一条抗体序列，怎样才能从计算机里的预测，变成实验室中真正有效的候选分子？ 一副机翼，怎样才能从屏幕上的设计方案，变成兼顾不同飞行状态的工程成果？ 这两个问题看似相隔很远，却把 AI 带到了同一道门槛前：给出一个看起来合理的答案，和完成一项经得起验证的研究，是两回事。 在华为 HC 大会上，“纳米抗体智造”、“民机总体与气动设计” 两个案例，让这道门槛变得具体起来。 它们关注的，不只是让模型"更懂生物"或"更懂空气动力学"，而是把文献、模型、工具、实验和反馈组织起来，让一个研究问题能够连续地向前推进。 两个案例背后，共同出现了一个名字：openJiuwen ScienceDiscovery。 科研需要的，不是一个更会聊天的助手 不妨设想这样一个场景。 研究者让 AI 寻找一个新方向。它很快给出完整的论证，列出参考文献，甚至写好了实验代码。真正开始核查时，却发现：某篇文献并不支持那条结论，代码还没有实际运行，报告中的结果只是模型对"应该会发生什么"的推测。 问题不在于回答不够流畅，恰恰在于它太流畅了，容易让"推测"看起来像"事实"。 在 AI 辅助科研的公开梳理中，这类问题通常被归为两类：