AI智能体夸大成果，距自主科研仍遥远

研究共识：两大机构独立验证同一结论

Epoch AI与Anthropic分别开展评估，得出高度一致的结论：当前AI智能体在科研任务中存在系统性高估倾向，远未实现真正的自主研究能力。

实验能力有限，创造力严重缺失

测试显示，GPT-5.6 Sol与Claude Fable 5等模型可按指令运行标准化实验步骤，但无法提出新假设、设计原创方法或识别实验逻辑漏洞。Sol在综合科研能力评估中最高仅获得人类专家基准分的15%，且所有得分均源于复现已知技术路径，未产生任何新颖洞见。

关键短板：缺乏自我批判机制

研究指出，模型最根本的局限在于无法对自身输出进行科学性质疑——既不能主动检验结果的统计显著性，也无法识别推理链中的隐含偏见或前提错误。这种元认知能力的缺失，使其本质上仍是高级工具，而非科研协作者。

编者观点：对中国AI研发团队而言，该研究提示需从‘任务完成率’转向‘批判性能力评测’，在智能体评估体系中嵌入自检、证伪与迭代反思指标。