话题主持

本报记者 易蓉

实验室里，机器人的机械臂灵巧操作，实验数据自动储存、传输、分析。操控它的，是一个科研智能体。

这样的实验室正在中国高校生长。人工智能赋能科学研究（AI for Science，AI4S）已经从某个领域、某些环节的效率提升，迈向更广领域和更高层次。随着数据库、基座模型、智能体等新AI4S科研“基础设施”的建设和不断完善，成为科研“合伙人”的AI会否超越人类承担起“发现”的使命？科研是否能获得“自动驾驶”般的体验？

AI for Science

一场关于科学发现底层逻辑的革命

中国工程院外籍院士、香港科技大学首席副校长 郭毅可

过去一年，人工智能领域发生的大事让人应接不暇，科学的智能化也成为大家最关心的话题。而科学研究中最重要的就是科学发现，作为科学家，我最关心的问题是人工智能究竟能否作出“发现”？这个“发现”是人类的专属领地，还是机器也能参与其中？这正是我今天想探讨的核心命题。

AI能“发现”吗？从贝叶斯大脑到主动推理

要回答这个问题，我们必须回到第一性原理：什么是“发现”？我们赖以认知的世界，真的是我们“看见”的吗？

人类的大脑只有1.4公斤，紧锁在我们的颅骨里。我们对外部世界的所有感知都来自五官接收的信号。这些信号有两个特点：第一是离散，二维的，第二是有许多噪声。我们能够拼凑出一个连续、生动、三维的世界图像，靠的不是摄像式的记录，而是大脑的“猜测”。这个“猜世界”的理论，在认知科学中叫作“预测编码”理论。大脑中有一个生成模型，它不断根据已有的先验知识预测世界，同时从感官接收信号——只有那些与预测不符的“意外”，才会被大脑捕获，成为我们修正认知的素材。

所以，什么叫“发现”？发现就是“没想到的事情”。贝叶斯定律告诉我们：不是看见了才相信，是相信了才看见。这与“情人眼里出西施”是一个道理。当你看到一个人觉得对方美丽，是因为你心中已经有了“美”的模型和喜欢对方的先验。先验是主观的认知，似然是你的观察，先验和观察结合形成新的认知。当观察与先验出现偏差，这个偏差就是“误差”，在物理学中被称为“自由能”。这个自由能对大脑有两个作用：一是修正认知，这叫感知推理；二是改变世界，让它符合预期，这叫主动推理。

主动推理正是人工智能赋能科学研究（AI4S）最重要的理论依据。感知推理是我们熟悉的机器学习，而主动推理指向的则是具身智能——它不是把大模型放进机器人里就万事大吉，而是让“行动”本身成为推理链条的一环。行动不是输出，而是消除误差的手段。好奇心从哪里来？探索行为从哪里来？都源于我们试图减少世界的不确定性。发现的动力，正源于此。

所以我的结论是：人和机器的智能在物理上是同源的，数学上是同构的。我们没有必要怀疑机器是否具有发现能力，因为人的认知本身也是一套完整的、可描述的机制。从这个意义上说，机器不仅能发现，而且它发现的方法、逻辑，与人类可能并无本质区别。

科学实验的AI化：从被动记录到主动推理

过去几年，我们看到了AI提高药物筛选效率、加速蛋白质结构预测、优化材料合成路径……但这些更多是解决“效率问题”——让本来要做三年的事情缩短到三个月。这个效率的提高很大程度上是把科学实验智能化（AI for Lab）了，系统地把科学实验真正用AI做起来，让AI从“效率工具”变成“合伙人”，让实验室管理系统从“被动记录”走向“主动推理”。

我现在正在主导AI原生创新环境（AINA，AI Native Arena）的研究，就是这种探索的实践。传统科研流程是：科学家提出假设—设计实验—收集数据—分析结果—撰写报告。其中充斥着大量重复性、流程性工作，比如填电子表格、做实验笔记、管理库存、归档数据。而现在，我们要用大模型和智能体把这些工作自动化。

我们正在做科研人员的“实验分身”。它可以在7×24小时内自主运行，基于已有的先验模型和实验结果，计算误差，驱动实验室设计，触发工作流。我们已经在药物管理、动物中心管理等场景中实现了全流程自动化。举个例子：教授确定一个研究方向后，智能体自动生成实验方案，整理数据，发现问题后自动修改，最后生成报告，整个流程两天完成。这套系统的核心，是一套智能体自主协作机制：任务的触发、智能体间的协作、持续的自我进化。主动推理在这里体现得淋漓尽致——发现不对，重新设计实验，重新改变工作流。这不是简单的自动化，而是真正的自演化。

与过去那种“用AI解决某个具体问题”的模式不同，今天的AINA要构建完整的生态系统：从数据采集、知识管理，到实验设计、结果验证，再到报告生成、知识传播，全部被纳入一个由人、AI集群、智能体协作的闭环中。第一层是人，负责提出方向和最终决策；第二层是智能体集群，负责数据分析、推理、实验设计；第三层是智能体自主协作机制，负责任务的触发、执行和自我进化。这三层架构，构成了AI原生的科研新范式。

愿景、现状与挑战：通向AI科学家的漫漫长路

作为科学家，我心中理想的人工智能赋能科学发现（AI for Discovery）是什么样的？

我希望未来的科研，是“人+AI”的深度融合。科学家不再是孤独的探索者，而是与一群智能体协同工作的“指挥家”。当一个想法产生时，AI可以瞬间完成文献综述、实验设计、代码生成；当实验进行时，AI可以实时监控、自动调整、持续优化；当结果出现时，AI可以撰写报告、提出新问题、推动下一步探索。科学家从繁琐的重复劳动中解放出来，专注于提出真正原创的假设、洞察真正深刻的规律。

我们距离这个愿景还有多远？实事求是地说，我们还在起步阶段。今天的智能体在处理流程化、权限清晰的工作时已经表现出色。比如在科学实验室中，所有工作流程一清二楚，权限管理严格，正是智能体发挥作用的理想场景。但一旦离开这种边界清晰的领域，智能体的不确定性就会急剧增加，这也是为什么我不建议用它来管理个人文件系统——保密性和不确定性带来的风险太大。

当前面临的挑战至少有三个：第一，多模态对齐。蛋白质分子、化学分子、语言文字，这些不同模态的信息如何对齐？今天我们可以让视频中的人瞬间换装，但要让一个分子结构精准对应到一段文字描述，还需要底层的突破。第二，数据的质量与标准化。AlphaFold之所以成功，是因为它建立在数十年高质量、标准化的蛋白质结构数据之上。在其他领域，这样的数据基础还不存在，清洗数据的精力往往超过建模本身。第三，信任与验证。人工智能有幻觉，人类也有幻觉，但在科学领域，幻觉必须被验证、被约束。每一个环节的质控、每一个发现的验证，都至关重要。

但即便如此，我仍然充满信心。AI for Lab是AI for Discovery的关键一步，也是第一步。实验室的数据吞吐量巨大，验证知识、分析知识的瓶颈正在被AI逐步打破。这是一个巨大的产业，也是智能体技术一个绝佳的切入点。那些以为AI只能“炒概念”的人会失望，因为在科学实验室里，AI真的很能干实事。

最后，我想说：AI for Science不仅是一场技术革命，更是一场认知革命。它让我们重新审视“发现”的本质，重新思考“智能”的边界。在这场远征中，人永远是智能中枢，但我们将不再独行。