一个 Opus 当老板，136 个 Astra 当员工，11 天攻下了化学界半个世纪的”圣杯”
AI飞行客 一个 Opus 当老板，136 个 Astra 当员工，11 天攻下了化学界半个世纪的”圣杯”
1974 年，化学家提出了一道关于化学反应平衡的猜想。
翻译成人话大致是这样的：把几种物质放进密闭容器。A 和 B 生成 C，C 又分解回 A 和 B。反应一直在进行，浓度一直在变。最后它会稳定在哪？会不会一直振荡？某种物质会被耗光吗？起点不同，终点也不同吗？
1972 年，Horn 和 Jackson 找到了一件武器——一个类似熵的量。反应进行时它只降不升，系统像沿着山坡往下滚的球。滚到谷底，就是平衡。
但山坡上藏着一个陷阱：某种物质的浓度可能一路贴向零。在那里，坡几乎变平，看起来像谷底，其实是个”假终点”。
把这个陷阱排除干净——成了此后的半个世纪里，化学家们一点点在啃的硬骨头。
昨天，一个叫 BitMiracle AI Lab 的独立研究机构宣布：这道猜想被攻破了。 1 个 Claude Opus 5.5 指挥 136 个 GPT 6 Astra，在名为 ClawsGO Science 的平台上，11 天完成了全流程推导、形式化验证和 Lean 检查。
论文里写的是”一类满足细致平衡条件的情形”——不是猜想的全部，但论文的整条证明链都过了机器检查。
但真正值得看的不是化学结果——是那 136 个 Astra 在第 6 天集体告诉 Opus “这条路不通”的那一刻。
不是”一个 AI 解出了一道题”——是一个 AI 公司里有两层分工
ClawsGO Science 的架构，拆开来看比大多数公司的研发团队都清晰：
决策智能体：Claude Opus 5.5 负责定方向。走哪条路、换掉哪一步、什么时候该放弃一条路线——这是它的活。论文里说它”科研品味好”。到了最后，它还把整条证明都交给机器检查。
执行智能体：GPT 6 Astra × 136 负责落实。写证明、写 Lean 代码、编译、读报错、修、再编译。重复几十次甚至上百次。它们不决定”做什么”，只决定”怎么做”。
检查：Lean 内核 每一步证明都过它。对就是对，错就是错。不需要论文审稿人说”我觉得这里有点问题”——机器直接编译报错，红就是红，绿就是绿。
这种分工，已经无限接近一个真正的科研课题组。
但真正让你感觉到”这东西不一样了”的，是那个发生在第 6 天的转折。
几十个执行智能体陆续报回同一个问题：”教科书上的那条路，要先补的地基太多，工程量太大。”
不是”做不了”——是”按传统路径走下去，要花太多功夫补前置条件，不是最优解”。
Opus 5.5 的判断是：换路。
第二天，卡住的那一步编译通过了。这一步，后来成了整篇论文里的关键一步。
这不是”AI 在执行”，这是”AI 在管理 AI 的执行”。
Opus 没有自己去写代码，它收到的是一批执行智能体反馈的信号：这条路成本太高。它的决策是：不要死磕，绕过去。
然后新的指令发下去，重新分配 136 个 Astra，重新开工。
60 行——人类在这一题里只干了这一件事
整条证明链，人类需要核对的部分是不到 60 行。
研究者的分工变成了三件事： 1. 定题目 — 选择攻克哪个问题 2. 把关论证 — 确保机器的推理方向没错 3. 核对形式化映射 — 确保 Lean 里检查的那个命题，对应的确实是化学家想证明的那个东西
三件事加起来不到 60 行，听起来轻松，但意思是：从题目确定之后，到结论拿到手之前，所有事情都是 AI 干的。
但那个预装了 533 个软件的工作站，才是真正的突破口
读到这里你可能会想：这道题是纯数学推导吧？毕竟用 Lean 形式化了。
对。但下一题就不会这么凑巧了。
ClawsGO Science 的核心竞争力不在大模型本身——在一个叫”云端工作站”的东西。每个任务开机就预装好了： – 533 个科研软件与工具 – 91 个内置数据库 – 覆盖 61 个一级学科
GROMACS（分子动力学）、LAMMPS（材料模拟）、PySCF（量子化学）、BLAST（序列比对）、RDKit（药物筛选）、WRF（气象模拟）……这些软件过去每一套都要单独装、单独配环境、单独调试。
现在，执行智能体领到任务，工作站上这些工具已经装好、编译好、接口接好。任务跑在云端，不靠谁的电脑开着。连续 11 天，每一条命令、每一次输出都留在记录里，随时可以查。
这才是自然科学的 AI 自动化真正需要的——不是更强的模型，是更好的基础设施。
三件事，三句话
第一，第 6 天那个转折，是整个实验里最接近”人类科研方式”的时刻。
Opus 5.5 没有死磕教科书。它接收了下属（136 个 Astra）的反馈，做出”换路”的决定，然后重新分配任务。
这套决策流程完全不像”一个提示词输出结果”，而更像”一个 PI 看了一圈博士后和学生的实验结果，决定转向”。它不是被提示词驱动的——是基于来自多个执行节点的信号聚合，做出的自主判断。
中间没有人类参与。人类只在题目定义和最终核对环节出现。
第二，60 行这个数字，重新定义了科研中”人”的角色。
整道题，人类只要看 60 行。题目定好之后，所有推导、验证、形式化、编译、报错、重写，都在 AI 和 Lean 之间完成了。
这不是说人类的角色变小了——是说人类的角色变得更精确了：只做那些 AI 做不了的事。定题、把关、解释、判断”为什么要做这道题”。
判断力——这个词在这一轮又出现了。它在被重新发明之后，第一次被证明可以在化学研究的范畴内被重复使用。
第三，预装 533 个工具的云端工作站，比大模型本身更有长线价值。
为什么？因为大模型的能力在快速拉平，但科研基础设施的垄断效应一旦建立，后入者复制成本极高。
一套帮研究者省掉”装环境”这个步骤的平台——在化学、生物、材料、气象、药物——存在明确的市场需求。BitMiracle 的 ClawsGO Science、阿里巴巴的 Qoder、OpenAI 和 Anthropic 各自的科研 Agent——这些都在指向同一个方向：
研究本身正在变成一种”把你对问题的理解投进去，拿到可验证的结果出来”的服务。
—
*论文：BitMiracle AI Lab — ClawsGO Science + Claude Opus 5.5 + GPT 6 Astra × 136* *问题背景：1974年提出的化学反应平衡猜想，Horn & Jackson 在1972年首次提出熵方法* *时间线：11天，第6天Opus决定换路* *验证：Lean 形式化，人类核对部分 < 60 行* *平台：ClawsGO Science —— 533 科研软件工具 + 91 内置数据库，覆盖 61 个一级学科* *来源：新智元 / 36氪 综合报道*