智能体走出屏幕后，AI开始在家庭、实验室和企业里为结果负责-速维云

Figure AI把机器人送进30个陌生家庭做零样本测试，结果并没有呈现一场科幻电影式的完美首秀：整理床铺等任务在420次试验中成功237次，成功率从9%提高到56%。这个数字谈不上“机器人已经成熟”，却足以说明一件更重要的事：智能体正在离开熟悉的软件界面，开始接受陌生环境、连续动作和真实结果的检验。

同一天，AI又在另一端展示了类似趋势。Claude在四周内重写30多个生物分子模型，性能提升2至4倍；ScienceIDE把科学代码库变成可训练环境；Anthropic甚至设立湿实验室，让AI系统参与实体生物学研究。模型竞争的重点，正在从“能不能生成一段漂亮答案”转向“能不能把任务做完，并对过程和结果负责”。

从演示走进陌生环境

Figure AI发布的Helix 2.5测试，最有价值的地方不是成功率本身，而是测试条件。机器人面对的是30个此前没有采集数据的家庭，不依赖针对某个房间、某张床或某件物品提前训练的动作脚本，而是要在陌生空间中识别目标、规划动作、处理变化，再把任务推进下去。

56%的成功率仍然意味着大量失败，但它和9%的初始结果之间存在明显差距。更重要的是，这类测试把具身智能的评价从实验室中的标准物体、固定光线和预设轨迹，拉到了真实家庭的杂乱环境。家具位置、床品材质、遮挡关系和空间尺度都可能变化，机器人必须处理这些不确定性，才有资格谈服务价值。

Figure计划在未来12个月投入超过10亿美元扩展数据和训练规模，并为Index数据集支付1500万美元。这个动作反映出具身智能的核心难题仍然是数据与反馈，而不是发布一个更响亮的模型名称。机器人需要持续看到失败发生在哪里，知道哪些动作会导致物体滑落、碰撞或卡住，再把经验转化为下一次决策的改进。

科学代码成为新训练场

Anthropic披露，Claude在四周内优化了30多个开源生物分子模型，性能提升达到2至4倍。这里的关键并不是AI写了多少代码，而是它开始处理真正依赖算法、硬件和实验设定的科学工程问题：如何理解已有实现，定位瓶颈，改写代码，并通过评测确认优化没有破坏结果。

ScienceIDE的出现则把这类工作进一步系统化。该开源项目将科学代码库转化为包含64个环境、2812个任务的学习场景，让模型不仅生成代码，还能在相对明确的目标、资源和评价标准下反复尝试。最强模型在评测中仍只有67.1%的成绩，说明科学代码并非“让模型多写几次”就能解决，硬件利用率、数值稳定性和实验可复现性都会成为实际门槛。

这对企业使用AI也有直接启发。能够生成代码只是起点，真正有价值的系统必须把代码放入可运行环境，提供数据、工具、评测和回滚机制。没有这些配套，模型的“聪明”无法被稳定复现；有了这些配套，模型才可能从一次性助手变成能够持续积累经验的执行成员。

Agent进入公司要算结果账

NeoCognition发布的ApprenticeBench，把AI Agent放进模拟建筑公司担任会计。Fable 5.1的任务通过率达到72%，超过测试中的人类最高51%，但每张账单平均成本为18.23美元，而人类处理成本是7.21美元。这个结果很容易被“超过人类”吸引，却更应该先问：企业愿不愿意为这样的自动化支付两倍以上的成本。

Agent进入企业后，评价标准自然会改变。一个系统如果只是偶尔答对复杂问题，不能说明它适合长期生产；它还必须稳定处理异常、遵循权限、留下审计记录，并且在单位任务成本、响应时间和返工率上优于现有流程。企业不会只为模型的峰值能力买单，而会为可预测的交付结果买单。

值得注意的是，该评测显示最强模型的计算机使用成本已经基本消失，Agent可以直接操作企业现有软件。软件适配不再是唯一障碍，成本结构和责任边界反而更突出。未来的采购决策可能不再是“选哪个模型”，而是比较每个Agent完成一项完整业务任务需要多少调用、多少人工复核，以及出了错由谁处理。

生物实验室打开另一扇门

Anthropic设立湿实验室，探索让Claude等AI系统参与实体生物学研究，并将罕见病治疗和“不可成药”疾病作为方向。这意味着AI科研不再只停留在文献检索、实验方案建议或代码生成，而是尝试接入真实实验环境，让模型提出假设、安排步骤、读取反馈，再据此调整下一轮行动。

这条路线的难度远高于普通办公Agent。实验结果可能受到试剂批次、设备状态、温度和操作细节影响，模型必须区分偶然噪声与真正信号；同时，任何自动化实验都需要严格的权限分级、风险评估和人工确认。AI可以扩大实验搜索空间，但不能因为生成速度更快，就跳过生物安全和结果复核。

Anthropic收购Coefficient Bio并向多家药企提供AI服务，说明模型公司正在试图把能力延伸到行业数据和实体流程。不过，实验室并不是一个更大的聊天窗口。真正的竞争将发生在数据闭环、自动化设备、专业人员协作和可重复验证之间，谁能把这些环节连接起来，谁才可能把“AI科学家”从宣传语变成生产系统。