当 AI 科学智能体从“辅助分析”进一步走向自主提出假设、选择实验条件、调用机器人设备并根据结果迭代时，科研流程正在发生结构性变化。它可能让实验记录更完整、条件控制更稳定，也可能把模型偏差、软件版本和设备故障悄然带入整个实验链条。🔬 因此，真正需要讨论的不是“AI 能否替代科学家”，而是如何让机器自主性服务于可重复性，同时不让责任在算法、平台与实验人员之间消失。
一、AI 自主实验为何可能提升可重复性
传统实验的重复困难，常来自隐性操作差异，例如加样速度、等待时间、仪器校准状态和数据筛选习惯。自主实验室通过软件统一调度样品、设备、机器人和分析流程，可以把这些容易遗漏的细节转化为机器可执行的参数。美国国家标准与技术研究院将自主实验室描述为由算法选择样品及表征方式，并在闭环反馈中持续获取知识的系统，完整介绍可参考 NIST 自主实验室专题。
这种自动化带来的价值，不只是“做得更快”。如果系统能够保存每一次提示词、模型版本、参数设置、设备指令、原始读数、异常信息和人工干预记录，其他团队就更容易重建实验路径。相较于只记录最终配方和结果，机器生成的全链路日志更接近一份可审计的“实验过程录像”。📋
此外，AI 智能体可以主动安排重复实验、阴性对照和边界条件测试，也能在发现数据漂移时触发重新校准。不过，这种优势并不会自动出现。若系统只保留成功结果，或者后台模型更新后没有版本标识，那么自动化反而会制造更隐蔽、更难定位的不可重复问题。
二、可重复性的对象已经发生变化
在 AI 自主设计实验的环境中，“按照论文方法操作”已经不够。研究者需要同时复现实验材料、仪器状态、软件环境、模型权重、提示与约束、随机种子、数据预处理方法，以及智能体的决策历史。换句话说，可重复性的对象从单一实验步骤扩展为模型、数据、软件、硬件和人员共同组成的实验系统。
尤其需要警惕模型输出中的伪合理解释。AI 可能根据不完整数据推荐一个看似精确的实验条件，但推荐理由未必对应真实机理。如果实验恰好成功，团队很容易把相关性误认为因果关系。因此，自主系统提出的关键结论仍应通过独立方法、替代设备或外部实验室验证，而不能只在同一套闭环平台中反复自证。
机器能够稳定执行错误流程。稳定性不等于正确性，自动记录也不等于完整记录。
三、实验室责任边界不能交给“AI 决定”
AI 智能体不是能够承担伦理、法律和职业责任的研究主体。实验室负责人仍需对研究目标、风险等级、资源授权和结果发布承担最终管理责任；具体操作者负责确认样品、设备与环境符合要求；算法或平台维护者负责模型版本、权限控制、日志完整性和故障响应；仪器供应方则应明确接口限制与校准要求。🧭
责任划分还应覆盖“谁有权让系统继续运行”。对于普通参数优化，可以允许智能体在限定区间内自动迭代；涉及有毒物质、高压高温、生物安全、动物实验或不可逆设备操作时，则应设置强制人工审批。风险越高，AI 的自主权限越应收缩，而不是因为系统效率高就放宽监督。
科研署名同样不能被自动化模糊。AI 可以参与检索、提出方案、生成代码与整理记录，但人类作者必须能够解释研究设计、核查原始数据并对结论负责。对于 AI 的实质性使用，论文和实验报告应说明系统名称、版本、用途、人工复核方式及已知限制，避免把关键决策包装成无法追溯的“黑箱灵感”。
四、建立可执行的实验治理清单
- 实验前分级：依据材料危险性、设备损害风险、伦理要求和结果外溢影响，将任务分为可自动执行、需要抽检和必须逐次审批三类。
- 锁定运行环境：固定模型与软件版本，保存配置文件、依赖项、随机种子、提示词模板及设备固件信息。
- 记录决策轨迹：不仅保存“做了什么”，还要记录智能体为何调整条件、调用了哪些数据，以及人工在哪个节点修改或否决建议。
- 保留原始证据：原始读数、失败实验、异常日志和被排除的数据都应留存，禁止只导出经过筛选的漂亮结果。
- 设置独立复核：关键发现应由不同人员、不同批次或不同平台复验，避免同一系统的偏差在闭环中不断累积。
- 准备停机机制：出现越权操作、传感器异常、数据漂移或连续失败时，系统应自动进入安全状态并通知责任人。
在治理框架上，实验室可以借鉴 NIST AI 风险管理框架提出的“治理、映射、测量、管理”四类功能，将风险控制贯穿设计、部署和使用全过程，详见 AI RMF 核心框架。该框架不是实验室法规，但适合作为建立权限、验证、审计和持续改进机制的参考。
总结：自主越强，记录与问责越要前移
AI 科学智能体有机会把实验流程从依赖个人经验的“手艺”转变为可追踪、可比较的系统工程，从而提升科研可重复性。与此同时，它也会增加模型版本、数据来源、软件接口和权限设计等新的不确定因素。✅ 最稳妥的原则是：让 AI 自主执行经过授权的步骤，让人类持续掌握目标设定、风险判断、异常处置和结论发布权。只有当每项决策能够追溯、每次干预能够说明、每个高风险动作都有明确责任人时，自主实验才会真正提高科研可信度，而不是把责任隐藏在自动化背后。
