Claw AI Lab團(tuán)隊(duì)
量子位 | 公眾號(hào) QbitAI

你還在一個(gè)人做科研嗎？

科研最難的，從來(lái)不是問(wèn)題本身，而是一個(gè)想法從文獻(xiàn)到實(shí)驗(yàn)再到寫(xiě)作，只能靠自己一點(diǎn)點(diǎn)往前推。

一個(gè)人方向偏了沒(méi)人提醒，遇到歧義沒(méi)人討論，結(jié)果不對(duì)只能反復(fù)試錯(cuò)。所謂的“自動(dòng)科研”，很多也只是把這一切封裝成一條無(wú)人參與的流水線——人被拿掉了，但問(wèn)題沒(méi)有變。

但真正高效的科研，從來(lái)不是流水線。它更像一個(gè)實(shí)驗(yàn)室：不同角色同時(shí)推進(jìn)，不同路徑并行展開(kāi)，發(fā)現(xiàn)被共享，錯(cuò)誤被更早暴露，方向在不斷討論中收斂。人始終在關(guān)鍵位置，做判斷、給方向、改路徑。

△clawailab.ai

由Liu Fayao（劉發(fā)耀，新加坡A*STAR研究科學(xué)家），Ye Deheng（葉德珩，前騰訊AI合伙人&首席專(zhuān)家）和Chen Tianrun（陳天潤(rùn)，魔芯科技創(chuàng)始人）帶領(lǐng)的研究團(tuán)隊(duì)提出了Claw AI Lab。

Claw AI Lab想做的，就是把這種協(xié)同方式變成一個(gè)可以運(yùn)行的系統(tǒng)。你定義方向，多個(gè)agent協(xié)同推進(jìn)，多個(gè)項(xiàng)目并行展開(kāi)，過(guò)程持續(xù)演化；你可以隨時(shí)介入、修正、回滾，讓研究形成真正的閉環(huán)。

你不再是一個(gè)人做科研。

你是在帶一個(gè)實(shí)驗(yàn)室，讓研究自己運(yùn)轉(zhuǎn)起來(lái)。

金字塔式分層架構(gòu)管理+用戶友好UI

Claw AI Lab采用金字塔式分層架構(gòu)，將科研流程拆解為從研究方向設(shè)定、方法設(shè)計(jì)與實(shí)驗(yàn)規(guī)劃，到代碼實(shí)現(xiàn)與結(jié)果分析的多層級(jí)體系，形成自上而下逐級(jí)細(xì)化的科研閉環(huán)。

每一層由專(zhuān)屬Agent負(fù)責(zé)，通過(guò)任務(wù)隊(duì)列與上下文緊密連接，使系統(tǒng)既具備全局規(guī)劃能力，又能高效執(zhí)行細(xì)節(jié)任務(wù)。同時(shí)，上層決策可根據(jù)下層實(shí)驗(yàn)結(jié)果動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)持續(xù)迭代與閉環(huán)優(yōu)化。

△Claw AI Lab的操作界面

系統(tǒng)提供可視化操作界面，用戶可以像PI一樣定義研究課題、拆解任務(wù)，并實(shí)時(shí)查看各個(gè)Agent的執(zhí)行狀態(tài)與中間結(jié)果。復(fù)雜的科研流程被抽象為直觀的操作與進(jìn)度面板，大幅降低使用門(mén)檻。

同時(shí)支持三種模式

Lab討論模式：多方向并行調(diào)研，跨方向討論達(dá)成共識(shí)，生成統(tǒng)一假設(shè)。

Lab獨(dú)立研究模式：多方向并行調(diào)研，各方向共享知識(shí)庫(kù)獨(dú)立生成假設(shè)，速度更快但無(wú)跨方向共識(shí)。

論文復(fù)現(xiàn)模式：單Agent全流程復(fù)現(xiàn)目標(biāo)論文的方法與實(shí)驗(yàn)。

Claude Code Harness

如果說(shuō)傳統(tǒng)AI編程助手解決的是“寫(xiě)一段代碼”，那么Claw Code Harness解決的是“把一個(gè)研究想法真正落成可運(yùn)行實(shí)驗(yàn)”。

在Claw AI Lab里，模型不再一次性吐出代碼片段，而是像工程師一樣進(jìn)入Turn Loop：先讀取本地代碼庫(kù)、數(shù)據(jù)集和模型檢查點(diǎn)，再迭代完成“理解任務(wù)、編寫(xiě)main.py、運(yùn)行測(cè)試、定位報(bào)錯(cuò)、繼續(xù)修復(fù)”的閉環(huán)。

△實(shí)驗(yàn)代碼生成流程

更關(guān)鍵的是，系統(tǒng)會(huì)在運(yùn)行環(huán)境中注入一個(gè)不可編輯的Experiment Harness，統(tǒng)一負(fù)責(zé)時(shí)間預(yù)算控制、指標(biāo)上報(bào)、異常值校驗(yàn)，以及最終生成標(biāo)準(zhǔn)化的results.json。這意味著Claw不只是“會(huì)寫(xiě)代碼”，而是在建立一條從想法到實(shí)驗(yàn)結(jié)果的可信執(zhí)行鏈路，讓AI生成的不是demo，而是真正能落地、能復(fù)現(xiàn)、能被繼續(xù)優(yōu)化的研究代碼。

從“單一”智能體到“群體”智能

科研從來(lái)不是單打獨(dú)斗的過(guò)程。真正重要的突破，往往誕生于反復(fù)的討論、質(zhì)疑與修正之中——一個(gè)想法被提出、被推翻、被重構(gòu)，在多輪批判與協(xié)作中逐漸逼近正確答案。

想象以下場(chǎng)景：你創(chuàng)建了一個(gè)具身智能實(shí)驗(yàn)室，你是PI并且你有三名研究員，他們的方向分別是VLM、VLA和World Model。你希望研究一下具身智能里面最新的video action model最能落地的方向。

討論前：

World Model研究員

主張worldmodel+邊預(yù)測(cè)邊做決策，認(rèn)為可控性、安全性和在線重規(guī)劃才是工業(yè)部署的關(guān)鍵；

VLA研究員

主張train with video, infer with action，認(rèn)為訓(xùn)練時(shí)使用視頻監(jiān)督、執(zhí)行時(shí)直接輸出動(dòng)作，才兼顧效率與閉環(huán)穩(wěn)定；

VLM研究員

認(rèn)為短期最容易落地的不是直接控制，而是任務(wù)理解、執(zhí)行監(jiān)控、異常預(yù)警和自動(dòng)化，因?yàn)檫@些模塊更容易進(jìn)入真實(shí)系統(tǒng)。

在Claw AI Lab里，討論并結(jié)合各家優(yōu)缺點(diǎn)，收斂出更強(qiáng)的idea得出一套更優(yōu)、更可部署的方案，如下：

• 訓(xùn)練階段，用視頻監(jiān)督學(xué)習(xí)更強(qiáng)的動(dòng)態(tài)表征；
• 執(zhí)行階段，保留直接動(dòng)作輸出，確保低時(shí)延閉環(huán)控制；
• 系統(tǒng)上層，引入planning / safety layer做重規(guī)劃和約束篩選；
• 執(zhí)行旁路，增加步驟理解、異常監(jiān)控、anticipation和可解釋推理，用于糾錯(cuò)、恢復(fù)和長(zhǎng)期運(yùn)維。

除此之外，在Claw AI Lab內(nèi)，討論不會(huì)只給一個(gè)“看起來(lái)合理”的答案，它還會(huì)把爭(zhēng)議背后的原因挖掘出來(lái)。

爭(zhēng)議一：人類(lèi)視頻到底該不該直接遷移到機(jī)器人動(dòng)作？

共識(shí)：它的近中期最大價(jià)值在于預(yù)訓(xùn)練和中間表示，而不是直接替代低層動(dòng)作監(jiān)督。

爭(zhēng)議二：為什么World Model和VLA有截然不同的主張？

共識(shí)：前者代表系統(tǒng)可控性與安全性，后者代表低時(shí)延執(zhí)行效率，真正更穩(wěn)健的路線不是二選一，而是把兩者放進(jìn)同一個(gè)分層閉環(huán)里。

所以，Claw AI Lab不只是“讓多個(gè)agent一起說(shuō)話”。它更像一次真正的組會(huì)，分歧被展開(kāi)，假設(shè)被暴露，證據(jù)被對(duì)齊，路線被重組，最后產(chǎn)出更強(qiáng)的共識(shí)、更清晰的優(yōu)先級(jí)，以及下一步真正值得驗(yàn)證的研究方向。

科研不再只是生成一個(gè)結(jié)果，而是一個(gè)由群體智能驅(qū)動(dòng)、不斷收斂和演化的過(guò)程。

Lab模式的項(xiàng)目結(jié)果示例

項(xiàng)目簡(jiǎn)介：這個(gè)項(xiàng)目旨在對(duì)大模型中的hallucination進(jìn)行系統(tǒng)化量化，不僅判斷結(jié)果是否出錯(cuò)，還深入到推理過(guò)程，識(shí)別錯(cuò)誤是如何產(chǎn)生、如何傳播的。其難點(diǎn)在于缺乏統(tǒng)一標(biāo)準(zhǔn)答案、錯(cuò)誤往往具備“表面合理性”，且在多步推理中會(huì)被不斷放大。為此，項(xiàng)目通過(guò)結(jié)構(gòu)化拆解模型輸出流程，引入多維度一致性與過(guò)程級(jí)分析，實(shí)現(xiàn)對(duì)hallucination的細(xì)粒度度量與定位，從而將這一長(zhǎng)期依賴經(jīng)驗(yàn)判斷的問(wèn)題，轉(zhuǎn)化為可分析、可優(yōu)化的工程問(wèn)題。

論文復(fù)現(xiàn)模式的項(xiàng)目結(jié)果示例

項(xiàng)目簡(jiǎn)介：這個(gè)項(xiàng)目旨在在真實(shí)工程環(huán)境中復(fù)現(xiàn)PhyCustom在FLUX模型上的效果，不只是復(fù)現(xiàn)論文結(jié)果，更驗(yàn)證“物理屬性可控生成”能否在復(fù)雜系統(tǒng)中穩(wěn)定落地。其難點(diǎn)在于，物理屬性難以被生成模型準(zhǔn)確表達(dá)，同時(shí)復(fù)現(xiàn)過(guò)程對(duì)數(shù)據(jù)、訓(xùn)練細(xì)節(jié)和實(shí)現(xiàn)路徑高度敏感，稍有偏差就可能導(dǎo)致結(jié)果失真甚至失效。為此，項(xiàng)目通過(guò)將方法嵌入完整的實(shí)驗(yàn)執(zhí)行鏈路，對(duì)關(guān)鍵步驟進(jìn)行約束與追蹤，使每一次訓(xùn)練與生成都有可依賴的上下文與反饋，從而讓復(fù)現(xiàn)過(guò)程從“不可控的試錯(cuò)”，轉(zhuǎn)變?yōu)椤翱勺粉櫟南到y(tǒng)性驗(yàn)證”。

代碼鏈接：
https://github.com/Claw-AI-Lab/Claw-AI-Lab
項(xiàng)目主頁(yè)：
https://clawailab.ai/