五个核心问题与回答
为什么 AI 编程很热，科学发现却仍然很冷？
同样依赖推理和工具，二者进展为何相差如此大？
编程任务拥有相对清晰的输入、可执行环境和快速反馈，代码是否运行往往能即时验证。科学研究没有标准答案，反馈周期长，失败是常态，还必须与物理世界交互。周伯文用编程任务成功率从约 5% 上升至 88%、端到端科学发现长期在约 3% 附近的对比，指出两类任务的反馈结构根本不同；具体指标口径仍需回到原始评测核验。
“Research is the next coding”真正指向什么？
这是否意味着科研也会像编程一样被自动化？
这句话更像一个方法论目标，而不是完成时间预测。编程 Agent 的突破来自问题、行动、执行结果与修正形成高频闭环；科研系统也需要把提出假设、调用工具、设计实验、观察失败和更新认知连接起来。没有实验反馈，所谓科研 Agent 仍只是更会检索与写作的助手。
为什么失败数据是科学 AI 的关键资产？
论文里已经积累了大量成功实验，为什么还不够？
公开文献天然偏向成功结果，模型看不到大量被放弃的假设、无效参数和实验异常，于是容易重复别人已经走过的弯路。周伯文强调，科学进展依赖理解为什么失败。把失败过程结构化记录并反馈给系统，可能比继续增加成功论文更能改善下一轮问题定义。
科研平台与“工具集合”有何区别？
把搜索、代码、仿真和实验接口放在一起，不就是科研工作台吗？
演讲介绍书生 S2、AGENTS A1、Mobius 架构和端砚平台时，强调的不是工具数量，而是贯通认知、推演、行动和反馈。工具集合只能提高局部效率；平台需要保存问题如何产生、数据如何处理、模型调用了什么、实验如何验证，以及结论如何形成，让整个过程可追溯。
哪些结果仍然不能被演讲本身证明？
效率提升到原来的二十分之一，是否已经说明这套范式成立？
不能。演讲中的数字和案例展示了内部项目的可能性，但跨实验室、跨学科复现情况并不清楚。真实数据能否接入、实验设备接口是否统一、失败标注能否标准化，都会决定复制成本。投资判断要继续寻找独立复现、长期使用和实际科研产出，而不是只接受平台演示。
沿着对话，回到问题如何展开
周伯文：AI coding 的进展非常快。任务有明确环境，生成的代码可以立即运行，错误能够被测试反馈。与之相比，科学发现的端到端能力仍很低，某些指标多年停在约 3% 附近。
周伯文：这种差距不是因为科学论文不够多，而是科学的本质不同：它是开放任务，没有标准答案，反馈周期很长，失败是常态，并且需要与物理世界交互。
周伯文：人类发表的成果主要记录成功，实验室中大量失败从未进入模型。系统因此知道哪些路径被证明有效，却不知道哪些假设曾经失败、为什么失败、什么条件导致结果改变。
周伯文：如果 AI 不能学习失败，就很难真正改善研究策略。科学 AI 的数据工程必须覆盖问题、实验过程、异常和负结果，而不是继续堆积摘要与结论。
周伯文：“Research is the next coding”不是把科学家换成代码生成器，而是借鉴编程 Agent 已经形成的反馈结构。系统提出计划后要能调用计算和实验工具，结果回来后要判断是否支持假设，再决定下一步行动。
纪要：这套闭环会受到现实限制：实验时间和成本远高于运行一段代码，不同实验室的数据也难以标准化。科学研究不会复制编程的速度，但可以学习其可验证、可迭代的方法。
周伯文：书生 S2、AGENTS A1、Mobius 和端砚平台试图把认知、推演、行动与反馈连在一起。用户看到的不应只是多个按钮，而是一项研究如何从问题走到结论的完整链路。
周伯文：从数据来源、处理步骤、模型调用到科研产物和最终结论都要留痕。可追溯不是附加的合规功能，而是科研结论能够被相信、被复现的前提。
纪要：演讲展示了效率提升与内部案例，但真正的门槛在平台之外：不同学科能否迁移，设备能否接入，失败数据如何归因，独立团队能否复现。AI for Science 的价值最终不由生成速度决定，而由它是否产生了经得起实验和同行检验的新知识决定。
现场画面
