科研版Claude Code来了：Colossal Science如何补上AI for Science最后一公里

AI在科学计算领域从不缺少能力强大的模型，缺的是把这些能力串联成完整科研流程的工具。Colossal Science（Closco）瞄准的正是这个痛点——它试图把文献、数据、代码、图表和论文真正连接起来，让一项科研任务能够持续推进直到交付成果，而不是停留在“提问-回答”的单次交互。

研究者正在沦为工具间的“人肉API”

真实的科研工作从来不是向模型抛出一个问题、拿回一个答案那么简单。一个完整的研究流程包括：查找文献、核对出处、下载数据、配置环境、运行代码、修复报错、绘制图表、整理引用、写入论文。每个环节看似都有对应的AI工具可以帮忙，但把这些环节真正串起来的，仍然是研究者本人。

结果就是，研究者不断在浏览器、PDF阅读器、统计软件、代码编辑器和写作工具之间来回切换，复制结果、搬运文件、反复向不同工具重新解释上下文。到最后，研究者反而成了不同AI和科研工具之间的“人肉API”。这正是AI for Science迟迟无法闭环的核心矛盾。

第一步：把散落的工具和材料接起来

Colossal Science补上最后一公里的第一步，是先把分散的工具和材料连接起来。研究者可以把研究问题、已有论文和原始数据交给Closco，它会先阅读已有材料，再围绕研究问题检索缺失的文献。当需要进一步访问网页时，它会打开真实浏览器继续查找。

找到的数据可以直接进入分析环境，分析生成的图表又可以进入论文工程。文献、数据、代码、图表和LaTeX不再是五项彼此割裂的工作，而是同一项科研任务的不同阶段。这种连接消除了研究者在工具间反复搬运上下文的负担。

第二步：让任务在遇到障碍后仍能推进

仅仅把工具接起来还不够，因为真正的科研任务很少能一次跑通。所以第二步的关键是——让任务在遇到障碍之后仍然能够继续向前。

Closco会在真实环境中编写并运行代码。当运行出现错误时，它会读取反馈、定位问题、修改代码、再次执行，而不是停在一句“运行失败”上。对于长时间任务，研究者也无需一直守在电脑前，它可以留在云端继续执行；中间发生中断时，Loop机制会从任务状态继续推进。当任务包含多个环节时，Graph会把它们组织成任务图，协调不同节点向前运行。至此，AI才真正从“回答一个问题”升级为“推进一项任务”。

Loop机制和Graph任务图是Closco能够处理复杂长任务的两个关键架构概念。Loop机制类似于软件工程中的"重试+状态恢复"模式：系统会持久化当前任务的执行状态，一旦发生网络中断、环境崩溃或超时等意外，可以从最近的检查点（checkpoint）继续执行，而无需从头重跑。Graph则借鉴了有向无环图（DAG）的调度思想——将一项科研任务拆解为多个相互依赖的节点（如"下载数据→清洗→建模→绘图"），节点间的依赖关系被显式定义，系统可以并行执行无依赖的节点、按序执行有依赖的节点，并在某个节点失败时只重跑受影响的子图。这种架构在数据工程领域（如Apache Airflow、Prefect）已经非常成熟，Closco将其引入科研工作流，意味着一次完整的研究任务可以像软件流水线一样被调度、监控和恢复。

第三步：把结果和证据接起来

任务跑完并不代表科研工作已经完成，科研结果还必须回答一个根本问题：依据在哪里？这就是第三步的意义——把结果和证据连接起来。

Closco整理出的文献结论可以点回对应原文，分析结果保留实际运行的代码和数据，图表与生成它的环境和版本一起保存。当导师追问某个判断来自哪篇论文时，可以直接打开原文核对；当审稿人追问某个数字如何得到时，可以回到代码和数据；需要调整图表时，也可以圈出具体位置继续修改，而不是面对一张无法追溯的图片重新来过。这意味着AI交付的不只是一个看起来正确的答案，而是一份可以审阅、核对和继续修改的成果。

这一步解决的本质是科学计算中的"可重现性危机"（Reproducibility Crisis）。自然科学领域多项大规模研究表明，超过一半的已发表实验结果难以被独立团队复现，根本原因之一就是原始数据、分析代码和运行环境往往没有被完整保存或公开。Closco将结论与对应原文、代码、数据版本绑定在一起，实际上是在工作流层面强制实施了"可重现性记录"——每一个数字都有来源，每一张图表都有可执行的生成路径。这与学术界近年来推广的"开放科学"（Open Science）和"计算笔记本"（如Jupyter Notebook）理念一脉相承，区别在于Closco将可追溯性内置到任务执行过程本身，而非依赖研究者事后整理。

第四步：把科研过程沉淀成研究资产

当工具、任务和证据都连接起来之后，才会出现最后一层价值：把一次科研过程沉淀成下一次还能使用的研究资产。

读过的文献留在课题库里，运行过的代码、数据和环境被完整保存，修改过的图表拥有完整版本，确认后的内容进入可以继续编辑的LaTeX论文工程。几个月后收到返修意见时，研究者不需要重新寻找当时的文件，也不需要重新回忆为什么采用某个参数——可以直接回到原来的版本复现结果，再从那里继续推进。

将科研过程沉淀为"研究资产"，对应的工程概念是版本控制与知识管理的融合。传统版本控制工具（如Git）主要面向代码，而科研工作还涉及文献笔记、实验参数、中间数据和图表等异构内容。Closco通过将LaTeX论文工程、代码环境、数据快照和文献库统一纳入同一个持久化系统，构建了一种面向科研的"项目级版本控制"。这在长周期课题中尤为关键：一篇论文从投稿到返修，往往跨越数月乃至一年，如果中间数据或环境丢失，复现原始结果的成本极高。将整个过程作为资产保存，实质上是把"个人科研记忆"外包给了系统，使后续修改、答辩或延伸研究都能以有迹可查的方式继续推进。

让研究者回归真正重要的事

Colossal Science想补上的最后一公里可以概括为一条清晰的链条：先把工具接起来，再让任务接着跑，然后把结果接回证据，最终把整个过程沉淀成研究资产。

在这套体系中，模型负责完成具体的一步，Closco负责把每一步组织成一项能够持续推进、可以检查、也可以继续修改的科研任务。研究者不再替工具搬运上下文，而是把时间留给真正重要的事情：提出问题、选择方法、判断结果，并为最终结论负责。这或许正是AI for Science从“会计算”走向“能交付”的关键一跃。