2026年人工智能体时代的科学计算：探索性实地研究报告

核心观点

科学计算在现代科研中扮演着核心角色，但许多计算工具由小型团队开发，缺乏对性能和可维护性的关注，导致技术债务和工程人才短缺。基于大型语言模型的智能体（LLM-based agents）的出现，为解决这些问题提供了新的机遇。

案例研究

本报告通过八项早期案例研究，展示了LLM智能体在科学计算中的应用，涵盖项目范围从轻量级维护任务到面向性能的完整科学库重写，重点关注生命科学领域。每个案例研究都附有负责工作的个人或团队的反思，包括过程中的经验教训。

项目类型

• 在现有库中实现新的工具、库或新的方法能力
• 轻便的维护和包装工作
• 针对现有功能进行优化
• 在软件框架之间进行兼容性迁移，同时保留已发布的行为
• 将工具链迁移至新的编程语言，同时保持语义不变
• 进行涉及重大算法变更的以性能为导向的全面重写

人类角色

• 定义任务范围和验收标准
• 引导代理进行迭代
• 验证代理的输出结果
• 进行科学解释和决策

验证和证据

• 与现有实现进行比较，包括字节级相同的输出、对选定数量的同意等
• 使用模拟、已知答案或预定义的验收标准进行评估

障碍和失效模式

• 代理生成的代码可能存在细微错误
• 代理的自我评估不可靠
• 真实世界数据中存在模拟数据中不存在的边缘情况

研究结论

• 编码智能体应用于科学计算，对于加速科学研究和提高关键系统的可靠性具有巨大潜力
• 仍存在一些悬而未决的问题，包括项目的责任和所有权问题
• 在可行时建议与现有维护者合作和监管

经济价值

• 直接运行时和计算节省
• 持续软件维护
• 协助和促进新包的开发

局限性

• 本报告具有回顾性，并非为本研究而委托
• 对人力投入、节省时间和经济优势的评估很大程度上依赖于贡献者的定性判断
• 有其他一些团队正在推进更全面的代理辅助开发计划

总结

编码智能体在科学计算中具有巨大潜力，可以加速科学研究和提高关键系统的可靠性。然而，仍需解决验证和确认、责任和所有权等问题。在合理使用的情况下，编码智能体可以使科学计算更具耐久性、简明性和鲁棒性。