“让普通人也能变成科学家”端砚平台刷屏这个口号我只信一半这两天科技圈最出圈的一句话是“让普通人也能变成科学家”。说这话的是上海人工智能实验室在 WAIC 2026 上发布的“书生·端砚”科学发现平台。名字起得很有文化笔墨纸砚古人用砚台磨墨写文章如今他们想给科学家造一方智能砚台让 AI 帮着推演、做实验、出结论。听着确实热血。但我第一反应是又一个 PPT 吗于是我去翻了平台官网、发布会通稿还有它背后那个刚开源的 397B 大模型仓库。翻完之后我的结论是本事是真的口号是加了滤镜的。一、它到底是个啥不是聊天机器人是条“科研流水线”先打个比方。你平时用的 AI像一个坐在对面的博学朋友你问它答。而端砚想做的是一个能自己跑腿的科研包工头你说“我想找一种能结合某个靶点的蛋白分子”它自己去翻文献、设计方案、调用专业软件算一遍、把候选分子交给自动化实验台去做实验实验数据再回流给它它自己判断下一步该改哪里。整条线从“提假设”到“做实验验证”它都想包下来。这不是靠一个大模型耍嘴皮子就能实现的它底下压着五层家当算力、数据、模型、智能体、自动化实验设备。数据那头号称汇聚了两千八百多万篇“AI 可直接消化”的论文智能体那头有 200 多个跨学科小助手实验那头接的是真实的具身自动化设备。二、真本事有三件而且不是空话第一件它真的会“看论文”不是先转成文字再看。过去很多 AI 读 PDF得先把版面解析成一段段文字。图表、公式、反应式、晶体结构图一转换就丢了大半信息。端砚背后的书生-S2 换了个路子——直接把原始页面当图片“看”进去文字和图像一起理解。用大白话说别人是听人转述论文它是自己捧着原刊在读。信息密度提升 4 倍这个说法虽然有点宣传味但方向确实聪明科学里最贵的信息往往就藏在图表里。第二件它敢“动手”而且有实打实的数字。这是最让我意外的地方。官方披露在蛋白结合剂设计任务里传统流程的验证通过率是 0.47%用上这套系统后提升到 1.56%优质候选分子数量提升 3 倍以上迭代周期从“按天算”压缩到“按分钟算”。0.47% 到 1.56%看着只是小数点后挪了一位但做过湿实验的人都知道这意味着少养多少批细胞、少排多少天机时、少烧多少钱。更直观的例子还有两个输入一个化学式它能自己完成晶体结构预测和合理性校验在量子计算领域它支撑的算法用 60 毫秒排好了 2024 个中性原子把此前 1200 个原子的纪录往前推了一大截。第三件它给每个结论都留了“账本”。科研最怕 AI 张口就来。端砚的设计里每一条假设、每一个方案、每一次预测都要记下依据了哪篇文献、调了什么工具、用了什么数据。你可以顺着这条链子一路倒查回去。这个设计我挺认可相当于给 AI 配了一本必须签字的实验记录本。它不一定保证 AI 说得对但至少保证它不能胡说八道还查无实据。三、开源这张牌才是它真正的号召力如果只是个闭源平台这事热度撑不过三天。真正让开发者兴奋的是它背后的书生-S2 是开源的397B 参数采用 Apache-2.0 协议权重可以直接下载。这意味着高校实验室、创业公司、甚至个人研究者理论上都能把它搬到自己的机器上接着做二次开发。模型还专门学了几门“科学方言”能认分子结构式能读蛋白序列能处理核酸数据甚至能听地震波形判断哪一段是 P 波、哪一段是 S 波。这些能力对普通人没感觉但对做材料、做生物、做地球科学的人来说是能省下大把预处理时间的东西。另外它兼容主流的几套推理框架还能被接进各种智能体工具里干活本质上就是“把脑子外包给一个懂科学的模型”。这种开放姿态才是开源社区愿意替它说话的原因。四、泼三盆冷水别被口号带着跑第一盆所谓“普通人”跟你想的不是一批人。我去点开了平台的在线入口想看看“普通人”怎么用。结果跳出来的是一张申请表姓名、手机号、学校或单位、职位、研究方向还要勾选生命科学、地球科学还是数学化学。另一个实验环境的开通方式更直接发邮件申请。也就是说现阶段它服务的是有单位、有课题、有实验条件的科研人员不是坐在家里刷手机的你我。这不丢人科研平台本来就得这么管数据安全和算力调度都要有人负责。但把它讲成“普通人也能当科学家”就有点偷换概念了。第二盆跑得动它的“普通电脑”其实并不普通。官方推荐的部署配置是 8 张 H100 或者 8 张 H200 起步还得用 FP8 版本、调一堆参数。这一台机器的价钱够在不少城市付个首付。所以真实的图景是模型开源了但门槛从“没有模型”变成了“没有八张卡”。个人开发者想本地跑基本只能靠量化压缩效果还得打折扣。这就是平台宣传和开发者体验之间最真实的那道沟。第三盆评测分数高不等于科研结论对。发布会上的榜单很漂亮数学、生命科学、材料任务上压过不少闭源旗舰。但科研不是考试。考试有标准答案科研没有。论文里的数据可能是错的实验条件可能没写全同行评审都要来回几轮AI 再强也只是把“试错”的速度提上去了最后拍板签字的还得是人。它支撑的斑马鱼数字脑项目AI 神经科学家给出的结论与人类专家匹配度超过 75%——这个数字很亮眼但反过来读也意味着还有四分之一左右是需要人复核的。五、那它到底值不值得兴奋值得但兴奋点要放对地方。它真正改变的不是“人人都能当科学家”而是**“有想法的人不必先有一座实验室”**。以前一个做材料的青年教师想验证一个新配方卡在算力、卡在设备、卡在跨学科工具不会用。现在他至少可以把文献调研、方案设计、初步仿真这些环节交出去自己把精力放在最值钱的判断上。这才是“科学平权”比较靠谱的版本不是把科学家变多而是把从“有个好问题”到“看到初步答案”的距离变短。至于普通人眼下最现实的体验方式是去它的网页端聊一聊那个开源科学模型感受一下它读图表、看分子式时的表现。别指望它替你做实验但用来补补课、看懂一篇硬核论文已经够用了。最后留个问题给大家假如真给你一间不收费、不排队的 AI 实验室你最想让它帮你验证一个什么念头是家里那盆总养不活的花到底缺什么还是小时候课本上那个你一直没想通的物理现象评论区聊聊说不定真有人替你算一遍。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/11/3 2:39:49 · 阅读 1.2k “让普通人也能变成科学家”：端砚平台刷屏，这个口号我只信一半
“让普通人也能变成科学家”端砚平台刷屏这个口号我只信一半这两天科技圈最出圈的一句话是“让普通人也能变成科学家”。说这话的是上海人工智能实验室在 WAIC 2026 上发布的“书生·端砚”科学发现平台。名字起得很有文化笔墨纸砚古人用砚台磨墨写文章如今他们想给科学家造一方智能砚台让 AI 帮着推演、做实验、出结论。听着确实热血。但我第一反应是又一个 PPT 吗于是我去翻了平台官网、发布会通稿还有它背后那个刚开源的 397B 大模型仓库。翻完之后我的结论是本事是真的口号是加了滤镜的。一、它到底是个啥不是聊天机器人是条“科研流水线”先打个比方。你平时用的 AI像一个坐在对面的博学朋友你问它答。而端砚想做的是一个能自己跑腿的科研包工头你说“我想找一种能结合某个靶点的蛋白分子”它自己去翻文献、设计方案、调用专业软件算一遍、把候选分子交给自动化实验台去做实验实验数据再回流给它它自己判断下一步该改哪里。整条线从“提假设”到“做实验验证”它都想包下来。这不是靠一个大模型耍嘴皮子就能实现的它底下压着五层家当算力、数据、模型、智能体、自动化实验设备。数据那头号称汇聚了两千八百多万篇“AI 可直接消化”的论文智能体那头有 200 多个跨学科小助手实验那头接的是真实的具身自动化设备。二、真本事有三件而且不是空话第一件它真的会“看论文”不是先转成文字再看。过去很多 AI 读 PDF得先把版面解析成一段段文字。图表、公式、反应式、晶体结构图一转换就丢了大半信息。端砚背后的书生-S2 换了个路子——直接把原始页面当图片“看”进去文字和图像一起理解。用大白话说别人是听人转述论文它是自己捧着原刊在读。信息密度提升 4 倍这个说法虽然有点宣传味但方向确实聪明科学里最贵的信息往往就藏在图表里。第二件它敢“动手”而且有实打实的数字。这是最让我意外的地方。官方披露在蛋白结合剂设计任务里传统流程的验证通过率是 0.47%用上这套系统后提升到 1.56%优质候选分子数量提升 3 倍以上迭代周期从“按天算”压缩到“按分钟算”。0.47% 到 1.56%看着只是小数点后挪了一位但做过湿实验的人都知道这意味着少养多少批细胞、少排多少天机时、少烧多少钱。更直观的例子还有两个输入一个化学式它能自己完成晶体结构预测和合理性校验在量子计算领域它支撑的算法用 60 毫秒排好了 2024 个中性原子把此前 1200 个原子的纪录往前推了一大截。第三件它给每个结论都留了“账本”。科研最怕 AI 张口就来。端砚的设计里每一条假设、每一个方案、每一次预测都要记下依据了哪篇文献、调了什么工具、用了什么数据。你可以顺着这条链子一路倒查回去。这个设计我挺认可相当于给 AI 配了一本必须签字的实验记录本。它不一定保证 AI 说得对但至少保证它不能胡说八道还查无实据。三、开源这张牌才是它真正的号召力如果只是个闭源平台这事热度撑不过三天。真正让开发者兴奋的是它背后的书生-S2 是开源的397B 参数采用 Apache-2.0 协议权重可以直接下载。这意味着高校实验室、创业公司、甚至个人研究者理论上都能把它搬到自己的机器上接着做二次开发。模型还专门学了几门“科学方言”能认分子结构式能读蛋白序列能处理核酸数据甚至能听地震波形判断哪一段是 P 波、哪一段是 S 波。这些能力对普通人没感觉但对做材料、做生物、做地球科学的人来说是能省下大把预处理时间的东西。另外它兼容主流的几套推理框架还能被接进各种智能体工具里干活本质上就是“把脑子外包给一个懂科学的模型”。这种开放姿态才是开源社区愿意替它说话的原因。四、泼三盆冷水别被口号带着跑第一盆所谓“普通人”跟你想的不是一批人。我去点开了平台的在线入口想看看“普通人”怎么用。结果跳出来的是一张申请表姓名、手机号、学校或单位、职位、研究方向还要勾选生命科学、地球科学还是数学化学。另一个实验环境的开通方式更直接发邮件申请。也就是说现阶段它服务的是有单位、有课题、有实验条件的科研人员不是坐在家里刷手机的你我。这不丢人科研平台本来就得这么管数据安全和算力调度都要有人负责。但把它讲成“普通人也能当科学家”就有点偷换概念了。第二盆跑得动它的“普通电脑”其实并不普通。官方推荐的部署配置是 8 张 H100 或者 8 张 H200 起步还得用 FP8 版本、调一堆参数。这一台机器的价钱够在不少城市付个首付。所以真实的图景是模型开源了但门槛从“没有模型”变成了“没有八张卡”。个人开发者想本地跑基本只能靠量化压缩效果还得打折扣。这就是平台宣传和开发者体验之间最真实的那道沟。第三盆评测分数高不等于科研结论对。发布会上的榜单很漂亮数学、生命科学、材料任务上压过不少闭源旗舰。但科研不是考试。考试有标准答案科研没有。论文里的数据可能是错的实验条件可能没写全同行评审都要来回几轮AI 再强也只是把“试错”的速度提上去了最后拍板签字的还得是人。它支撑的斑马鱼数字脑项目AI 神经科学家给出的结论与人类专家匹配度超过 75%——这个数字很亮眼但反过来读也意味着还有四分之一左右是需要人复核的。五、那它到底值不值得兴奋值得但兴奋点要放对地方。它真正改变的不是“人人都能当科学家”而是**“有想法的人不必先有一座实验室”**。以前一个做材料的青年教师想验证一个新配方卡在算力、卡在设备、卡在跨学科工具不会用。现在他至少可以把文献调研、方案设计、初步仿真这些环节交出去自己把精力放在最值钱的判断上。这才是“科学平权”比较靠谱的版本不是把科学家变多而是把从“有个好问题”到“看到初步答案”的距离变短。至于普通人眼下最现实的体验方式是去它的网页端聊一聊那个开源科学模型感受一下它读图表、看分子式时的表现。别指望它替你做实验但用来补补课、看懂一篇硬核论文已经够用了。最后留个问题给大家假如真给你一间不收费、不排队的 AI 实验室你最想让它帮你验证一个什么念头是家里那盆总养不活的花到底缺什么还是小时候课本上那个你一直没想通的物理现象评论区聊聊说不定真有人替你算一遍。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考