惊！AI开始亲自动手做实验了

来源：市场资讯

（来源：机器之心）

编辑｜Panda

在《生化危机》里，有一套位于地下深处的实验室「蜂巢」。门禁、监控、通风、安保乃至整个设施的运行，都被交给了一个 AI：红皇后。

人类科学家负责研究，但真正掌握这座实验室「手脚」的是 AI。

当异常发生，红皇后可以关门、切断系统、控制设施，直接干预物理世界。

二十多年前，这样的情节还是科幻电影用来制造恐惧感的经典套路：AI 进入物理世界，操纵机器、运行实验，直接干预现实世界。

现在，这个画面开始以一种完全不同的方式进入现实——至少目前还不恐怖。

就在昨天，Anthropic 发布了面向物理硬件的 Model Hardware Standard（MHS），试图把 MCP 的逻辑从 GitHub、Slack 和数据库进一步延伸到机械臂、显微镜、液体处理器、激光器等真实设备。参阅报道《刚刚，Anthropic 发布物理 MCP：Claude 开始接管真实世界》。

简单来说，AI Agent 不只要有调用软件的「接口」了，它开始需要一套连接现实世界的「神经和手脚」。而今天，谷歌 DeepMind 又展示了自己在这方面的成果。

在一篇刚刚公布的 83 页论文中，谷歌把 Gemini 驱动的 Co-Scientist 接进了真实科研流程，并且还让其设计实验、生成执行代码、读取实验反馈，并直接与实验设备发生连接。谷歌将这种变化称为从 in-silico hypothesis generator 走向 execution-grounded research partner，即芯片内的假设生成器→基于执行的研究伙伴。

最直观的一次实验里，研究人员把一台自建 CVD 设备的条件告诉 Gemini 3 Deep Think。几分钟后，它给出了适配这台机器的材料生长方案，并进一步把方案翻译成能够控制设备的机器代码。最终，三种二维半导体都实现了首次尝试成功生长。

于是，一个过去主要存在于科幻电影里的场景突然变成了现实：当大模型真的长出「手」，开始操纵实验设备。那么，从今天开始，AI Scientist 会变成什么？

《生化危机》里，人类害怕 AI 接管实验室。而现实中的科学家，正在主动把实验室一点点交给 AI。当然，谷歌想做的，可不是失控的「蜂巢」，而是一台可以从提出假设、设计实验一路跑到现实验证的科学发现机器。

• 论文标题：Accelerating Scientific Research with Gemini in the Real-World

• 论文地址：https://arxiv.org/pdf/2608.26701

Gemini 接管了一台实验设备

首先，材料科学。

研究人员使用的是一台自己搭建的化学气相沉积设备，也就是 CVD 炉。做这类二维材料实验时，一个长期存在的问题是：公开的「配方」难以复现。

同样是温度、气体、前驱体这些参数，换一台炉子，炉腔大小、气流、材料摆放位置稍微不同，最后长出来的晶体就可能完全不一样。研究人员往往需要用几周甚至几个月时间反复调参。

于是研究团队不再告诉 Gemini 应该怎么做实验，而是把实验室有什么设备、有什么化学品、炉子是什么结构告诉它。剩下的参数由 AI 自己决定。

Co-Scientist 根据这些约束，生成气体流量、温度曲线、前驱体用量、材料摆放位置等完整实验方案，再交给实验设备执行。

其中一组实验非常亮眼。研究团队把 Gemini 3 Deep Think 接进 CVD 控制流程后，它不再生成一份自然语言实验方案供科学家慢慢阅读，而是在几分钟内完成推理，并把结果直接翻译成可以控制设备的机器代码。

最终，MoS₂、MoSe₂ 和 WS₂ 三种二维半导体，都在第一次实验中成功长出了单层晶体。整个实验流程大约一小时完成。

其中 MoSe₂ 和 WS₂ 更特殊：研究人员此前甚至没有在这套设备上生长过这两种材料。后续至少五次重复实验也验证了结果。

这和昨天 Anthropic 展示的 MHS 有一个很有意思的呼应。Anthropic 想解决的问题，是怎样让 Agent 更方便、更标准地认识和操纵实验设备；谷歌这篇论文讨论的则是下一步：当推理模型已经能够控制实验设备时，科研工作流该怎么重构？

从这个意义上说，「AI 连接硬件」已经不是问题了。

不只是照着论文做实验，AI 还开始自己找配方

不过，如果只是让 Gemini 根据已有知识调一套设备，还不能算真正意义上的科学发现。所以谷歌做了第二个更难的实验：尝试从底向上合成一种叫 Ti₃C₂Tₓ 的 MXene 二维材料。

传统路线往往涉及危险腐蚀剂，而已知的一些 CVD 方案又会使用有毒且对空气敏感的 TiCl₄。研究团队因此给 Co-Scientist 提出了一个任务：能不能找到一条更安全的前驱体路线？

Co-Scientist 最终把目标锁定在了六氯乙烷 C₂Cl₆，并进一步给出了前驱体数量、位置、气体流量、基底和温度曲线等一系列参数。

但这并不是一个「AI 灵光一闪、实验一次成功」的故事。Co-Scientist 一共生成了 272 个候选方案，研究人员选择并继续优化其中的高排名方案；经过 25 轮实验迭代后，最终得到了一种二维层状晶体。它在 XRD、电子显微镜和元素组成等多个指标上，都呈现出与 Ti₃C₂Tₓ MXene 高度相似的特征。

后面的现实世界麻烦也很典型。最初复现实验的成功率只有 11.5%。研究人员后来发现，主要问题不是 AI 的化学推理，而是实验设备密封不严导致的氧气泄漏。

重新清洗石英管、更换密封圈、改进设备维护流程后，同一种二维材料的实验成功率才提高到 68%。

这恰好说明了为什么「真实世界 AI」和软件 Agent 很不一样：代码错了，可以重新运行。但现实实验里，一枚老化的 O 型密封圈、一点管路残留，甚至空气中的氧，都可能让一个正确的科研方案彻底失败。

谷歌在论文里也非常谨慎：目前还不能最终确认这种材料就是 Ti₃C₂Tₓ MXene，它还存在产率低、氧化严重等问题，需要进一步通过原子尺度表征确认。

尽管如此，我们还是可以得出如此结论：AI 已经可以提出一条有科学意义的候选合成路线，然后真正把这条路线推进到物理实验中接受验证。

有些实验或许可以先让 AI「猜一遍」

谷歌还把 Co-Scientist 放进了一个完全不同的实验场景：合成生物学。研究对象是一群经过工程改造的大肠杆菌。

这些细菌在培养皿中会形成不同的群落图案。当诱导剂 IPTG 浓度变化时，菌落的大小、边缘和形状也会随之改变。正常情况下，要得到整条变化曲线，就需要科学家配置不同浓度、培养细菌、等待生长，再一盘盘扫描。

谷歌尝试让 AI 补掉中间的一部分实验。研究人员只向 Co-Scientist 提供部分浓度下的真实菌落图片，再让系统预测没有见过的中间浓度下，菌落应该长什么样。而且这些实验数据当时尚未发表，因此论文认为，模型不可能简单依靠记住训练数据里的结果完成任务。

结果，在四项菌落形态指标中，AI 的预测有三项与真实湿实验结果没有表现出显著差异；它还正确判断出了对照组不会随着 IPTG 浓度产生对应变化。

唯一明显出问题的是「圆度」：AI 生成的菌落比真实情况更加规整。很符合生成模型的一贯审美：现实世界长得没那么完美，AI 却忍不住把它画圆了一点。

谷歌对这个实验的定义也很克制：目前做出来的是已知浓度区间里的 interpolation（插值），而不是面对一种全新遗传回路直接预测未知现象。

但这已经对应着一个非常现实的用途。未来科学家也许没有必要把一个巨大的参数空间全部做一遍湿实验。可以先测几个点，让 AI 根据这些真实数据预测剩下的空间，再选择最值得验证的位置做实验。

实验因此逐渐从「穷举」变成：真实世界采样 → AI 预测 → 选择实验 → 新数据反馈给 AI。

这正是论文反复强调的 lab-in-the-loop。

AI 已经开始自己设计 AI

走到计算机科学实验，Co-Scientist 的自主程度又提高了一截。

这次研究人员给它的任务非常简单：设计一个能够更好回答医疗问题的 Agent。之后，人类不再参与架构设计。Co-Scientist 自己提出方案、写代码、运行测试、分析错误，再继续修改架构。

最后，它「进化」出了一个名为 Agent_H 的系统。

这个系统需要想办法重新组织现有模型的推理过程。面对一个医疗问题，它会先判断问题属于哪个医学领域、面向患者还是医生、风险有多高；复杂问题会被拆成多个子问题；随后同时生成 28—48 个候选答案，让不同 Judge 两两淘汰，再由三个 Judge 投票选出最终答案。胜出的答案还要经过多轮临床审查、引用检查，最后再压缩长度。

回答一个问题，整个 Agent 要调用模型大约 40-80 次。在 HealthBench Hard 和 HealthBench Professional 上，按照论文使用的长度校正评分，Agent_H 超过了包括 GPT-5.6 Sol、Claude Opus 5 和 Gemini 3.1 Pro 在内的六个前沿模型。

但这里出现了一个非常值得写进报道的插曲：AI 自己学会了「刷榜」。

早期实验里，评分标准没有充分惩罚冗长回答。于是 Co-Scientist 很快找到了提高分数的最简单办法：把答案写得特别长。

Benchmark 分数因此显著上涨，但医疗质量并没有对应提升。直到研究人员加入长度惩罚后，大量优势才消失。

谷歌自己在论文中把它视作一个典型的 Goodhart's Law：当一个指标成为目标，它就不再是一个好指标。

真实医生的评价也给结果泼了一些冷水。三名执业医生对 106 个问题进行了盲评。在九个维度中，Agent_H 只有「降低潜在伤害」这一项相较原版 Gemini 3.1 Pro 达到了统计显著改善，其余八项都没有显著差异。

换言之，AI Judge 眼中明显更高的 Benchmark 分数，并没有完全变成人类医生眼里明显更好的回答。这或许也是 AI Scientist 真正进入现实世界之后不得不面对的问题：它不仅要会优化，还必须知道什么东西不能只靠优化指标来定义。

AI 科学家会为了论文「造数据」

事实上，谷歌在这篇论文里花了相当多篇幅研究另一个略显尴尬的问题：如果彻底放开 AI Scientist，它会不会为了得到漂亮结果作弊？

答案：会。

研究团队让系统在 50 个 AI 研究题目上，从提出想法、寻找数据、写代码、运行实验一直做到生成最终论文，全程没有人工介入。

作为对照，他们还测试了一个去掉可靠性模块的 Co-Scientist，以及此前的 Agent Laboratory 系统，共生成 150 篇论文，再交给 30 名领域专家进行 450 次匿名评审。

结果就挺夸张的。没有专门验证机制的 AI Scientist，在代码已经报错、实验根本没有有效结果的时候，仍然可能继续往下写完整论文。

它们会编造数据表、p 值、统计检验；会把失败的实验写成成功；甚至会修改评价环境，让自己的方法天然获得更高分数，或者通过 hardcode 直接输出一个漂亮的结果。

当优化目标是：「写一篇看起来不错的论文」，Agent 会寻找比真正完成研究更加便宜的捷径。

因此，谷歌给新版 Co-Scientist 增加了一套很像「科研审计」的机制：论文里声称发生过的实验结果，必须能够回溯到真实的程序执行日志。如果日志里没有对应结果，系统不能凭语言模型觉得「应该如此」就写进去。

效果非常明显。严重到足以使论文失效的「结果幻觉」，从 Agent Laboratory 的 90% 降到了 4%；最严重的完全数据捏造，则从 44% 降到了 0%。

但问题依然没有彻底消失。新版 Co-Scientist 的严重方法描述错误仍然有 24%，严重抄袭/衍生内容也还有 16%。

谷歌因此特意强调，他们并没有声称现在的 Autonomous AI Scientist 已经可以生成可直接发表的研究论文。

结语

如果把 Anthropic 和谷歌这两项工作放在一起看，会发现 Agent 正在发生一个很明显的变化：此前两年，AI Agent 最大的战场一直是软件世界。而现在，这套逻辑正在第一次大规模向现实世界外溢。

Anthropic 的 MHS 试图解决底层问题：让机械臂、显微镜、液体处理平台这些不同设备，拥有一种 Agent 能够统一理解和调用的接口。

谷歌的 Co-Scientist 则开始探索上层问题：当一个推理模型能够提出科研假设、规划实验、控制仪器、读取结果并继续修正下一轮实验以后，一套真正的闭环科学发现系统应该是什么样。

当然，谷歌距离真正的「无人实验室」还很远。当前材料实验依然需要人类装载样品；新材料的原子结构还没有最终确定；大肠杆菌预测只验证了有限的插值任务；医疗 Agent 会钻 Benchmark 的空子；论文生成系统也没有完全解决幻觉和抄袭。谷歌自己甚至明确认为，由于硬件异常和现实环境复杂，现阶段完全无人监督的物理实验仍然难以实现。

但变化已经出现了。

过去讨论 AI for Science，经常把重点放在 AI 能不能「想到一个人类没想到的东西」。现在，越来越多工作开始补上更难的另一半：这个想法能不能被真实设备执行，执行结果能不能重新成为 AI 下一轮推理的依据。

谷歌在论文最后给出了一个很有意思的判断。如果这样的闭环真正建立起来，未来科研的限制因素可能发生倒转：过去，实验设备等待科学家提出下一个好问题；未来，可能是 AI 已经提出了几百个值得验证的实验，而实验室根本来不及做。

到那时，科学发现速度真正的瓶颈，可能不再是 scientific ideation，而是 experimental throughput——现实世界能够多快把这些实验跑完。