先给结论：人工智能会答题不等于会做出科学突破。考卷和论文问答可以很高，实验室同事要的是发现。2026年要把已知突破藏起来，看它能否独立重现。会引用不等于会做出那一步。刷题高分成不了同事。闭卷走出同一条路，才叫会发现。科学评测要藏答案看重现，不要用考卷分数吹。

人工智能很会答科学题，痛点在答的是卷面，不是发现过程

卷面友好：有题干、有选项、有标准答案。模型背得多，分就高。实验室不友好：证据在实验记录里，突破已经发生过，但你不能把论文贴进提示。同事要看你能不能在证据外，自己走出同一条路。走不出，你只是会引用的检索器。

把已知突破当闭卷考，才接近发现。藏起来的是结论、关键配比、那条经验关系。留下的是当时能拿到的观测、失败尝试、仪器约束。模型若只能在全文可搜时复述，分数是记忆。记忆不是突破。

论文问答会制造假同事。它能解释名词、能总结贡献、能把相关工作排好。排好之后，让它独立给出下一步实验，常常抄最近一篇的结论。抄结论在组会上像懂。懂要看：证据被抽走以后，还会不会走到同一处。

发现任务还怕输出收成一条。只追最高分，模型会把解空间收窄，只剩最像标准答案的那句。真正的探索要能提出多个不同、可检验的候选。候选覆盖塌了，再准也找不到新解。刷分和发现在这里分叉。

评测要改题目，不是改形容词。形容词叫「科学家级」。题目叫「已知发现被藏住，你还能不能重现」。重现还要可检验：步骤能被别人跑，系数能对上数量级，失败路径说得清为什么放弃。说不清，重现是作文。

人工智能科学发现2026五步：先藏答案，再独立走，再许称会发现

1. 科学能力主指标改成闭卷重现已知突破，不用考卷和论文问答当主分。
2. 提示里禁止出现结论、关键配比和那条关系的名字。出现了，记作弊。
3. 输出必须是可检验步骤，不是赏析。步骤别人跑不出，记零发现。
4. 同时看覆盖：能提出多少不同且可检验的候选。只交一条最高分，标为收窄。
5. 迁移：换一组被藏住的已知发现仍能走通。只会一套题，标为背题。

两处只有做过组会才清楚。其一，药筛模型把教科书反应背得很熟。把那次已知发现的实验记录抽走，只留当时的光谱和失败批次，它开始编一个更漂亮、仪器做不到的路径。漂亮在问答里加分。仪器做不到，发现是零。后来改成闭卷：必须用现有仪器约束重走。走通的那次，步骤能被实验员复做。复做才算。其二，材料组用名词解释考模型，分很高。让它在配比表被藏住之后找已知的稳定区间，它给出的数字和数量级差一截。差一截在论文里是致命。改成「只给观测和失败，自己找区间」之后，高分消失，能用的候选才出现。

气象组也一样。会答名词，不会重现已知的经验关系。把关系名字藏住，留下观测序列，模型乱编系数。系数对不上历史数量级，预报不能用。用数量级门禁之后，会答题的优势立刻缩小，会走过程的才留下。

建设者该把闭卷重现和可跑步骤做成科学评测默认。管实验室工具的人，该拒收只交考卷分、论文问答分的「科学家级」方案。那级是形容词。形容词进不了实验记录。

结论：人工智能的科学能力，要用藏住答案之后还能不能走出来衡量，不要用会不会答题衡量

藏答案。独立走。步骤可跑。覆盖别塌。仍拿考卷吹突破，突破会停在组会的第一问。

你下次听「已经会做科学」，先问已知发现藏起来还能不能重现、步骤别人能不能跑；两问含糊，同事名额先不要给它。

现场还要防口号替换验收。把「端到端已经准、新技能已经上、演示已经好看、问答已经高分」写成周报，不等于程序可查、旧技能还在、第一人称对得准、已知发现能独立重现。周报可以写，门禁必须绑在规格、遗忘、手眼和闭卷重现上。

若只能改一处：先把「演示分高」从唯一成功标准里拿掉。分高可以记，可验证、不遗忘、第一人称可教、能独立发现四件跟不上就算事故。

现场还要防口号替换验收。把「端到端已经准、新技能已经上、演示已经好看、问答已经高分」写成周报，不等于程序可查、旧技能还在、第一人称对得准、已知发现能独立重现。周报可以写，门禁必须绑在规格、遗忘、手眼和闭卷重现上。

若只能改一处：先把「演示分高」从唯一成功标准里拿掉。分高可以记，可验证、不遗忘、第一人称可教、能独立发现四件跟不上就算事故。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源