在最近的研究中，Anthropic宣布Claude在短短四周内优化了30多个开源生物分子模型，涉及AlphaFold3、Boltz-2、Chai-1、ESMFold2和RFdiffusion等广受应用的科学工具。研究结果显示，在允许小幅度数值精度变化的情况下，整体任务速度提升约为4倍；而在必须保持输出一致的要求下，速度提升接近2倍。此外，相关代码也被开源发布。更有意义的是，这一优化过程主要由Claude独自完成，监督者为两位了解生物建模但不具备传统推理优化或GPU核工程背景的Anthropic技术人员。这一进展表明，科学计算工具的加速将使得科学家在同样的时间和预算下进行更多的数字实验，从而为科学研究的推进奠定基础。

不过这份报告虽然回答了AI能否在此领域发挥作用的问题，但也引发了新的思考：AI生成的科学代码要完全发挥硬件性能，仍有多远的距离。在此背景下，一个开源项目诞生，旨在解决Claude留下的问题：如何使AI的代码优化能力能够持续学习、复用并扩展至更广泛的科研领域。9月17日，AItonomy Foundation推出了第一个开源项目ScienceIDE，得到PhAI Labs和阿里Qwen的资助。这个项目搭建了一种基础设施，将全球的科学代码库转化为可执行和可验证的学习环境。

在项目筹备过程中，团队针对等离子体物理与天体物理领域的代码进行了实验，结果验证了上述问题。实验利用了广泛应用于这些领域的PLUTO代码，这是一种高性能科学计算工具，自2007年以来备受推崇。PLUTO涵盖了流体力学、磁流体力学等多种领域，复杂之处在于其计算必须满足多种物理条件。 球友会

PLUTO的开发团队也在进行GPU加速，并在2025年发布了gPLUTO，旨在通过C++重写和OpenACC实现NVIDIA GPU加速。而AItonomy团队则通过在M1 Ultra、A100和H100上重新实现PLUTO的磁流体力学模块进行测试。测试结果显示，AI生成的初始实现不仅能够运行，而且在检查的算例中得到了合理的物理结果。然而，与团队使用的128核CPU节点配置相比，其速度提升不足5倍。经过与AI的进一步分析，团队调整了数据布局、内存访问等多项内容，最终进一步提升了速度，接近初始实现的3倍。由此可见，尽管AI能够“写出”代码，但在复杂的科学计算中，充分发挥硬件性能仍需经历更多的改进。在不断挖掘潜力的过程中，AI需具备测量、诊断、修改和验证结果的能力，才能进行有效的迭代优化。