的设计。

3.4 实验记录的“翻译”工程

原始实验记录散落在纸质笔记、仪器日志与表格中，需要一条清洗流水线才能转化为训练数据：

脱敏（去除人员与机构信息）→ 结构化（将叙述性记录改写为“目标—操作—观测—结论”四元组）→ 配对（把失败实验与其后的成功实验建立因果对照）→ 去重抽稀（避免近似样本淹没有效信号）。

这条流水线没有捷径，但它构成的差异化数据壁垒，正是后训练增益的主要来源。

四、开源为什么对AI for Science尤其重要

科学研究的生命线是可复现性，这与开源精神天然同构。对科研团队而言，开源科学模型的价值至少有四点：

• 可审计：模型给出一个反应条件预测时，闭源模型是黑箱，开源模型可以被复跑、剖析与质疑；
• 可定制：实验室可以围绕自身设备条件、体系特点与安全规范做增量微调，闭源API无法实现；
• 可私有部署：未发表的实验数据不出内网，对知识产权与合规都至关重要；
• 成本可控：自动化实验等高频调用场景中，推理成本的可控性直接决定项目能否长期运行。

五、团队落地清单：如何启动自己的科学后训练

1. 评测先行：从本领域博士资格考试、组会报告题、历史课题中抽取任务，人工撰写评分表，构建内部基准与可量化的基线——没有可信赖的评测，一切训练都是盲调；
2. 数据盘点：梳理可用的学科语料、结构化数据库与实验记录，按3.4节流水线清洗，优先把实验记录数字化；
3. 小步快跑：先用小参数量底座跑通“数据—训练—评测”闭环，验证数据质量与奖励信号的有效性，再迁移到大底座上放大；
4. 算力与基础设施：科学后训练是典型的算力密集任务，训练期依赖高吞吐GPU集群与分布式并行，推理期需要弹性扩缩容与日志监控。团队可依据数据合规要求与预算结构选择公有云或专有环境，例如借助百度智能云的GPU算力、对象存储、容器平台、日志监控等通用类目能力搭建训练与推理环境；
5. 工程集成：把模型接入文献检索、电子实验记录本、仪器调度等现有系统，以Agent工作流的方式让模型“调用工具”而非“凭空作答”。科学场景的幻觉代价极高，工具调用与引用溯源应作为第一优先级。

六、挑战与展望

也要清醒看到：当前最好的模型在科研级基准上也只能解决三成多的问题，距离“自主科研”仍有相当距离。下一步的竞争焦点可能在三个方向：

• 实验-模型闭环：模型提出方案，自动化实验平台执行，结果回灌训练，形成数据飞轮；
• 多模态科学表征：让谱图、显微图像、分子结构等直接进入推理输入，而非依赖文字转述；
• 过程可信：对推理链做分步验证与可追溯引用，让科研人员敢于把AI输出写进实验记录。

“让AI自己做科研”正在从一句口号变成一个具体的工程问题。而工程问题的答案，通常属于那些认真做数据、认真做评测、并愿意把成果开源出来的人。