OpenAI 说，科学计算进入 agentic AI 时代，但真正的瓶颈是验证

OpenAI 发布针对科研计算的 field report，指出 agent 已能在迁移、维护和优化等明确工程任务上显著提升效率，但真正的瓶颈已转向验证、责任归属与长期维护。报告强调研究者角色从实现者转为验证者和编排者，需投入更多精力构建可靠的测试和验证框架。

OpenAI 7 月 28 日发布《Scientific computing in the age of agentic AI》及配套论文《Scientific computing in the age of agentic AI: an exploratory field report》，称其从 8 个以生命科学为主的案例看到，编码代理已经能帮助科研团队 модерnize 旧有科研软件、加速迁移和维护；但随着代码生成本身变得更便宜，新的瓶颈反而转向了验证、责任归属和长期维护。

这份报告不是一个单一模型发布，也不是一个新产品的公开演示，而是 OpenAI 对“代理能在科学计算里做什么”给出的阶段性判断。它与 OpenAI 近几周围绕科研判断、工作流代理和评测质量的一系列文章形成连续叙事：7 月初的 GeneBench-Pro 试图衡量模型在计算生物学里处理歧义和判断的能力；ChatGPT agent 则把浏览器、终端和连接器整合到一个统一的代理系统中；而对编码基准噪声的审计也提醒外界，评测本身并不天然可靠。AIFlux 之前对 OpenAI 编码评测噪声审计 和 ChatGPT Work 的报道，也都指向同一个方向：AI 叙事正从“会不会回答”转向“能不能把事情做完”。

八个案例，覆盖从维护到重写

OpenAI 说，这份 field report 汇集了 8 个 agent-assisted 科学计算项目，其中 5 个只使用 Codex，另 3 个结合了 Codex 和 Claude Code。项目范围从基础维护、包装和兼容性迁移，到性能优化、跨语言重写，再到面向新硬件架构的重设计，主要集中在生物信息学、基因组学和相关的数据密集型研究软件上。

报告给出的核心判断是：agent 已经足以在很多“有清晰目标、可验证结果”的工程任务上显著减轻劳动，但研究人员并没有因此退出流程。相反，他们的角色更像是在定义目标、拆分任务、设定验收标准，并判断结果是否真的科学有效。

该报告强调的不是“自动替代研究人员”，而是“把研究人员从实现者推向验证者和编排者”。

关键案例一览

OpenAI 还指出，某些更复杂的项目需要比单纯“改快一点”更严格的验证。例如，报告强调，agent 在小而明确的任务上表现最好；一旦任务涉及更大范围的科学行为变化，验证成本就会急剧上升。对研究人员来说，真正需要花时间的往往不是写出第一版代码，而是找到可靠的测试框架、处理边界情况，并确认结果没有在不易察觉的地方偏离科学目标。

验证，成了新的瓶颈

这份报告最重要的结论之一，是“写代码”的成本下降之后，最难的部分变成了“证明代码是对的”。OpenAI 写道，编码代理在面对外部参考、精确输出、已有测试套件或明确统计目标时最有效；但当目标变得模糊，或者必须依靠真实数据验证时，人的判断就重新变成决定性因素。

报告还特别提到，研究团队在大多数案例里都投入了大量精力构建验证框架，而不是单纯监督代码生成。换句话说，agent 可能会迅速给出实现方案，但人类仍要判断：结果是否合理、误差是否可接受、是否足以进入下一轮实验或发布。

这也解释了为什么 OpenAI 近来的几条产品和研究线索会彼此呼应。无论是 ChatGPT agent 里的浏览器与终端，还是微软在 Agent Framework harness 中强调的 Skills、Shell、CodeAct 与 Background agents，核心都不是“让模型多说一句话”，而是让系统更接近真实工作流；而在这种工作流里，控制、审查和可追责性都比过去更重要。

这场变化为什么发生在科学计算

OpenAI 的判断建立在一个长期存在的背景之上：科学计算软件往往由小团队或学术团队开发，目标是尽快完成方法论文或研究结果，而不是像成熟工业软件那样投入大量工程资源去打磨安装、测试、性能和长期维护。报告称，很多科研工具在发布后仍然难以在干净环境里稳定安装或运行，维护负担和技术债因此不断累积。

OpenAI 认为，编码代理之所以能在这一领域产生明显价值，恰恰是因为它们擅长那些长期缺乏工程人力的任务：补测试、改包装、迁框架、做局部优化、补文档、拆任务。对于基因组学等数据密集型领域，这种效率提升尤其有吸引力，因为数据生成的速度已经远快于下游分析和软件维护能力。

但报告同样警告，低成本重写也可能带来碎片化风险。若没有明确的维护者和 stewardship 计划，今天的现代化改写很可能变成明天的又一个弃用分支。对共享科研软件来说，代码是否能跑只是第一步，谁来维护、谁对结果负责，才是长期问题。

仍待确认的问题

这份 report 是回顾性的、探索性的，OpenAI 也明确表示，它并没有独立复现每一个 case study 的全部 benchmark。换句话说，报告更像是一个“方向性证据包”，而不是一份可直接外推到所有科研软件的性能宣言。

目前仍有几件事需要继续观察：

• 这些提升有多少来自模型本身，有多少来自更好的任务拆解和更强的人工验证框架；
• 报告中的速度和可靠性改善，能否在更多科研领域稳定复现；
• 在多人协作、开源维护和长期托管场景里，agent 生成的改写应该如何被纳入主项目，而不是形成新的分叉；
• 当验证成本继续上升时，哪些科学软件会率先受益，哪些领域反而会因为审查门槛过高而难以落地。

OpenAI 这次给出的答案相当清楚：agent 不是把科学计算里的“人”拿走，而是把人的工作重心，从实现迁到判断、验证和维护上。问题只剩下一个——当代码越来越容易写，谁能持续证明它真的对。