AI智能体正在重写科研

来源：市场资讯

（来源：DeepTech深科技）

（来源：麻省理工科技评论）

每隔几十年，就会有人宣布：科学已经走到了尽头。1903 年，备受尊敬的物理学家阿尔伯特·迈克尔逊（Albert Michelson）曾写道，“物理科学的事实已经全部被发现”。到了 20 世纪 80 年代，史蒂芬·霍金（Stephen Hawking）又预测，理论物理学或许会在世纪末迎来终点。

如今，随着人工智能迅猛发展，这样的情节再次出现。只不过这一次，它还伴随着一座诺贝尔奖。2024 年，Google DeepMind 的德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John Jumper）凭借神经网络 AlphaFold 获得诺贝尔化学奖。AlphaFold 能够从大量实验测定的蛋白质结构中学习，并预测蛋白质的三维形态。这个极其棘手的问题困扰了科学界半个世纪，而 AlphaFold 几乎完美地解决了它。很快，人们开始对这种方法背后的可能性产生巨大期待。

团队将 AlphaFold 称为“AI 如何让整个科学以数字世界的速度加速发展的范本”。在 DeepMind 成功的鼓舞下，一批面向生物学、化学和材料发现的基础模型创业公司相继出现，并获得了数十亿美元融资。

AlphaFold 似乎证明了一件事：只要拥有足够的数据，再配合 AI，即使我们并不真正理解背后的机制，也可能取得突破性的科学发现。一时间，人们仿佛又看见了一条通往其他科学问题的清晰道路。

毫无疑问，AI 会给科学研究带来巨大改变。但现在看来，AlphaFold 及其类似系统，未必是这场变革最好的典范。

因为，AlphaFold 成功最关键的前提，是蛋白质数据库（Protein Data Bank，PDB）的存在。这个数据库收录了大约 17 万个经过实验验证的蛋白质结构，为 DeepMind 训练模型提供了基础。而这个数据库用了 53 年时间，依靠全球科学界长期协作才最终建成。最近一项估算认为，支撑这些数据积累的实验工作总价值约为 210 亿美元。如此大规模的科学工程，本身就极难复制：资金难筹，组织协调更加困难，真正实施又极其耗时。历史上，许多类似计划也因此未能成功。

因此，真正可能大幅加速科学研究的，或许是另一条路线：AI 智能体（AI Agents）。过去几年，AI 的底层架构发生了一次重要转变。以大语言模型为核心的智能体迅速涌现，它们不再那么依赖针对某一个科学领域专门构建的大规模训练数据。对于科学研究而言，这意味着一次根本性的变化：我们第一次能够构建一种数字系统，去模拟真实科研中那种不断试错、反复迭代、处处取决于具体情境的研究过程。

AlphaFold 这样的工具，是用一种极其强大的方法解决一个相对明确的问题；而智能体天然更像通才。它们并不是发明了一种全新的科学方法。相反，它们是在数字世界中重新模拟人类进行科学发现的过程。

比如，Google 在今年 5 月公布的AI Co-Scientist。研究人员只给了它一页纸的背景材料和一个目标：弄清楚抗生素耐药性是如何在不同细菌物种之间传播的。这正是耐药性感染不断扩散的一个关键机制。

系统随后自动启动了多个子智能体。一个负责从已有文献中提出假说；另一个像同行评审一样专门挑问题；第三个通过类似“竞赛”的机制对不同假说进行排名；第四个继续完善最有希望的解释。

最终，系统提出：耐药基因可能搭乘细菌病毒传播。它们会“借用”能够进入新宿主的病毒，把耐药基因一并带过去。这个假说是正确的。伦敦帝国理工学院的研究人员此前花了整整十年，通过繁琐的湿实验工作得出了同样的结论。而当时他们的论文还在同行评审阶段，AI Co-Scientist 从未见过这篇文章。

当然，Co-Scientist 这样的系统仍然非常新。距离智能体真正成为科研流程中的常规工具，还有不少问题需要解决。它们仍然会产生幻觉，判断并不总是一致，记忆和输入长度也有限，因此很难长时间完全自主运行。

但这些更像是工程问题，而不是根本性的障碍。随着技术逐步成熟，我们会越来越明显地看到科学智能体带来的复利效应：科研结果会变得更加可靠，研究流程更加一致，而整个科学发现的速度也会不断提升。

AI 智能体另一个重要的影响，是缓解科学界长期以来的“可重复性危机”。可重复性危机，是指大量科研结果难以被其他研究者复现。几十年来，科学界一直呼吁研究人员公开原始数据和完整代码，希望借此让实验过程更加标准化。问题在于，这些工作繁琐、枯燥，而且往往发生在科学问题已经解决之后。研究人员长期缺乏动力去认真完成这些“收尾工作”。

智能体则不同。它们可以自动记录自己采取的每一步操作，完整保存从方法到结果的全过程。这样一来，别人就可以精确知道一个结论究竟是如何产生的，也更容易复现整个过程。

第二个变化，是科学研究的“集体记忆”可能被大幅增强。科研知识如何在不同研究者之间传递，一直是一件相当模糊的事。很多经验如果没有通过多年共同工作、观察和训练传给下一代，那么后来加入实验室的研究生，就只能翻阅前几十届学生留下的凌乱实验记录，从中寻找那些决定实验成败的细节。

但如果智能体越来越深入地参与科研，一个实验室过去所有研究过程，都有可能被系统地记录下来，最终形成一个统一、标准化的机构知识库。

不过，智能体最重要的影响，还是速度。在任何领域，一旦验证一个想法所花的时间，比开会争论这个想法还短，人们就不会再花几个小时争论，而是直接把实验做了。

想象一下，一个智能体可以在一小时内读完 1000 篇论文，设计出 500 个候选分子，然后在第二天早上之前从失败的实验中继续学习。当实验和探索的成本大幅下降，科学研究的节奏也会发生根本性改变。

这还会给研究人员带来另一种自由：他们可以去追逐那些更大胆、更奇怪、过去因为风险太高而不愿投入时间的问题。一些此前根本没人愿意打开的科学大门，可能因此被推开。

向 AI 智能体的转变，可能属于一种更罕见的技术突破：它并不只服务于某一个科学领域，而是有可能同时覆盖几乎所有科学学科。历史上，这种量级的工具屈指可数。微积分、统计推断、光谱学、计算机，都曾扮演过这样的角色。

它们的意义并不仅仅在于帮助人类解决已有问题。更重要的是，每一种新工具都会让人们看见一整片此前甚至不知道该如何提出问题的新世界。而这些新问题，又会反过来重新定义一门学科。

https://www.technologyreview.com/2026/08/10/1141384/ai-agents-for-science/