一个真正能做科研的 AI，应该长什么样？

视频：PhAI Labs发布的ScienceBuddy，可以做什么？

撰文｜张天祁

●                  ●                   ●

AI已经能够写代码、证明数学定理，为什么它还没有真正成为一名科学家？

这是AI for Science 面临的一个困难的问题。

在棋类中，AI 可以通过明确的胜负规则不断自我博弈。在数学中，一个证明是否成立，也可以借助形式化验证工具快速判断，这都加速了AI在相应能力上的进化。但科学研究很少有这样清晰的对与错。一个实验结果可能需要反复验证，一个假说可能存在多种解释，一个研究方向是否值得继续，也很难由一条确定的规则给出答案。

“科学发现其实是一个非常长程的任务。”PhAI Labs 联合创始人、普林斯顿大学博士后杨灵告诉《知识分子》。

面对复杂的科学发现任务，单靠现成的智能体、工具调用或者预先写好的工作流，很难让AI 长时间稳定地完成研究。因为科学研究并不是把一个任务拆成几个步骤之后依次执行就可以了，它需要在一次次结果和反馈中调整自己的工作方式。

问题在于，AI不仅要完成每一步，还需要判断如何进行下一步行动，而科学恰恰缺少数学和编程中那样明确、快速的验证机制。如何建立这样的反馈和验证闭环，成为AI for Science加速的关键。

9月16日，PhAI Labs发布ScienceBuddy，沐晨科技（Muchen AI）作为联合研发与技术支持方参与推进。这是一个面向科学家研究工作空间，也旨在探索如何让科学Agent在真实科研交互中持续改进。

PhAI Labs（官网 phai-labs.com）是一家面向开放式科学发现的新型研究组织，团队成员具有斯坦福、牛津、普林斯顿等高校及产业机构的研究经历。

从提出假设、分析数据到设计实验，AI 智能体正在切入科研最核心的腹地。

为了弄清一类超级细菌如何跨物种传播抗生素耐药性，英国帝国理工学院微生物学家何塞·佩纳德斯（José Penadés）团队耗费了近十年时间。

两年前，带着几分好奇，佩纳德斯把这个难题输入给谷歌 DeepMind 的 AI 智能体 Co-Scientist。

仅过了两天，系统就交出五种假说。排在第一位的，正是佩纳德斯花了近十年才证实的机制。他被震慑住了，如果过去有这项工具，团队本省下数年时间。 

DeepMind 将AI 智能体的带来科研突破归结为三点：更强的前沿基座模型、激发模型潜力的“脚手架”（Scaffolding）机制，以及允许科学家量身定制的能力。

不过，在定制性这个方面，AI还远远不够彻底。科学家哪怕对脚手架里的提示词修修补补、写几套特定skill，AI 也只是根据这单次反馈重跑一遍，当下好用了，可换到下一个新问题，依然得从头手把手再教一遍，像个健忘的学徒。

这种情况下，AI 与科学家的合作容易变成一个个孤立的任务，而不是一个能够随着研究不断积累经验的循环。科学家疲于重复下令，AI 也无法从长期的合作中真正吸收科学家的思考与品味。

PhAI Labs带来的ScienceBuddy，试图改变的正是这件事。它希望成为的，不只是一个帮科学家完成任务的工具，而是逐步进入真实的科学研究过程，成为一个能够越用越聪明的项目伙伴。

“就像它的名字一样，成为科学家的项目伙伴（Buddy）。”PhAI Labs 联合创始人、斯坦福大学AI4S博士后吴英成说。

ScienceBuddy的整体构成。 它将科学工具与工作空间、Recursive-in-Recursive 自我改进机制以及研究者交互连接在同一个系统中。研究者提出任务并提供反馈，系统将交互转化为任务、评估标准和诊断证据，再将改进后的模型与 harness 带回下一轮科研协作。

现在，很多AI 智能体已经可以完成文献检索、数据处理和工具调用，但是，这些工具之间往往彼此割裂，研究人员仍然需要自己把数据、代码、工具和分析过程组合起来。

ScienceBuddy首先试图解决的就是这个问题。它不仅是工具，更是科学集成开发与运行的环境（ScienceIDE）。它的22 个功能模块中集成了 224 种专业工具，覆盖基因组学、药理学、生物成像、文献检索及数据库查询等多个领域。面对具体问题时，研究人员可以在提出问题、处理数据和调用科学计算工具之间无缝切换。

此外，PhAI Labs将 500 多个科学计算工具适配到 GPU 环境。吴英成举例，分析千万级细胞的单细胞转录组数据，在传统 CPU 上通常需要运行数天，而在 GPU 并行加速下，这个时间被压缩到 30 秒左右。

当然，对科学家来说，更重要的不只是便捷和效率，而是模型能否在持续反馈和外部证据中，真正理解和学会做研究。

对于一个真实的科研项目来说，研究人员很少在一开始就知道最后要得到什么答案。更多时候是先完成一轮分析，再根据结果确定下一步研究什么。一个异常结果要不要继续追问？几个可能的机制，先验证哪一个？实验做完之后，下一步该换条件，还是换问题？

这些抉择离不开科学家的经验与品味。在此过程中，如果只能靠科学家手把手的指导，AI智能体就称不上一个科研上的伙伴。

ScienceBuddy真正进入的，正是这段不断分岔和循环的路程。

JAK1 与小细胞肺癌免疫治疗的研究就是一个例子。研究人员把临床数据和单细胞数据交给 ScienceBuddy，先研究 JAK1 与免疫治疗疗效、免疫细胞和免疫特征之间的关系。第一轮分析完成后，问题继续往下走：JAK1 的上下游调控是什么？细胞之间是否存在相应的通讯关系？研究人员根据前一轮结果继续提出任务，ScienceBuddy再回到数据和工具中，完成下一轮检索、分析和计算。

一个项目就这样被拆成一连串相互衔接的任务。真正有价值的不只是某次分析得出了什么结果，而是研究人员拿到结果之后做了什么。是接受答案，修改问题，换一个方向，还是继续追踪？

杨灵把这种反馈称为“隐式标签”，研究人员不需要额外告诉系统哪个答案是100分，真实科研中的这些选择本身就是反馈。

这也是ScienceBuddy与其他AI工具思路的差别。并不是任务结束，下一次仍然从头开始，而是多轮交互，不断带着科学家的经验和判断返回科学现场。这些判断积累起来，AI学到的就不只是一个研究领域里的知识，还包括一个科学家做研究的品味。

“随着交互越来越多，ScienceBuddy能够更好地把握你当前的科研场景，以及个人的科研品味，这样就能做到更个性化”。杨灵说。

PhAI Labs把这个过程称为嵌套式递归自我改进（Recursive in Recursive，双层RSI）。外层RSI首先改进的是完成科研任务的Harness，也就是提示词、任务调度、工具调用和科研环境组成的工作流。一次任务结束后，系统根据反馈调整工作流，下一次遇到类似任务时，可以采用更合适的执行方式。

再往里一层，是基座模型本身的改进。杨灵介绍，如果只是调用模型接口，可以先通过本地RSI自动调整任务执行方式。如果有本地GPU资源，还可以进一步训练本地模型。

这种对品味的学习并不只是一种模仿。随着反馈不断积累，AI不只是越来越懂这个科学家，也会越来越聪明，改变自己完成真实科学任务的能力。

在生物医学科研的评测中，ScienceBuddy已经有了不错的表现势头。在底座模型参数完全冻结、只持续优化工作流（Harness）的情况下，45 个长程科研任务的首答准确率从 31.1% 提升到 51.1%。另一组实验则固定最初的Harness，把积累下来的任务细则转化为强化学习信号，用来训练模型本身，180 个科研问题允许模型最多尝试4次，问题解决覆盖率从48.3%提升到了67.8%。

近期，AI攻克顶级数学难题的消息不断出现，也引起了数学界的强烈反响。相比之下，在科学领域，尽管AlphaFold已经获得诺贝尔奖，人们仍然很难举出一个像数学证明那样得到普遍认可、由AI独立推动完成的重大科学发现。

2026年7月，谷歌DeepMind发布一篇题为“猜想机器”（Conjecture Machines）的文章，直接把问题指向科学发现中的验证瓶颈。文章的核心观点是，AI智能体让科学假设和候选方案的产生变得又快又便宜，但检验这些想法能不能在现实世界站住脚，依然要依赖实验室、设备和制度性的审查流程，这部分工作又慢又贵，短期内很难加速。数学和编程之所以例外，是因为它们完全可以通过计算机来验证。

这背后其实是过去几年AI能力跃迁的共同逻辑。AI能力的增长不仅来自模型本身，也来自一个足够快的反馈闭环。验证越快，模型就越有机会在更短时间里尝试更多次。

杨灵提到，数学的验证之所以能够支撑更快的发展，很大程度上正是因为它的确定性。数学没有不置可否这一说，对就是对，错就是错，而且有相应的形式化验证。

如果想把这种能力扩展到科学和工程，问题就变成了：在真实的科研过程中，什么能够充当科学发现的验证标准？

吴英成此前从事生物医学研究，后来研究方向转向 AI for Science，他想和同事们推进科学发现整体的速度。“说得宏大一点，我们希望改变人类知识增长的速度，让知识空间的延展速率显著提升”。

在科学研究中，一个假设从提出到实验验证，往往需要几周、几个月、几年甚至更久。这意味着，即使AI几分钟提出大量假说，人类仍可能需要很长时间才能验证哪些值得继续。

与数学不同，科学上的很多东西不是一个零一值，它需要做很多种验证，有时候甚至同一个问题，比较资深的科学家和其他科学家得出的意见也不一致。到底听谁的，并没有一个固定答案。不同的人、不同的验证方式，最后得到的结果也可能不同。

“这是AI for Science领域非常难的一个问题，怎么样在一堆不确定性当中找到确定性的验证方式，并且完成科学自动化验证的过程。这是AI for Science加速的关键”。杨灵说。

杨灵把问题分为干实验和湿实验两个部分。

干实验首先是一个长程任务。它不是完成一次分析就结束，而是要从文献调研开始，经过数据分析、实验规划，再根据每一步得到的结果决定下一步怎么做。对于一个具体问题，AI可能需要连续完成50步、100步甚至1000步，任何一个环节出现问题，都可能影响后面的判断。相比于针对一个确定问题给出答案，这种不断根据结果调整下一步行动的能力，对现有AI来说要困难得多。

目前很多AI for Science系统会把一套相对固定的干实验流程嵌进去，让模型在限定的任务和工具中完成分析。但如果希望AI能够进入更广泛的科学研究，就不能只依赖预先设定好的流程，而需要它面对不同的科学问题、不同的数据和不同的研究环境，自己组织后续的研究步骤。

这也是ScienceBuddy一开始从科研数据入手的原因。杨灵认为，他们需要积累足够多的长程科研过程，让模型逐渐学会不同科学领域中这些反复出现的研究模式。

杨灵认为，这类反馈中尤其重要的，是从一个结果到下一步行动之间的转换：得到一份分析结果之后，下一步该继续追踪、改变分析方法，还是转向另一个问题。相比于针对确定问题给出答案，这种根据当前结果规划下一步行动的能力，是现有模型相对欠缺的。这也正是ScienceBuddy想从和科学家的协作中学习的。

但最终要形成科学发现的闭环，仅仅处理干实验还不够。

吴英成把自己正在做的事压缩成一句话：上一代AI蒸馏的是互联网，下一代AI for Science应该“蒸馏地球”。互联网教模型描述世界，科学实验教模型干预世界。

在他看来，互联网是一个存量，是人类已经写下来的东西的总和，再大也有边界；地球则是一个增量，自然每时每刻都在生成新的、还没有被任何文本记录下来的答案。要拿到这些答案，AI不能只在电脑里提出假说，还要进入实验室，完成实验、拿回结果，再继续迭代。“下一代AI for Science比较的，是谁能找到通向自然的API。对我们来说，这个接口就是湿实验。”吴英成说。

干实验可以通过数据、模型和模拟器（Simulator）不断获得反馈，湿实验则需要物理世界的反馈。这也是吴英成为什么更看重“具身的自主实验室”，而不基于固定工作站和规则的自动化实验室。

在吴英成看来，两者的本质区别在于，自主实验室建立在世界模型（world model）和世界行动模型（world action model）之上。它可以由轮式双臂机器人、类人型机器人等具身系统组成，适应不同的科研场景、仪器和实验室环境，而不是只能在预先设定好的工作站中执行固定流程。

“自主实验室能够理解当前的实验状态，能够理解实验结果为什么会成功、为什么会失败，更重要的是，它能够进行主动探索，并且是一种可以持续学习的基础设施，是一种能持续获得高质量科学经验的方式”。吴英成说。

在这样的科学环境里，实验本身就成为一种验证。例如，细胞是不是癌细胞，加入药物之后癌细胞的生长速度如何变化，都可以成为对AI假设的反馈。

吴英成透露，这套机制已经在他们名为 GALILEO 的自主发现系统中落地。他们已经在这一场景下做了两个应用，针对的都是过去被称为“不可成药”的癌症靶点，一个是离子通道，另一个是多次跨膜蛋白。

这两类蛋白过去之所以被认为难以成药，是因为蛋白结构足够复杂，可被设计的表位又足够窄、足够小。过去无论使用传统方法设计抗体，还是使用扩散模型，都很难设计出真正具有成药潜力的高亲和力靶点。

基于自主实验室、具身科学场景和RSI的方法，经过多轮迭代，他们目前已经设计出了纳米级别的多肽。

吴英成认为，这正体现了用于科学发现的基座模型（Discovery Foundation Model）的潜力。“我们现在相信的是，我们能有一套面向科学发现的基座模型，能够把验证的周期从几周、几个月，压缩到以秒或以分钟为单位。这是我们现在非常感兴趣的方向。”这也是他所说的“蒸馏地球”最终要做的事：把假说、行动、实验反馈和失败轨迹，转化为模型能够学习、评测和验证的科学经验。

目前这套湿实验体系还没有与ScienceBuddy直接集成。不过，吴英成说，最终希望能够把两者打通，直接连接这样的具身科学环境，最终让ScienceBuddy像调用科学计算的MCP工具一样，直接调用真实实验能力。

两者打通之后，湿实验得到的结果还需要重新进入干实验，成为下一轮规划、修改猜想或调整实验方案的依据。杨灵认为，真正的闭环就在于这个过程能够持续运转：从数据中发现新的模式，提出和推进假设，再通过湿实验获得真实世界的反馈，并据此决定下一步做什么。“怎么样真正把这套系统跑起来，做到每一轮迭代都有新的发现、新的进步，我觉得这是另外一个很重要的部分。”

今天，AI 已经学会了回答问题。那么，AI什么时候可以学会提出科学问题，学会“发现”？

提问并不是一种单一能力，它是建立在对科学的理解之上。什么现象值得追问，哪里存在值得研究的空白，一个模糊的观察怎样变成可以验证的问题，甚至应该先看什么、排除什么，这些判断都很难直接从论文的最终结论中学到。

谷歌的AI co-scientist已经做出了一些尝试。这个系统可以围绕科学家提供的研究目标生成假设，让不同AI 智能体对假设进行讨论、比较和演化，再把较有希望的方案交给科学家和实验验证。它在药物再利用、新靶点发现等生物医学任务中已经有所发现，但研究团队仍然把它定位为科学家的协作者，而不是独立的科学发现系统。

而当AI开始提出科学问题，验证也就不再只是给一个答案打分那么简单。一个候选假设可能要经历多道验证，快速计算或模拟、科学家判断，以及真实实验验证，不同验证方式的速度、成本和可信度并不相同。一次验证得到的结果，还可能改变下一步要研究的问题。于是，计算、模拟、实验这几种不同形式的验证，还会在研究的过程中连接起来，以不同方式组合。

PhAI Labs提出的发现验证器（Discovery Verifier），就试图让不同的模型、数据、计算和实验手段共同参与验证，并根据研究进展决定下一步。它希望把验证变成研究过程中的连续反馈。PhAI Labs进一步提出的五层协同，也是在尝试把不同来源的反馈组织进同一个研究循环。

在这个框架下，发现基座模型（Discovery Foundation Model，DFM）关注的就不只是结果，而是完整的研究轨迹。系统不仅学习最后得出了什么，还要记录问题如何出现、尝试过哪些路径、哪些路径失败、科学家在什么节点改变了方向，以及什么样的证据最终让一个假设得到保留。这些连续的过程可以被组织成研究轨迹（research trajectory），成为以后能够调用的发现技能。

这就是为什么PhAI Labs需要科学家真正进入这个过程。9月15日，PhAI Labs发起DFM科学家合作计划，该计划邀请能够提出重要科学问题、提供数据、代码、计算或实验条件，并参与验证的研究者加入。合作并不要求一开始就有完整方案，科学家可以带着正在研究的问题、已有材料以及自己的研究经验进入，与AI共同探索哪些方向值得继续。“我们希望让AI学到科学家的品味，学到科学发现过程中的规律，以及那些过去难以量化、但语言模型如今已经能够部分捕捉的规律。”吴英成说。