“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。