• 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。”