人工智能正在从“提高科研效率的工具”演变为参与假设生成、模型构建、实验规划和结果审查的协作系统。进入2025至2026年，AI辅助科学发现的显著变化，不只是模型能力增强，更在于多智能体推理、专业科学模型、机器人实验平台与科研数据基础设施正被连接成相对完整的工作流。
从科研助手走向“AI合作者”
早期科研AI主要用于文献检索、数据分类和结果预测，如今的新一代系统开始介入研究问题的形成。Google在2025年公布AI Co-Scientist，随后于2026年进一步介绍基于Gemini构建的多智能体系统。它通过生成、反思、排序、演化和综合审查等环节，反复提出并筛选可验证的科学假设，而不是只给出一次性答案。该系统已围绕药物再利用、抗菌药物耐药机制、肝纤维化等生物医学问题开展验证，但官方仍将其定位为科学家的协作伙伴，而非取代实验验证的自动科学家。[1][2]
这种多智能体模式代表了一条重要技术路线：让不同代理分别承担创意提出、证据检索、反方质疑、方案排序和风险检查。与普通聊天模型相比，其价值在于把科学推理拆成可以记录和复查的步骤，也便于研究人员识别假设依赖了哪些证据、在哪些环节存在不确定性。
端到端自动化研究出现实质性进展
自动化科研的另一条路线，是将选题、编码、实验运行、结果分析和论文写作串联起来。Sakana AI等机构开发的AI Scientist系统，已经展示机器学习研究流程的端到端自动化。2026年发表于《自然》的研究表明，此类系统能够在较少人工介入的情况下生成研究论文，其中一篇未经人工编辑的AI生成论文通过了机器学习会议研讨会的首轮同行评审，之后按预先安排撤回。这个案例证明了流程自动化的可行性，但“通过评审”并不等于研究结论已经获得广泛认可，更不能替代长期复现与独立验证。[3][4]
目前，端到端系统更适合计算实验边界清晰、评价指标明确、运行环境可重复的领域，例如部分机器学习、优化和算法研究。涉及生物安全、高能设备、临床样本或复杂化学反应时，仍需要严格的权限管理、实体隔离、人工审批和应急机制。
专业科学模型持续拓展能力边界
在生命科学领域，AlphaFold已经成为AI辅助发现的标志性案例。AlphaFold数据库提供超过两亿个蛋白质结构预测，AlphaFold 3则把建模范围扩展到蛋白质与DNA、RNA、小分子等生物分子之间的相互作用。这类模型可以帮助研究人员缩小候选范围、解释分子机制并设计后续实验，但预测结构仍需结合实验数据、置信度指标和具体生物环境进行判断。[5]
类似范式也在材料、天气、天文学和地球科学中扩展。科学基础模型能够学习跨数据集的共性模式，为候选材料筛选、观测数据分析和快速模拟提供支持。不过，通用语言模型在专业任务上的表现并不稳定。斯坦福大学2026年AI指数报告指出，前沿模型在部分化学问答基准上表现突出，但在论文级复现、真实生物信息分析和科学代码执行方面仍存在明显短板。[6]
自驱动实验室构建闭环科研
真正意义上的自动化科研，需要AI不仅“思考”，还能够控制实验设备。自驱动实验室将机器学习、机器人、自动表征仪器和实验管理软件结合起来，形成“选择条件、执行实验、采集数据、更新模型、安排下一轮实验”的闭环。与一次性批量实验相比，这种平台可以根据实时结果调整搜索方向，更有效地探索庞大的化学与材料空间。[7]
2025年，北卡罗来纳州立大学团队展示了一种采用动态流动实验的自驱动实验室方法。相关系统在反应持续进行时连续采集数据，使算法能够更快获得高质量反馈。其意义不仅是提升速度，还包括减少无效实验、化学品消耗和废弃物。不过，不同实验体系的反应时间、传感器精度和安全条件差异很大，因此单一平台的性能提升不能直接推广到所有科研领域。[8]
科研机构应如何实际应用
- 从低风险环节切入：优先用于文献整理、代码检查、实验参数推荐、数据清洗和候选方案排序，暂不把关键结论完全交给模型。
- 建立证据链：保存模型版本、提示内容、数据来源、运行日志、随机种子和人工修改记录，使结果能够追踪与复现。
- 设置人工关卡：在提出假设、启动实体实验、解释异常数据和公开发表之前，安排领域专家审查。
- 使用多层验证：将模型预测、计算模拟、对照实验和独立复现结合起来，避免把语言流畅度误认为科学可靠性。
- 明确数据边界：对未公开成果、患者信息、商业机密和潜在双重用途数据实施分级访问与安全审计。
仍需解决的核心问题
AI辅助科研面临的主要障碍包括训练数据偏差、虚假引用、代码与环境不可复现、评价指标被模型迎合，以及自动化设备之间缺乏统一接口。更深层的问题是责任归属：当AI提出假设、机器人完成实验、研究人员负责审核时，谁应对错误结论、实验事故或不当使用承担责任，需要科研机构、期刊、资助方和监管部门共同制定规则。
此外，科研价值不能只用论文数量或实验速度衡量。真正有意义的自动化系统应当提高证据质量、扩大可探索的问题空间，并让失败实验也能被可靠记录。若只追求快速生成论文，AI反而可能放大低质量研究和信息污染。
总结
AI辅助科学发现正形成三层结构：专业模型负责预测与表征，多智能体系统负责假设生成和方案评议，自驱动实验室负责执行并反馈真实实验。最新进展表明，部分领域已经能够实现高度自动化甚至端到端研究，但实验验证、可复现性、安全治理和科学责任仍必须由人类把关。近期最现实的方向不是“无人科研”，而是建立人机协同、证据可追踪、关键步骤可审计的科研体系，让AI扩大科学家的探索能力，同时保持科学方法应有的严谨性。
