作者使用 AI 科研工作台 Open-Science（Codex 订阅驱动），在约 7 小时内从原始数据完整复现了 2024 年发表于《Science》的海马尖波涟漪（SWR）记忆选择研究。工作流采用'先出计划'模式，在查看数据前先冻结分析方法，并通过输入审查发现了作者自己代码与配置间的多处不一致。复现结果分四类报告：基线流形解码、回放候选筛选、CEBRA 编码大多精确复现，仅个别指标未复现；HSE 投射方向与原结果一致。最终交付包含报告、对照表、复现脚本的完整产出包。作者认为 AI Agent 大幅降低了科研复现门槛，未来人人都有机会参与科研。
作者记录硅谷101 Alignment 2026 年度峰会 Day 1 三场分享的核心洞察：模型竞赛、新型AI研究实验室与AI for Science。贯穿全场的主题是'生成越来越便宜，验证越来越贵'。开源vs闭源之争本质是利润表问题，价值向model-agnostic应用层转移；数学因可验证、可数字化、数据充足成为AI攻克焦点，验证成本趋近于零是北极星；AI for Science最大瓶颈是湿实验验证周转时间。作者从投资视角提出：拆解AI应用公司COGS、关注闭源转开源迁移路线图、可验证代码生成是下一个基础设施层。
作者被一位985博士安利了ScienceBuddy后，感慨现在的年轻人恰逢其时。ScienceBuddy是PhAILabs推出的免费AI科研工作台，集成了文献检索、数据库查询、组学分析等科研工具。作者重点介绍了两大功能：一是数据分析，上传数据后它会自动规划步骤、检查数据、运行代码，生成图表和分析脚本，全过程在轨迹中可查看可追溯，作者用Apple健康数据验证了效果；二是制定计划，能将模糊的研究或学习目标拆解为详细的落地路线图。文中还提到它与Claude相似，将多个领域的真实科研代码做成供AI Agent练习的环境，目前完全免费且响应速度快。
OpenAI宣布其内部模型在24天内解决了100多道长期开放的数学难题，包括纳维–斯托克斯方程相关成果。文章梳理了事件时间线：训练从8月28日开始，证明工作由约一万个并发Agent并行完成，耗时88小时，另用17小时完成Lean形式化验证。同时，陶哲轩、舒尔茨等数学家发表公开信，担忧AI过快产出证明会打乱学术规范、方法传承与人才培养。OpenAI还成立了独立的数学与AI顾问组，但无权干涉研究节奏。作者认为，解题速度加快后，证明的解读、教学与学术消化仍需数学界接续完成。
本文基于曹原访谈，探讨数学、逻辑与物理世界的区别及AI在科学发现中的局限。AI擅长演绎推理，但跨越物理边界面临挑战。真正的科学智能需要从封闭学习空间转向开放式自我演化，通过实验反馈不断重构关系结构。
