北京
8月28日，通用人工智能研究公司 Sapient Intelligence 宣布推出自主式 AI 研发系统 PRAXIST （Beta版）。不同于主要提升编程执行效率的 AI coding 工具，PRAXIST 瞄准的是更早期、更开放的研发探索环节：当企业已经明确技术目标，但尚未知道最佳解决路径时，由系统自主提出假设、设计实验、验证结果，并在迭代中沉淀可复用的研究发现。
网易科技与Sapient Intelligence 联合创始人陈威廉进行了交流，他表示，区别于今天常见的 AI coding agent类工具，更多是在目标和路径相对明确的情况下帮助用户执行任务，例如编写代码、实现既定方案或完成调优-- PRAXIST 试图解决的是另一类问题：目标明确，但路径未知。
“真实研发中，最大的挑战往往不是如何实现，而是不知道什么样的方案效果最好。”陈威廉表示，PRAXIST 的设计初衷，是让 AI 进入研发流程中更靠前的“问题探索”阶段，帮助团队在有限时间内探索更多假设、实验和技术组合，而不是只完成一次性的代码生成任务。
据介绍，企业使用 PRAXIST 时，需要先定义研发目标、评估标准、运行环境、约束条件和预算等信息。此后，系统可以在既定框架内自主开展探索、实验、评估和迭代。陈威廉称，PRAXIST 并不是为了替代研究人员，人类仍需要负责定义研究方向、设定目标和约束，并最终判断研究结果是否采用。
同时，与传统树状搜索不同，PRAXIST 采用“代际分层研究图谱”组织研发过程。也就是说，系统不会只沿着当前表现最好的路径继续推进，而是会把不同实验中的正向结果、负向结果、诊断性发现和不确定结果结构化保存下来。即便某条路径早期表现一般，其中的机制、约束或失败经验，也可能在后续与其他分支结合，产生新的研究价值。
而在方案生成阶段，PRAXIST 还引入了质量多样性（Quality Diversity，QD）机制。系统不仅参考历史得分，也会考察不同方案在机制、干预方式等维度上的差异，并将候选方案分散到不同方向。这样，即使某类方案暂时领先，其他方案也不会因当前得分较低或表现一般而被直接排除。
据介绍，在来自 MLE-Bench 的75项 Kaggle 竞赛任务中，PRAXIST 取得49项金牌，记录模型成本约为3000美元；作为对比，Claude Code 在相同评估条件下取得34项金牌，成本约为3.8万美元。公司还披露，在一项火箭着陆模拟测试中，PRAXIST 在12小时内将基线结果提升至100%；在工业机器人同步定位与地图构建实验中，合作伙伴团队经过数月开发后的累计误差为9.37厘米，PRAXIST 在三天内将误差降至5.01厘米。
在部署和安全方面，陈威廉表示，PRAXIST 支持部署在客户控制的基础设施中，包括本地服务器、私有云或隔离环境，以降低研发数据和知识产权跨环境流转的风险。企业侧通常不需要自行组建 AI/ML 团队，但需要具备基本工程能力，并能够运行自身实验环境、理解目标问题和评估指标。
据悉，PRAXIST 初期将面向人工智能、工程与机器人、制造、金融、医疗健康与药物研发等研发密集场景。未来，公司计划将其从传统研发场景延伸至更广泛的商业优化问题，包括库存管理、销售、物流和航运等领域。（袁宁）
