发生了什么
编辑丨& 过去几十年里，科学计算的发展高度依赖软件。 无论是基因组分析、蛋白质研究，还是物理模拟和数据处理，科研人员每天使用的大量工具，都建立在复杂的软件基础之上。但这些科学软件往往存在一个长期问题：它们重要，却难以维护。 很多关键工具由少数开发者长期维护，随着语言、硬件和计算需求不断变化，旧代码逐渐成为科研发展的瓶颈。重新编写这些软件通常需要投入大量工程时间，而传统开发方式很难同时兼顾准确性、性能和长期维护。 OpenAI 近期发布的「Scientific Computing in the Age of Agentic AI」报告，尝试探索一个新的可能性：如果让具备自主编码能力的 AI 智能体参与科研软件开发，它是否能够帮助研究人员完成过去难以承担的工程任务？ 这份报告涵盖了八个主要涉及生命科学领域的智能体辅助科学计算项目；五位仅使用 Codex，三位结合 Codex 和 Claude Code。报告汇集了各项目团队撰写的案例研究，并指出反复出现的主题，并细节描述了从常规维护和有针对性的优化，到大规模语言迁移和 GPU 原生重新设计。 原文链接： https://openai.com/index/scientific-computing-agentic-ai/#case-study-helixforge 科研软件最大的难题 在普通软件开发中，代码能够运行往往已经代表了一部分成功。但科研软件完全不同，对于科学计算工具来说，最重要的反而是前后的一致性。 图示：案例研究项目概述。 以 RNA 测序分析中的 STAR 比对工具为例，这是一款被广泛使用的基因组分析软件，但由于原始项目长期缺少维护，研究人员希望使用 Rust 重新实现一个更加现代化、更容易维护的版本。 可这并非是简单的语言转换。 STAR 原始代码超过 2 万行，涉及复杂的数据结构、算法实现以及大量隐藏行为。如果重新实现后的工具只是在多数情况下「差不多」，那么对于依赖它的科研流程来说，这种误差是无法接受的。 因此，团队没有采用自动代码转换，而是让智能体辅助从零重写，并由研究人员制定架构选择、测试策略以及验证标准。智能体负责大量实现和迭代，人类负责判断哪些结果是真正正确的。 图示：八个智能体编码案例研究的总结。 最终得到的 rustar-aligner 实现了接近原始 STAR 的结果一致性：在单端 RNA-seq 测试中，tie-adjusted parity 达到 99.815%；在双端 RNA-seq 测试中达到 99.883%；同时没有出现仅由某一个工具比对成功的 reads，suffix array 甚至实现了字节级完全一致。 另一个 SVB 项目重新实现了已建立的纳米孔数据压缩编解码器，运行速度是最广泛使用的现有工具的 1.7-2.9 倍，其中 VBZ2 双链解码相比传统三阶段流程提升约 2
编辑丨& 过去几十年里，科学计算的发展高度依赖软件。 无论是基因组分析、蛋白质研究，还是物理模拟和数据处理，科研人员每天使用的大量工具，都建立在复杂的软件基础之上。但这些科学软件往往存在一个长期问题：它们重要，却难以维护。 很多关键工具由少数开发者长期维护，随着语言、硬件和计算需求不断变化，旧代码逐渐成为科研发展的瓶颈。重新编写这些软件通常需要投入大量工程时间，而传统开发方式很难同时兼顾准确性、性能和长期维护。 OpenAI 近期发布的「Scientific Computing in the Age of Agentic AI」报告，尝试探索一个新的可能性：如果让具备自主编码能力的 AI 智能体参与科研软件开发，它是否能够帮助研究人员完成过去难以承担的工程任务？ 这份报告涵盖了八个主要涉及生命科学领域的智能体辅助科学计算项目；五位仅使用 Codex，三位结合 Codex 和 Claude Code。报告汇集了各项目团队撰写的案例研究，并指出反复出现的主题，并细节描述了从常规维护和有针对性的优化，到大规模语言迁移和 GPU 原生重新设计。 原文链接： https://openai.com/index/scientific-computing-agentic-ai/#case-study-helixforge 科研软件最大的难题 在普通软件开发中，代码能够运行往往已经代表了一部分成功。但科研软件完全不同，对于科学计算工具来说，最重要的反而是前后的一致性。 图示：案例研究项目概述。 以 RNA 测序分析中的 STAR 比对工具为例，这是一款被广泛使用的基因组分析软件，但由于原始项目长期缺少维护，研究人员希望使用 Rust 重新实现一个更加现代化、更容易维护的版本。 可这并非是简单的语言转换。 STAR 原始代码超过 2 万行，涉及复杂的数据结构、算法实现以及大量隐藏行为。如果重新实现后的工具只是在多数情况下「差不多」，那么对于依赖它的科研流程来说，这种误差是无法接受的。 因此，团队没有采用自动代码转换，而是让智能体辅助从零重写，并由研究人员制定架构选择、测试策略以及验证标准。智能体负责大量实现和迭代，人类负责判断哪些结果是真正正确的。 图示：八个智能体编码案例研究的总结。 最终得到的 rustar-aligner 实现了接近原始 STAR 的结果一致性：在单端 RNA-seq 测试中，tie-adjusted parity 达到 99.815%；在双端 RNA-seq 测试中达到 99.883%；同时没有出现仅由某一个工具比对成功的 reads，suffix array 甚至实现了字节级完全一致。 另一个 SVB 项目重新实现了已建立的纳米孔数据压缩编解码器，运行速度是最广泛使用的现有工具的 1.7-2.9 倍，其中 VBZ2 双链解码相比传统三阶段流程提升约 2
为什么重要
需要你自己点开原文确认一次，这里给的是摘要与判断。
需要你自己点开原文确认一次，这里给的是摘要与判断。
跟你有什么关系
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
以上判断为规则生成的初稿，发布前请润色。
判定理由
评分 0 / 100