研究背景
实证研究的隐形瓶颈是科研软件：大量研究因为分析代码的统计错误或实现缺陷而结论存疑。Google DeepMind 的 ERA 系统目标是让 AI 写出「专家级」的实证研究软件——统计方法正确、可复现、可审计。
方法与核心内容
ERA 把研究者的分析需求转化为完整的数据分析管线：自动选择统计方法、处理数据清洗与稳健性检验、生成分层报告。系统在多项实证研究任务上与领域专家编写的软件进行了对照评估。
结果与意义
评估显示 ERA 生成的软件在统计正确性与可复现性上达到专家水平，且大幅缩短从数据到结论的时间。Nature 654 卷以正式研究论文（而非观点）的形式发表它，说明「AI 写科研代码」已经通过学术共同体的严格检验。
我们的观点
ERA 击中了科研可复现性危机的要害。本站「公式救援」工作（修复被转义损坏的 LaTeX）与 ERA 是同一问题的不同侧面：科研基础设施的可靠性。我预计「AI 生成 + 自动验证」的科研软件管线将在三年内成为实证研究的标配。
边界：ERA 擅长的是方法学明确的常规分析；开创性的新方法发明仍是人的领域。提醒使用者：AI 生成的分析代码仍需人工审查统计假设的适配性——自动化消除的是低级错误，不是科学判断。