智能体连续执行的背后，谁决定研发走向？
当前，绝大多数标准化、流程化的研发操作，均可由智能体自动化、连续化推进，极大解放了科研生产力。但不确定性的科研探索，始终离不开人类的高阶判断：研究问题的定义、技术路线的遴选、实验结论的解读、迭代方向的取舍，这些无法用代码行数量化的决策，是决定研发成败的关键。这也是团队复盘全流程人机交互日志、量化拆解分工逻辑的核心出发点。
为精准量化新科研范式下的人机分工关系，团队基于 56 名研发人员的 769 条任务记录及智能体运行日志，完成系统性实证分析。数据显示，本次研发场景中 AI 辅助使用率高达 96.5%，其中 33.2% 的任务在固定资源与质量标准下，完全依托 AI 能力方可落地，凸显 AI 在科研执行层的不可替代性。
高频 AI 自动化辅助，并不意味着 AI 主导科研。本次实践清晰印证了 AI 负责执行、人类掌控决策的核心分工逻辑：研发过程中 64.6% 的技术方案由 AI 生成，承担代码开发、重复实验、数据统计等海量基础性工作；但 85.5% 的技术路线选择、93.4% 的研究目标界定、81.9% 的验收标准制定，均由人类完成最终决策。
在智能体遇阻卡顿的场景中，人机协作的价值进一步凸显。588 项卡点任务数据显示，仅 0.7% 的任务需要人类全盘接管，76.0% 的困境可通过人类补充场景背景、澄清需求、诊断问题、优化技术路径后，由 AI 继续自动化推进。同时，56.5% 的 AI 产出成果需迭代优化，其中 75.4% 的优化工作依托人类反馈、由 AI 落地实现。这些数据充分说明，人类的判断力、创造力与场景洞察力，是 AI 自动化研发的核心支撑。
递归自我改进：科研智能化迭代的可控核心路径
结合 "科学研究是下一个编程" 的核心论断，科研团队探索出递归自我改进（RSI, Recursive Self-Improvement）的可控落地范式，打通了 AI 科研迭代的完整闭环。
本次实践构建了双重研究视角：一是验证智能体可独立完成模型训练、软件开发、漏洞修复等全维度科研任务，具备高效的自动化执行能力；二是厘清人机协同边界，明确人类在科研迭代中的核心定位。随着 AI 执行能力持续升级，两大视角深度交汇，形成 RSI 核心逻辑：AI 自主参与模型研发迭代、实现能力升级，升级后的模型反向赋能新一轮研发，形成持续自我优化的正向循环。
同时，本次人机分工观测给出关键启示：科研自动化绝不等于 AI 自主决策。真正安全、可控、可持续的 RSI，必须以人类高阶研判为核心约束，通过双重机制保障迭代质量。
一方面，建立全流程校验追溯体系，适配 AI 高速迭代节奏。AI 可快速重构训练流程、搭建工具链路、批量开展实验，大幅提升研发效率，但高速迭代易导致误差累积、目标偏离、信号失真等问题。因此，研发自动化提速的同时，必须配套独立评估体系、全流程可追溯记录、异常暂停与回退机制。实验数量、迭代速度可无限提升，但每一轮自我改进的有效性、可靠性与安全性，必须经过人类严格核验，杜绝迭代偏差层层传导。
另一方面，赋予智能体主动求助能力，补齐自主迭代短板。复杂科研场景普遍存在目标模糊、证据冲突、依赖现实场景验证等问题，单纯的自动化执行无法突破瓶颈。基于本次实践，团队明确下一代 RSI 迭代核心方向：让智能体具备自主判别能力，清晰区分可独立完成的标准化任务、需要人类补充信息与专业研判的复杂任务。
未来，智能体可主动识别研发卡点、梳理不确定性问题、明确人类介入需求，并精准承接人类指导反馈完成迭代优化。这一模式将重塑科研工作形态：人类研究者无需全程逐步骤调度，只需在关键节点提供决策与指导，真正聚焦创新探索、顶层设计等高阶科研工作。从 AI 辅助科研到可控 RSI 自我迭代，仍需多轮实践持续打磨，而人机协同、人类主导的核心逻辑，将始终是通用智能科研迭代的核心准则。
8 项基准评测：两项第一、两项第二
依托可控 RSI 人机协同研发范式，书生・星河实现了优异的综合智能体能力，在 8 项权威基准评测中斩获两项第一、两项第二：在 AutomationBench、CyberGym 榜单得分登顶，在 SkillsBench、Workspace-Bench-Lite 榜单位列第二，综合性能位居同类模型第一梯队。
书生・星河在 8 项权威基准评测中斩获两项第一、两项第二
除量化分数外，三组真实任务直观验证了模型的端到端自动化能力，覆盖科研训练、软件开发、网络安全三大核心场景，完整呈现书生・星河任务调度、工具调用、反馈迭代、闭环落地的全链路能力。
第一项任务，让 AI 独立参与全球气象预测模型的设计与训练。本次任务提供 100GB 全球气象数据，同时关闭网络搜索能力。书生・星河基于数据集构建模型，学习 69 个气象变量时序演化规律，设计参数量超 4 亿的 ViT 骨干网络，完成 45000 步训练。最终系统可在 1 分钟内，预测未来一周全球天气。在本次评测设定条件下，该系统使用更少训练数据，部分预测指标优于经典气象模型 FourCastNet，最终交付一套可独立运行、经过完整训练的气象预测系统。
禁用网络搜索，训练一个超过 4 亿参数的天气模型
第二项任务，面向软件开发场景。书生・星河接收自然语言需求，在 20 分钟内完成一套 MiniOS 的搭建，将文字需求转化为可运行软件系统。案例聚焦完整项目闭环：统筹开发任务、编写代码、交付可运行成果，实现从自然语言需求到可用系统的端到端落地。
20 分钟，从自然语言需求到 MiniOS
第三个任务，书生・星河被安排进隔离靶场，从网站分析和攻击面排查开始，进一步完成漏洞发现、利用、与修复。在此过程中，模型不仅要识别网站结构和潜在风险，还要通过多轮测试排除错误判断、定位真实漏洞，并完成攻击、修复和复验。这项任务覆盖了从发现潜在漏洞，到验证漏洞是否成立，再到修复漏洞的过程。
在隔离靶场，把漏洞发现、修复和环境恢复接起来
书生・星河的创新突破，源自一支多元协同、青年为主的科研团队。作为人工智能领域新型科研机构，上海 AI 实验室充分发挥 "连接器、放大器、加速器" 核心功能，搭建跨机构、跨学科、跨领域的协同科研平台，提供各类优质科研资源，全力支持青年科研人才在重大攻关项目中挑大梁、当主角。
（来源：上海人工智能实验室）