- PRAXIST 在 75项机器学习竞赛中取得49项金牌，记录模型成本约为3,000美元，而 Claude Code 以约38,000美元取得34项
- PRAXIST 在12小时内将火箭着陆模拟精度提升至100%，达到技术成熟度等级（TRL）3的概念验证能力
北京2026年8月28日 /美通社/ -- 总部设于新加坡的通用人工智能（AGI）研究公司 Sapient Intelligence 今日宣布推出自主式 AI 研发系统 PRAXIST（Beta 版本）。该系统能够处理复杂的技术问题，并独立完成对潜在解决方案的测试与验证。
尽管 AI 已在内容生成及标准化流程中显著提升生产效率，但相对开放式的研发工作依然难以实现自动化和规模化。要实现突破，需要提出并检验多种假设，开展实验和概念验证，从成功与失败中获取反馈、积累经验，并持续判断哪些方向值得推进。在此过程中，企业还必须兼顾专业人才、时间、成本和基础设施等多重因素。
研发产能倍增器
PRAXIST 旨在解决上述难题，成为研发产能的"倍增器"。它并非执行预设路径，而是自主探索能够以最佳方式实现可量化目标的技术方案。用户只需设定目标、参数和预算，PRAXIST 会自主开展实验，并评估和筛选出最优解决方案。
在受控环境下进行的内部测试中，PRAXIST 展现了突出的成果。在来自 MLE-Bench 的75项具有挑战性的 Kaggle 竞赛任务中，PRAXIST 取得49项金牌，记录模型成本约为3,000美元；相比之下，Claude Code 在相同评估条件下取得34项金牌，成本约为38,000美元。
"通用编程智能体主要用于完成目标和路径相对明确的任务，而 PRAXIST 则专为周期更长、路径更开放的研发任务而设计。这类任务往往没有预先确定的解决路径，需要系统在推进过程中持续探索和调整。"Sapient Intelligence 联合创始人陈威廉（William Chen）表示，"传统研发团队能够开展和评估的实验数量有限，因而可能错过更优方案，也可能拖慢研发进程。过去，企业若要开展和评估更多实验，往往需要大幅增加专业人才投入。PRAXIST 的设计初衷，就是帮助企业提升现有团队的研发产能，突破这一瓶颈。"
从自主研究迈向累积性科学发现
PRAXIST 部署多个自主研究的个体，并行探索不同技术路径。每个个体可提出并检验假设、重新审视既有前提、分析实验失败的原因，并进一步验证有潜力的结果。不同于其他类似系统采用的树状搜索——每条候选路径仅从一个父节点延伸，表现较弱的分支通常不会再被继续探索——PRAXIST 采用一种代际分层研究图谱，将可复现的实验产物、评估结果、研究发现与决策连接起来，形成可追溯的研发谱系。这使后续轮次研究能够跨越不同分支，组合有价值的机制、证据和约束条件，并从失败的尝试中总结经验。PRAXIST 并非寻找唯一的最优分支，而是利用各个分支的发现构建更强的解决方案。
快速拓展与规模化
对于 AI 或机器学习能力有限的企业，PRAXIST 可在其现有领域知识之上叠加 AI 研发能力；而对于技术成熟的企业，PRAXIST 则可以进一步扩充研发产能，拓展技术探索的规模与范围。例如，一家传统机器人公司可以从工程角度定义问题、目标和约束条件，而 PRAXIST 则负责开展所需的 AI 研究、实验与验证以形成解决方案。这相当于为这家公司配备了一个内部 AI 研究团队，且无需其自行组建。
上述能力在实际合作中已得到初步验证。在一项由合作伙伴提供的火箭着陆模拟测试中，PRAXIST 在12小时内将基线结果提升至100%，展现出技术成熟度等级（TRL）3 的概念验证能力。在另一项工业机器人同步定位与地图构建（SLAM）实验中，合作伙伴团队经过数月开发，累计误差为9.37厘米；PRAXIST 在三天内将误差降至5.01厘米。
系统应用场景
PRAXIST 可以在私有环境或客户可控环境中处理专有数据，让组织对自身研发基础设施和敏感知识产权拥有更强的掌控力。
PRAXIST 的初期应用主要面向研发需求密集或问题优化需精确量化的行业，包括人工智能、工程与机器人、制造业、金融，以及医疗健康与药物研发。未来，Sapient Intelligence 计划将 PRAXIST 从传统研发延伸至更广泛的商业优化场景，涵盖库存管理、销售、物流和航运等领域。
"AI 已经擅长执行已知任务，而下一个前沿在于探索未知。"PRAXIST 首席科学家李今表示，"PRAXIST 是我们在这一方向上迈出的第一步，旨在将 AI 自主探索能力转化为企业攻克复杂难题的实用工具。随着平台持续演进，我们将寻求突破传统研发领域。我们的目标是从根本上提升企业探索未知的能力，使其现有团队能够开展更多实验、尝试更多方法、实现更多创新，同时始终将人的智慧和判断置于核心位置。"
