AI 智能体，让每个人可以像科学家一样工作和思考

SciMaster 让科研不再只是科学家的专属，也让「像科研一样思考」成为更多人的可能。

作者｜郑玄

科研是 AI 最早实现广泛落地的行业之一。

在 ChatGPT 掀起这一轮生成式 AI 热潮之前，甚至可以追溯到上一轮由机器学习主导的技术浪潮中，AI 就已被用于气候模型参数校准、分子动力学模拟加速等科研任务。尤其在 2018 年前后，DeepMind 推出的 AlphaFold 在蛋白质结构预测方面实现突破，不仅引发了医药行业的技术革命，更被《自然》杂志评价为「解决了生物学五十年来的重大挑战」。

近年来，生成式 AI 的进步推动了新一轮科研范式的变革。进入 2024 年后，随着推理模型和 Agent 架构的快速发展，AI 正在从「能读会写」进一步迈向「能动手干活」，科研场景也迎来了智能体技术的全面介入。

近日，深势科技与上海交通大学等联合发布的 SciMaster，它被定义为「通用科研助手」——不仅能理解科研问题、拆解任务，还能在调研、计算、模拟、写作等多个环节自动调度工具、协同执行任务，完成一整套完整的科研流程。

SciMaster丨来自：scimaster.bohrium.com

更值得关注的是，随着「读、写」能力进一步增强，这样一款原本面向科研场景构建的智能体，正在显现出「能力外溢」的特征。像我这样的科技媒体作者，还有行业研究员、教育工作者、专业内容创作者，也可以将它纳入自己的工具箱。这些群体未必具备科研背景，但由于日常工作中同样面临知识构建、内容组织、复杂信息处理等需求，SciMaster 恰恰能在这些环节提供真正的帮助。

正因如此，正式发布后，SciMaster 很快引起关注，在闲鱼上一个邀请码被炒到近千元。我也在与深势科技团队沟通后，要来一个测试资格，得以亲自上手体验。

SciMaster 邀请码在闲鱼上以将近 1000 元的价格出售丨来自：闲鱼

从「AI for Science」到「AI for Everyone's Science」，这是我在实际体验了几天之后，得到的最直接、也是最深的感受。

01

可以「读、算、做、写」的 AI 科学助手

过去十年，AI 被广泛应用于科研。但它的角色往往局限于「环节优化工具」：比如用 AlphaFold 预测蛋白质结构，用大模型查找论文、翻译文献、整理数据等。这些能力有用，却始终只是局部增强。真正「做科研」的能力，仍被视为人类研究者的专属领域。

SciMaster 正在挑战这一范式。它并不是一个传统意义上的「科研工具」，而更像是一种全新的「AI 科研助手」——具备自主开展研究的能力，能够在完整科研流程中独立承担起结构化任务。

它的特别之处，在于两种能力的叠加：一方面，它连接了超过 1.8 亿篇高质量论文和众多科研工具、平台，为获取、调用科研资源打下坚实基础；另一方面，它基于推理模型构建了科研任务的组织与思考能力，能够像研究者一样理解一个科学问题，并围绕目标任务制定研究路径、调研验证、阶段性汇报。

SciMaster 的执行链路丨来自：深势科技

SciMaster 的能力路径可以被概括为四个字：读、算、做、写——这是所有科研人员日常工作的主轴。它当前的强项集中在「读」和「写」这两个最接近认知与语言的阶段，而「算」和「做」的行动力则在通过工具接入与任务编排不断演化。

在「读写」两项能力上，SciMaster 已体现出成熟的科研能力。可以把它看作是深势科技此前推出的玻尔科研平台的延续与升级。玻尔已经实现了文献调研、内容总结与报告生成的基本能力，解决了科研初期的「写作瓶颈」。而 SciMaster 更进一步，它不仅能理解任务背景，还具备任务拆解和策略生成的能力，能动态组织信息、调节路径，并以结构化方式完成科研产出。

比如我向 SciMaster 提出这样一个问题：「主流量子计算架构（如离子阱、超导）有哪些发展瓶颈？」它的回答并不是直接生成一段答案，而是按科研范式展开调研工作。首先搜索该领域近三年专业综述，确保信息具备系统性与前沿性；其次拓展跨学科语义关联，如物理学、工程领域等，检索潜在影响因子；最后对候选文献进行语义抽象与解析，梳理出关键结论与共识性判断，最终生成一份具备来源追溯、理论结构、突破路径的报告。

对于一个科学问题，SciMaster 的研究过程丨来自：极客公园

这个过程中，SciMaster 展现出了「研究员式的思维能力」：它不会凭空生成答案，而是构建路径、组织知识、迭代优化，真正具备了科研策略意识。正因如此，它在知识密集行业中也展现出「超科研」价值：无论是行业研究员、政策制定者还是媒体记者，借助它，都能像拥有一个隐形科研拍档，快速上手复杂议题、生产高质量分析内容。

如果说「读写」能力已相对成熟，那么「算做」环节代表的是这个产品的未来，其真正打开了 SciMaster 的延展空间。它没有试图用语言模型去替代数值计算或实验操作，而是构建了一个「智能体框架」，调度外部能力组件，比如集成在玻尔 Uni-Lab 广场的实验设备和系统等，将科研任务流程串联成一个可执行闭环。

玻尔 Uni-Lab 智能实验室操作系统丨来自：bohrium.com

这种机制，在实际科研场景中已开始落地。例如在新药立项阶段，药企往往需要判断一个靶点是否具备研发价值。以往这个环节依赖专家经验、人工文献筛选和实验验证，如今 SciMaster 可以通过结构预测、作用机制推演、文献整合与临床数据分析，辅助评估「是否值得投入资源深入研发」。

深势科技曾提到，一家药企客户使用 SciMaster，在短短几天内完成了一个抗肿瘤靶点的可行性分析报告，覆盖已有药物机制、专利壁垒、空间分布与潜在药效等内容，原本可能需要一个小团队耗费数周完成。

类似的闭环也在材料领域发生。深势科技已与宜宾新能源新材料数智创新中心的干湿闭环实验系统实现云端联动。研究者只需输入目标性能，系统即可调用专属知识库、Uni-ELF 配方大模型与自动实验工站，自动完成从方案推荐到验证迭代的研发过程。这一机制使配方交付效率提升了 10 倍。

需要特别强调的是，SciMaster 并不是「万能科研机器人」。它更像是一个分布式科研系统的协调中枢，通过调度知识、算力、工具和设备，为科研工作者提供系统级支持。它不直接取代研究员的判断力，而是让人类可以更专注于真正的科研决策，而非信息堆砌与冗杂操作。

所以，与其说它是「超级科学家」，不如说它正在成为一个「结构化科研体」——具备组织、规划、执行科研任务的系统性能力，协助人类完成从提出问题到初步验证的闭环研究。这种定位，也更契合它当前的发展阶段：它不是智商 300 的超级 AI 科学家，而是一个「可以协作的优秀 AI 助手」。

而未来，随着更多垂直知识库、仿真工具、实验接口与物理设备的接入，这个「科研助手」将变得越来越强。它未必能取代人类科学家，但有可能重塑科研的方式：不再靠投入时间和人力推进进展，而是在系统协作中，提高整个研究体系的效率。

这就是 SciMaster 未来最大的意义——它不是工具，而是一个新形态的「科学合作者」。

02

它不仅属于实验室，

也属于更广义的「知识工作者」

从深势科技此前的产品「玻尔」，到现在的 SciMaster，其并不只为科学家服务。它的结构化思维、专业理解和问题拆解能力，正在向科研圈层之外自然溢出。

玻尔主要面向科研早期的信息整理和知识整合，解决「不会查、写太慢」的问题。而 SciMaster 在此基础上，引入了推理模型、任务规划能力与跨工具协同机制，已从一个查文献、写综述的智能工具，成长为具备科研路径构建与模拟验证能力的「科学助手」。它不仅能「帮科学家做科研」，也逐渐体现出在更广泛人群中的实际价值。

作为一名科技媒体从业者，我在内容生产中也面临「类科研」问题：比如涉足一个新的前沿技术领域的选题，需要厘清其发展脉络、判断不同技术路线的优劣、提炼出有逻辑的观点。这些工作，与科研相比虽然不需建模实验，却同样依赖结构化思考和知识系统构建能力。

我最近正在研究 AI 芯片和 AI 基础设施领域。带着这种需求，我围绕「AI 芯片领域的技术差距与基础设施挑战」这一主题，写了一个简单的 Prompt，让 ChatGPT 和 SciMaster 分别生成一份面向入门者的分析报告。两者的表现风格与能力各具特点：

AI 芯片研究报告节选 左：SciMaster 右：ChatGPT 丨来自：极客公园

ChatGPT 的最大优势在于逻辑表达流畅，具备对用户指令意图的快速响应能力。例如我提出希望了解「英伟达与其他芯片公司的差距」，它不仅罗列了不同厂商的架构对比，还进一步推荐了可学习的文献方向，延伸建议我可以采访的行业专家和关注的行业重要会议，其提供的结果非常契合我的真实需求和工作方式。

而 SciMaster 则呈现出一种更「学术化」的思维方式。它没有急于回答问题，而是先解析任务结构，并选择使用不同工具协同执行：先用网络和文献搜索工具查找基础信息，再聚合文献数据，并进行量化对比。最终给出的内容引入了多个专业来源（如 IDC、arXiv、Nature），并通过 Python 脚本完成芯片算力与带宽的精度对比。其呈现的结果更专业，论点使用了大量的数字支撑，来源也能够进行追溯，内容看起来更加专业。

SciMaster 还具备编辑思维链的能力丨来自：深势科技

正是这种「以科研思维做任务」的能力，使得 SciMaster 在许多高要求的信息分析任务中具备更大的潜力。例如，未来它若能进一步扩展对专业数据库、仿真工具、行业知识库的调用能力，对于独立研究者、小型研究机构，甚至政策制定部门来说，都是一种「低门槛专业支持系统」。相比传统 AI 助手，它不仅能「写出一份报告」，更有能力在关键推演路径、数据来源验证上，提供「像科研一样严谨」的结果。

从我的实际体验出发，目前的 SciMaster 还远不是「通才型」的 AI 科学家，它并不能完全取代专家判断，也不具备强大的自适应交互能力。但它已经是一种清晰的、功能明确的 AI 合作者雏形——不只是为科研服务，也适用于更多在信息密集环境中工作的人们：内容创作者、行业研究员、教育工作者，甚至是企业知识管理部门。

随着未来更多工具、知识库和执行接口的接入，它所代表的「科研智能体范式」，也许将在实验室之外，为更多非科研行业带来生产力的提升。这不仅关乎 AI 如何做科研，更关乎我们如何用科研方法做更科学的事。

SciMaster Reports丨来自：深势科技

03

结语

无论是模拟科研流程，还是辅助复杂内容创作，SciMaster 展现出了一种新的 AI 工作方式：不是简单地生成结果，而是围绕问题本身组织信息、拆解路径、调度工具，完成一个更接近「科研范式」的思考闭环。

它的意义，不止于打造一个「更会写报告」的工具，而在于让智能体协作这一新范式，在科研这类高门槛场景中率先落地，并自然延展至更多非科研人群的知识工作中。

当然，从目前的表现看，它距离「超级 AI 科学家」还有明显差距——基础模型仍需提升理解力和任务建构能力，工具链的接入也尚未完整。但作为科研协作体的雏形，它已能在「读、算、做、写」各环节中提供结构化、专业化的支撑。

也许我们可以换一个角度看待这类智能体：它不是来替代科学家，而是让更多人拥有像科学家一样思考和解决问题的能力。SciMaster 的出现，也许正标志着「AI for Science」从实验室走向更广泛现实场景的起点。

*头图来源：SciMaster

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

AI 落地终于要迎来「爆发点」？AI 在 B 端和产业落地中，发展到哪一步了？

作为公路货运行业 IoT SaaS 服务的领导者 —— 「G7易流」已经摸索 AI 落地许久。

他们是怎么做到的？看到了 AI 时代哪些新机会？