20分钟即可完成一套MiniOS操作系统搭建；依托AI4AI范式训练的参数规模超4亿的气象模型，可在1分钟内预测全球未来一周天气……这一系列高效、端到端的智能化研发成果，都来自上海人工智能实验室联合复旦大学、中国科学院软件所、华东师范大学等高校与科研机构近日研发的书生·星河智能体模型（Atria Dawn Preview）。

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。但充满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……

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，完成了系统性实证分析。数据显示，这次研发场景中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。

高频的AI自动化辅助，并不意味着AI主导科研。此次实践清晰印证了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，AI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%的困境可在人类补充场景背景、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）的可控落地范式，打通了AI科研迭代的完整闭环。

这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并实现能力升级，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，这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；另一方面，赋予智能体主动求助能力，补齐自主迭代短板。

新民晚报记者获悉，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。

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与反馈，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。

记者获悉，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。