Forschungsinstrumente sind jeweils nur für einen einzelnen Teil des gesamten Arbeitsprozesses zuständig: ClawsGO bringt den vollständigen Workflow in die Cloud
Am 26. Oktober 2026 veröffentlichte das BitMiracle AI Lab ein 23-seitiges Papier sowie den dazugehörigen Quellcode: Sein wissenschaftlicher Agent ClawsGO Science lief 11 Tage lang ununterbrochen in der Cloud, führte einen formalen Beweis für den Fall des detaillierten Gleichgewichts der globalen Attraktor-Vermutung durch, die 1974 im Bereich der chemischen Kinetik aufgestellt wurde, erzeugte 83 Lean-Beweisdokumente mit etwa 9300 Codezeilen und wies nach 21580 Kompilierungs-Selbstprüfungen keine logischen Lücken auf. Dieses Ergebnis wurde noch nicht von Fachkollegen begutachtet, und sein akademischer Wert muss noch von der wissenschaftlichen Gemeinschaft überprüft werden. Als unbeaufsichtigte Langzeitausführung wissenschaftlicher Forschung durch einen Agenten bietet es jedoch ein überprüfbares technisches Kriterium für dieses Unternehmen, das seit weniger als zwei Jahren besteht.
ClawsGO Science, betrieben von der operativen Einheit Beijing Bit Miracle Technology Co., Ltd., ist ein cloudbasierter KI-Agent für wissenschaftliche Forschungsszenarien. Er wurde seit September 2026 durch Medien wie 36Kr öffentlich berichtet und befindet sich derzeit in der frühen Kommerzialisierungsphase nach der öffentlichen Markteinführung, während die nächste Finanzierungsrunde vorangetrieben wird.
Wissenschaftliche Arbeitsabläufe sind durch Werkzeugketten zersplittert, und Langzeitaufgaben fehlt eine stabile Ausführungsumgebung
Die Ergebnisse wissenschaftlicher Arbeit sind längst hochgradig digitalisiert, aber die Abläufe selbst sind noch immer auf verschiedene Werkzeuge verteilt: Literatursuche und -lektüre, Datenbereinigung und statistische Modellierung, Diagrammerstellung, Papierverfassung und -layout, Anpassung des Einreichungsformats und Überarbeitung. Jeder dieser Schritte verfügt über ausgereifte eigenständige Werkzeuge, aber es fehlt eine durchgehende Ausführungskette. Die Zeit, die Forscher für Konfigurieren von Umgebungen, Datenmigration, Formatanpassung und Versionsrückverfolgung aufwenden, ist oft genauso groß wie die Zeit für kreative Arbeit, und diese Schritte bilden nicht den Kernwert akademischer Ergebnisse.
Nach der Verbreitung allgemeiner Programmieragenten hat sich dieser Widerspruch nicht von selbst aufgelöst. Der Betriebszyklus allgemeiner Agenten ist in der Regel auf eine einzelne Interaktion ausgelegt. Bei wissenschaftlichen Aufgaben mit langen Ketten und anfälligen Einzelschritten für Fehler ist es leicht, dass sie bei mehreren Sprüngen zwischen Suche, Lesen, Modellierung, Zeichnen und Schreiben das Gedächtnis verlieren oder unterbrochen werden. Wissenschaftliche Aufgaben haben zwei weitere strenge Anforderungen: Schlussfolgerungen und Daten müssen bis zu ihrer Quelle zurückverfolgt werden können, und die Ausführungsumgebung muss reproduzierbar sein. Die bloße Übertragung der Codegenerierungsfähigkeit in den Browser löst nicht die Probleme der Langfristigkeit und der Beweiskette bei wissenschaftlicher Arbeit.
Auch externe Bedingungen konvergieren in die gleiche Richtung. Im Juni 2026 veröffentlichte das Nationale Datenbüro den „Umsetzungsplan zur Förderung der Aktion zum Aufbau hochwertiger Branchendatensätze“ und plante erstmals den Aufbau hochwertiger Daten in Bereichen wie der wissenschaftlichen Forschung auf Ebene von Branchendatensätzen. Laut Berechnungen des Marktforschungsinstituts QY Research betrug der weltweite Marktumfang von KI für Wissenschaft im Jahr 2025 etwa 4,538 Milliarden US-Dollar und wird voraussichtlich im Jahr 2032 26,23 Milliarden US-Dollar erreichen, mit einer durchschnittlichen jährlichen Wachstumsrate von etwa 28,9 % in diesem Zeitraum, wobei Softwareplattformen eine der wichtigsten Produktformen darstellen. Nachfrage, Politik und sinkende Rechenleistungskosten treffen im gleichen Zeitfenster zusammen, wodurch wissenschaftliche Forschungsagenten zu einer eigenständigen Produktebene außerhalb der Fähigkeiten von Basismodellen werden.
Umgebung, Ausführung und Lieferung zu einer cloudbasierten wissenschaftlichen Maschine kapseln
Die Produktform von ClawsGO Science lässt sich wie folgt zusammenfassen: Die Umgebung, Werkzeuge und Abläufe, die Forscher zuvor manuell lokal verknüpfen mussten, werden zu einer in der Cloud laufenden wissenschaftlichen Maschine gekapselt. Das Produkt weist jeder Aufgabe einen Cloud-Host mit vorinstallierter wissenschaftlicher Umgebung zu. Der Benutzer beschreibt das Forschungsziel in natürlicher Sprache, der Agent zerlegt es selbstständig in Unteraufgaben und treibt sie kontinuierlich voran, während der Aufgabenstatus auf Webseite, Mobilgerät und Desktop-Client synchron angezeigt wird. Wenn auf lokale Daten oder eigene Rechenleistung zugegriffen werden muss, kann der Benutzer die Aufgabe auch auf den lokalen Rechner umschalten oder über SSH auf den GPU-Host des Labors zugreifen. Das Produkt bietet sowohl Desktop-Clients für macOS als auch für Windows an.
Auf Architekturebene ergänzt das Produkt den allgemeinen Agentenkern um zwei Ebenen von Ingenieurskapazitäten: Erstens einen Langzeitausführungsmechanismus, bei dem Aufgaben mehrere Stunden lang kontinuierlich um das Forschungsziel herum laufen und nach einer Unterbrechung vom Haltepunkt aus wiederhergestellt werden können. Zweitens ein Mechanismus zur Zusammenarbeit von Aufgabenplan und mehreren Unteragenten, bei dem komplexe Aufgaben in parallel vorantreibbare Unteraufgaben zerlegt werden und der Benutzer den Gesamtfortschritt und den Status jeder Unteraufgabe im Panel einsehen kann. Im Schreibvorgang wird ein natives LaTeX-Arbeitsbereich bereitgestellt, in dem Quellcode und PDF in Echtzeit verglichen und kompiliert werden. Wissenschaftliche Zeichnungen werden in Form von reproduzierbaren Paketen geliefert, wobei jede Zeichnung die entsprechenden Codes, Daten und Aufzeichnungen der Ausführungsumgebung behält. Alle Umgebungen, Befehle, Dateiänderungen und Suchaktionen jeder Ausführung werden protokolliert, und die gesamte Arbeitsrunde kann jederzeit wiedergegeben werden. Dieses Design reagiert direkt auf die Anforderungen an die Beweiskette in wissenschaftlichen Szenarien.
Die im Oktober veröffentlichte formale Verifikation der globalen Attraktor-Vermutung war eine umfassende Prüfung der oben genannten Architektur. Laut den öffentlichen Papieren des Teams und Berichten von Medien wie The Paper und CSDN verwendet diese Aufgabe eine zweischichtige Multi-Agent-Architektur, bei der ein Entscheidungsmodell die Richtung vorgibt und mehr als hundert Ausführungsmodelle parallel ableiten, wobei der mathematische Theorembeweiser Lean die deterministische Prüfung übernimmt. Als der übliche Lehrbuchweg am 6. Tag blockiert wurde, wechselte das Entscheidungsmodell zum Weg der Energiereduktion in der Elementargeometrie, woraufhin die gesamte Linie die Kompilierung bestand. Die akademische Anerkennung solcher Ergebnisse steht noch durch die Begutachtung durch Fachkollegen aus, aber ihre technische Bedeutung ist bereits klar: Ein Agent kann unter unbeaufsichtigten Bedingungen mehr als eine Woche lang kontinuierlich an einem ernsthaften wissenschaftlichen Problem arbeiten und maschinenverifizierbare Schlussfolgerungen liefern.
Einstieg bei einzelnen Forschern über Abonnement und Abrechnung nach Rechenleistung, Planung der privaten Bereitstellung auf Institutionsebene
Im Geschäftsmodell verwendet das Produkt hauptsächlich die Abrechnungsmethode aus Mitgliedschaftsabonnement plus Rechenleistungsabrechnung: Der KI-Verbrauch wird in Rechenleistung umgerechnet, wobei jedes tatsächlich verwendete Modell und jeder Verbrauch nachvollziehbar ist. Die Laufzeit des Servers wird nicht separat abgerechnet, und die Rechenleistungskosten sind in den Modellaufrufdienst integriert. Diese Struktur begrenzt die variablen Kosten der Forscher auf die Aufgabe selbst, erfordert nicht, dass Benutzer langfristig ungenutzte Rechenleistung vorhalten, und vermeidet die einmalige Investition in lokale Hochleistungsgeräte. Die Zielnutzer umfassen Doktoranden, Hochschullehrer, unabhängige Forscher und F&E-Teams von Unternehmen. Erstreben zielen darauf ab, den täglichen wissenschaftlichen Arbeitsablauf zu verkürzen, während letztere mehr Wert auf Prozessstandardisierung, Datentrennung und private Bereitstellung legen. Für institutionelle Kunden plant das Team, ein Modell aus privater Bereitstellung und gemeinsamer Entwicklung mit vor Ort eingesetzten Ingenieuren anzubieten. Derzeit befindet sich das Produkt noch in der parallelen Phase der Produktvalidierung und frühen Kommerzialisierung, und spezifische Daten wie die Größe der zahlenden Nutzer, die Wiederkaufrate und die Umsatzdaten wurden noch nicht öffentlich bekannt gegeben.
Vom Campus-Werkzeug zum wissenschaftlichen Agenten: Das Einsatzgebiet auf die bereits vorhandene Nachfrage ausrichten
Der Gründer Lü Haoran, geboren 2004, ist Student der Informatik an der Jilin Universität. Er brach sein Studium im zweiten Studienjahr ab, um ein Unternehmen zu gründen. Zuvor arbeitete er etwa vier Monate als Praktikant für KI-Produktmanager bei Baidu und absolvierte anschließend ein zweimonatiges Praktikum bei der Venture Capital-Institution MiraclePlus. Der Ausgangspunkt seiner unternehmerischen Tätigkeit waren KI-Konto-Werkzeuge auf dem Campus und ein Hilfsprodukt für mathematische Modellierungswettbewerbe Anfang 2025. Ende 2025 versuchte das Unternehmen, allgemeine Agenten für verschiedene fachliche Szenarien abzudecken, und stellte dann fest, dass etwa die Hälfte der frühen Nutzer wissenschaftliche Forschung betrieb, viele davon Lehrer und Forscher. Das Team beschränkte das Produkt daher 2026 auf das wissenschaftliche Forschungsszenario und schuf das heutige ClawsGO Science.
Die Meilensteine auf Unternehmensebene sind ebenfalls klar: Die operative Einheit Beijing Bit Miracle Technology Co., Ltd. wurde im November 2024 mit einem eingetragenen Kapital von 100.000 RMB gegründet, gesetzlicher Vertreter ist Lü Haoran. Der im Gewerbeanmeldung eingetragene Geschäftsbereich umfasst Softwareentwicklung und Entwicklung von KI-Anwendungssoftware. Das Team betreibt zudem die Bit Miracle (Changsha) Technology Co., Ltd., die im August 2026 am Spezialboard für Innovation und Unternehmensgründung von Studenten an der Hunan Equity Exchange notiert wurde, Notierungscode 310293HN. Das Produkt ist bereits über zwei unabhängige Eingänge für die chinesische Version und die globale Version zugänglich. Laut früheren Berichten von 36Kr sollen die Mittel der nächsten Finanzierungsrunde für drei Bereiche verwendet werden: die technische Optimierung der Langzeitaufgabenplanung und des Multi-Modell-Routings, die Produktisierung der unternehmensweiten privaten Bereitstellung sowie die Erweiterung des wissenschaftlichen Forschungsteams.
Der Wettbewerb in dieser Branche erstreckt sich von allgemeinen Programmierassistenten bis hin zu spezialisierten Szenarien. Sowohl Hersteller von Basismodellen expandieren in den Bereich der wissenschaftlichen Forschung als auch vertikale Startups steigen über Experimentdesign und Literaturmining ein. Die relative Position von ClawsGO Science liegt darin, den gesamten wissenschaftlichen Forschungsprozess als Produktgrenze zu definieren, statt nur einzelne Funktionen anzubieten. Das formale Verifikationsergebnis vom Oktober liefert einen nachprüfbaren technischen Beleg für diesen Ansatz. Die Erfolgsrate von Langzeitaufgaben, die interdisziplinäre Allgemeingültigkeit und die Daten zur Bindung zahlender Teams sind die Antworten, die dieses Unternehmen dem Markt im nächsten Finanzierungszyklus weiterhin liefern muss.