AI for Science距离“自主发现”有多远？晶泰科技提出五级分级体系

过去一年，Autonomous Science Discovery（科学自主发现） 正在从概念走向现实。

近期，《Nature》连续发表多项与自主科学发现相关的研究，Google DeepMind 的 Co-Scientist 可以围绕研究目标自主生成、反思和优化科学假设，多智能体系统 Robin 则进一步把文献搜索、假设生成与实验数据分析连接起来。

Google 前首席科学家 Jeff Dean 与多位 Google AI 核心研究者共同创办了 Discovery Loop，致力于将科学与工程中的实验过程自动化，让方案生成、实验执行、结果分析和下一轮迭代形成持续循环。AI 正在从科研助手走向能够主动参与科学发现过程的 Agent。

Q但随着 Autonomous Discovery 等概念快速出现，一个更基础的问题反而变得越来越重要：究竟做到什么程度，才能称为 “自主科学发现”？

基于过去几年在 AI、计算、自动化实验和真实研发场景中的实践，晶泰科技提出自主科学发现五级分级体系，从系统在科研过程中承担的角色以及能够独立覆盖的任务范围出发，将自主科学发现划分为五个阶段：

L1 Tools → L2 Co-pilot → L3 Agents → L4 Domain-specific Autonomous → L5 General Autonomous。这五个阶段也可以概括为：响应指令 → 辅助人类 → 独立完成部分流程 → 领域全流程自主 → 泛领域自主。

由晶泰科技提出的自主科学发现五级分级体系

晶泰科技提出自主科学发现五级分级体系，正是希望为行业提供一个观察和讨论 Autonomous Discovery 的共同坐标系。在晶泰看来，自主科学发现能力的演进，本质上是科学发现假设验证闭环的自主覆盖范围和自主决策深度的不断提升。衡量一个系统处于哪个阶段，不在于拥有多少模型、多少机器人或多少算力资源，而在于它能够独立承担多少真实的科学发现过程。

基于此，晶泰科技研究团队在《National Materials》上发表了题为“The Lab of the Future: An Industrial Infrastructure for Scalable Molecular Innovation”的文章。该刊由北京大学与 Wiley 联合主办，由中国科学院院士张锦教授与诺贝尔奖得主 Konstantin Novoselov 教授共同担任主编。文章聚焦晶泰的一线落地成果及自主科学发现五级体系，呼吁业内建立共享数据标准、自动化基础设施。

文章刊登于《National Materials》（点击文末“阅读原文”查看）

行业从L2到L3快速过渡

从行业进展看，科学界正处于 L2 向 L3 快速过渡的阶段。大量的科研人员在使用 L2 来辅助科研，而顶尖的 AI for Science 团队（如 DeepMind, 微软研究院，以及各大高校的自动化实验室）正在攻克 L3，并初步展示了特定领域 L4 的雏形（如材料发现闭环）。

以药物研发和化学材料领域为例，现代 AIDD（AI 辅助药物设计）和 CADD（计算机辅助药物设计）在 Agent 出现之前，在自主决策能力上仍属于 Level 1，必须等待人类输入明确的指令。

L2 的 Co-pilot，典型应用场景是临床。在不替代医生最终决策的前提下，目前主要应用于临床的全流程（诊前、诊中、诊后、科研），以及在药物研发过程中，帮助临床专家快速进行文献综述、提取真实世界数据、筛选符合临床试验入组条件的患者。晶泰科技的智能调研助手 epiXora 和专利分析平台 PatSight 等，就属于这一阶段的实践，它们减少了科研人员大量信息搜集、整理和分析的工作，让科学家能够把更多时间投入需要专业判断的部分。

进入 2025 年，Multi-Agent 成为 AI4S 最新的发展趋势。以晶泰的 VAST Agent 为例，这是一款基于 46 亿可合成分子库 VAST 构建的智能体。用户可通过自然语言对话，完成结构与性质检索、筛选过滤、多样性推荐、性质分布分析与结果导出，并可将任意命中分子一键推进至合成下单，实现按周交付。

目前，晶泰科技已在新药发现的多个场景中，实现端到端的 L4 自主发现能力。以 Agentic HTE（高通量筛选）平台为例：用户仅需通过自然语言定义反应目标，Agent 即可在 40 万+ 专利知识库中精准匹配实验条件，并与 AI 模型协同生成最优方案。随后，系统调度自动化实验室完成固/液体加样、反应执行与前处理等全流程。实验数据实时回流后，AI 自动进行产率预测与副产物解析，并基于 LLM + 贝叶斯优化（BO）策略主动规划下一轮实验，从而快速筛选出高产率条件。

以 Agentic Synthesis（库合成）平台为例：只需用自然语言描述目标分子及所需条件数量，Agent 便可自主核对原料到货情况、确认立项并创建实验记录；随后基于 AI 生成实验条件，自动完成实验准备，并提交至自动化反应检测一体机执行。该平台于去年年底实现月度自主合成 5000 个分子，今年 4 月提升至 8000 个分子；反应成功率达到行业平均水平的 3 倍，同时显著减少实验总量。借助该平台，每位化学家可并行启动数百个实验，实现数量级提升。

实现真正的“自主发现”，需要闭环

当科学发现从 L2、L3 走向 L4 乃至更长期的 L5，还需要解决三方面问题：基础薄弱、无法闭环和难称发现。

“基础薄弱”，主要体现在高质量科学数据不足，Agent 与自主发现平台缺少完善、可复用的评价标准，支撑科学智能持续发展的工程基础仍需加强。

“无法闭环”，指 AI 生成的假设与真实实验之间仍然存在断层。AI 提出假设后，往往无法自动完成实验验证；机器人对实验环境、操作流程和异常情况的理解与处理能力也有待提升。

“难称发现”，则意味着现有 Agent 大多缺乏持续学习和自我进化能力，知识和能力容易局限在单一领域。它们更擅长在已有研发积累的基础上加速优化，在跨领域迁移和从 0 到 1 的原始创新方面仍面临挑战。

解决这些问题，需要系统建设自主发现的基础设施：

• 结合 Physical AI 打造面向药物和材料研发的自主实验平台；

• 持续生产标准化科学数据，形成高质量数据飞轮；

• 建立 Agent 与自主发现的评测标准和可复现的 Benchmark；

• 构建科学 Harness 体系，将科学规则、实验安全、异常检测与恢复、流程编排、数据记录和回溯验证工程化；

• 发展具备自主进化和快速迭代能力的 Agentic System，推动系统从完成单次任务走向长期学习与策略升级。

自主发现闭环如何落地？

过去数年，晶泰一直在建设面向自主发现的基础设施，主要包括三个部分：

• 科学智能（Scientific AI）：创新发现的“数字大脑”；

• 物理智能（Physical AI）：真实世界的 “执行抓手”；

• 智能体系统（Agentic System）：协同进化的 “神经中枢”。

在晶泰的具体研发场景中，这三类能力已经开始协同运行。如前文提到的 Agentic HTE（高通量筛选）平台、Agentic Synthesis（库合成）平台，跑通了目标定义—实验规划—自动化执行—数据反馈—方案迭代的完整闭环，把做实验变成可被持续调优的计算过程，由此显著提高研发效率。

从工具时代迈向“自主发现”时代

晶泰相信，科学发现从来不是一次答案的产生，而是一轮又一轮假设、验证与修正的循环。当 AI 能够持续推动这一循环向前演化时，自主科学发现才真正从工具时代迈向发现时代。