九问｜ScienceDiscovery以树搜索驱动科研RSI，开源科研工作台

科研里最耗人的，往往不是写出第一版代码，而是其后几十上百次试错：积分器差一点、数值例程慢一截、从数据表反推方程写不对。openJiuwen社区开源的AI科研工作台ScienceDiscovery，把这段试错交给程序——模型权重不训练、搜索规则也不改，每一轮变的只有产物本身。近窗公开材料集中展示其树搜索驱动的科研RSI（Recursive Scientific Improvement，递归式科学改进）能力。

九问/openJiuwen侧把ScienceDiscovery定位为一站式AI科研工作台：文献与数据库连接器、沙箱里写跑Python/R/Shell、多智能体拆解任务、全链路可追溯。产品面向可信本地或工作站环境，而不是多租户公有云随便跑危险代码。树搜索跑在这层底座上：并发产生候选、沙箱评估、合并进产物库、按治理规则决定谁能提交。

机制与公开案例：

1. 树节点：每一版产物可选中、改写、长出分支；高分分支获更多改写机会；失败版本同样入树
2. 四步循环：选父版本 → 模型改写 → 沙箱评分挂新节点 → 向祖先回写访问记录
3. 振荡积分：约2小时、236个版本无人干预；第119版在打分集平均相对误差约0.07%
4. AlgoTune加速：同配置两种子平均约2.279倍，提示词不点名加速技术；对照口径高于部分官方榜与需先RL训模型的方法
5. 符号回归：约41.4%写出正确方程，每题平均约16.5次调用，deepseek-v4-flash费用开销不足约3元

所谓科研RSI，白话是给目标与评分函数，让代码在沙箱里自己改到够好；所谓树搜索，白话是不只死磕当前最优，还会回到早先被搁置的分支继续挖——积分案例里，最终版本的祖先链路就曾跳回一个早已被超越的中间版。底座把演进循环固定成四个插槽，换算法或换任务主要换插槽内容，并支持多worker异步扩展。

放在科学智能上下文里，行业常见路径是「再训一个更大的科研模型」；ScienceDiscovery展示的是另一条：现成模型 + 可判定评分 + 搜索。它能先跑起来的领域，验证成本必须低到几秒几十秒——代码、数值、符号回归合适；风洞、合成、细胞实验仍会被「等多久才知道好不好」卡住。

产业影响上，对高校与实验室，这降低了「有想法但没人力刷实验」的门槛；对自动化实验与仿真厂商，则提示下一步该补的是更快、更可信的验证器。需要把边界读清楚：案例分数为团队公开评测；开源代码仓在AtomGit与GitHub，部署与安全边界以仓库文档为准。下一观察点是社区对评分函数与科学连接器的贡献密度，以及仿真/自动化实验能否把验证周期压到可搜索尺度。