从目标到证据：我们的研发方法

我们想做一家面向科学与工程的 AI 公司。这个方向的意义，在于帮助研究人员和工程师推进原本难以完成的工作：多探索一些候选，更清楚地比较方案，把判断依据留下来，再继续下一轮研发。

AI 可以参与不同环节。它可能帮助检索研究资料、提出候选、调用已有软件，也可能在合适的数据条件下学习输入与响应之间的关系。选择什么方法，应当由任务、约束和证据决定。

先找到一项值得推进的任务

一项合作，应该从使用者的问题开始。

他希望改变哪一项结果？现在怎样完成工作？手头有什么资料、模型或工具？什么结果足以支持下一步决定？这些问题决定了软件需要做什么，也决定了哪些工作要留给领域专业人员、计算或实验。

我们希望起点足够明确，例如比较一组工程参数、组织某类研究记录，或把一个已有计算工具纳入可重复的流程。明确起点，让团队可以检查一次交付，再讨论是否扩大范围。

Monolith 的测试数据验证产品把输入、异常提示和工程师的复核动作放在具体场景中。我们从这种表达中得到的启发是：先让人看懂一次任务，再说明支持任务的技术。

让知识和工具参与构建

科学与工程问题各有自己的知识、单位、约束和运行条件。我们关注怎样把它们带进软件，让方案具备可以执行、可以修改的形式。

某些任务需要检索和分析，另一些需要参数化模型、代码或计算软件。数据足够、用途合适时，可以考虑机器学习模型；已有规则和工具更适用时，就从它们开始。不同任务可以采用不同应用。

LEAP 71 的技术介绍强调将设计规则、物理和制造约束纳入计算工程框架。PhysicsX 的平台介绍则分别说明仿真管理、数据、模型与工程应用。两者提示了一个共同问题：专业知识怎样成为软件实际使用的条件？这是我们需要在每项任务中回答的问题。

用另一条路径检查结果

生成一个候选之后，还需要知道它是否值得继续。

检查方式随用途而变：资料可以核对来源和字段，工程模型可以检查几何关系，软件可以在固定配置下重新执行，物理模型需要与相应计算或测量比较。涉及材料或设备时，最终判断还需要真实实验或实机条件。

这些证据应分别记录。回放已有日志，说明记录中的过程；重新运行，说明这次执行的结果；独立测量，才提供相应工况下的物理依据。每一层回答的问题不同。

Axiomatic AI 的公司介绍将逻辑与证据放在科学和工程 AI 的核心位置。对 GOPROMP 来说，这个启发落实为具体工作：开始时约定验收方式，执行时保留输入与版本，检查时保存通过、失败和仍需补充的条件。是否继续，由结果决定。

让研发记录跟着工作走

研发管理支持科学探索和工程实践持续推进。一次修改为什么发生、使用了哪版输入、哪些结果已经检查、下一位参与者需要什么，都应该能从记录中找到。

Uncountable 的研发产品围绕实验、配方、样品和结果组织研发记录。CuspAI 的公开 Foundry 介绍把工业团队、实验室与数据资源放进材料研发的协作体系。Automata 的 LINQ进一步把工作流程带到实验室仪器与执行环节。它们各自建立了不同的产品和基础设施。

我们从这些路线中形成的判断是：AI 的作用，需要落实到下一项能够执行的工作。对 GOPROMP，近期应先把一项任务的资料、工具执行、审阅和交付做好；完整研发管理链路与跨应用的数据协作，是继续发展的方向。

从项目中积累，再逐步产品化

目前的公开实践，为我们提供了几个不同的起点。

MOTRA展示参数化工程模型、控制记录与独立检查的限定范围本地实践。PackProof和 RT Clinica分别展示专业资料协作、研究数据采集与审阅。Pelle是品牌内容和购物流程的独立预览。各项目的阶段、证据和适用范围，在案例中分别说明。

这些实践支持资料组织、专业协作、工程检查与软件构建。材料发现、科学模型和实物验证，需要在具体研究与研发任务中继续积累相应证据。

我们的产品路线从一次完整交付开始。先理解使用者，约定范围，构建工具，完成检查，再整理结果与失败记录。第二、第三项任务中反复需要的能力，才逐步成为可复用的产品。科学与工程保持同样重要，首项任务可以有清楚的边界。

我们希望让智能，成为人类探索与创造的新基础。每一次探索都能留下下一步的起点，小团队也能借助更好的工具，推进更复杂的工作。

本文是 GOPROMP 的方法与产品方向说明。对其他公司的描述依据其公开产品资料，属于路线观察，不代表内部流程调查；这些公司的模型、部署和成果属于它们自身。