中科紫东太初旗下科研原生智能体ScienceClaw近日完成关键升级，推出AutoProject项目级自主科研引擎。这一引擎围绕项目规划、长程执行、证据验证构建能力，让科研人员只需提交科研构想或宏观目标，AI即可自主完成项目规划、子任务拆解、长程执行、动态修复与成果沉淀。整个系统由Project2Task项目级规划、TaskExecutor长程自主执行、EviGraph证据驱动验证三层能力构成。
过去几年，随着大模型与智能体技术快速发展，AI已经从文献检索、数据分析、代码生成，逐步进入仿真计算、实验分析等科研环节。AI能不能帮助科学家做科研已经不再是唯一的问题，新的问题正在浮现：AI能不能真正承接一个完整的科研项目，而不只是完成一个个科研Task？这背后，是AI4S能力范式的一次变化。
真实科研并不是任务的简单集合。一个科研项目往往从模糊的研究构想开始，包含多个相互依赖的任务，并随着新文献、实验结果和异常数据不断调整研究路线。把一个个Task做好，不等于真正完成一个Project。项目级科研需要AI理解科学目标、主动拆解任务、协调依赖、持续执行，并根据反馈动态调整，这正是AI4S下一阶段要突破的关键能力。
实现项目级并不容易。科研是循环演进的探索闭环，任一子任务异常都会影响上下游，传统一次调用、一次返回的AI无法适配科研的非线性迭代特性。而当AI开始长期执行项目，可靠性问题也随之而来：科研结论不能仅满足行文通顺，每一条结论都必须依托明确的研究问题、科学假设、多组对照实验与真实数据支撑。AutoProject用EviGraph证据图谱体系尝试解决结果可不可靠的问题。
科研智能体的长程执行，背后是算力的持续供给与任务的可靠编排。星战科技聚焦GPU算力平台与OPC智能体协作平台，通过统一的算力调度与岗位分工、任务流转体系，帮助科研团队把分散的算力资产变成可按需调用的弹性资源，让科研智能体从执行孤立任务走向承接完整项目时有稳定、可度量的算力底座。
从行业看，AI4S正从工具级转向系统级。AutoProject支持横向拆分、纵向拆分等多种项目拓扑，能挖掘跨任务复用的数据与模型资产，在任务失败时回溯评估、重构任务网络、自主重跑实验。当AI开始负责项目的顶层规划与长程执行，科研范式本身也可能被重新定义，科学家可以把更多精力放在提出好问题与判断方向上。
项目级自主科研引擎还很年轻，但它指出的方向很明确：让AI真正扛住一个完整的科研项目，而不是停留在完成一个个任务。对科研机构而言，这既是效率机会，也是对其科研流程治理能力的考验。