科學家只管提問題，AI負責跑實驗：深勢科技把科研全流程搬進桌面

一個新課題擺在面前，起點從來不是靈光一閃的假設，而是一連串瑣碎的準備工作—— 文獻和數據散落在不同的數據庫、表格、文件夾和實驗記錄裡，得一個個翻、一點點對齊； 關鍵的方法和實驗條件藏在論文的細節角落，光是辨別和整合就要耗掉大半精力； 好不容易攢出一個有潛力的假設，想驗證，卻又被環境配置、參數調試、反覆試錯死死拖住； 等終於跑出結果，還有一大攤數據等著清洗，圖表等著製作，結論等著解釋…… 換句話說，科學家最寶貴的時間，本該用來提出更大膽的問題、理解更深層的機制、做出更重要的發現——卻常常消耗在搜索、整理、驗證、復現和溝通這些“體力活”上。那有沒有辦法，把這些時間還給科學家？

今天，深勢科技給出了自己的答案。其正式發佈的玻爾·科學空間（公開測試版），是一個專為科研人員與AI科學家協同工作打造的桌面端環境。它向下連接本地與雲端的科學數據、計算和實驗資源，向上把面向不同學科的AI科學家直接內置進科研流程之中。調研、假設、驗證、復現、成圖、審稿，一整條科研鏈路走下來，研究者只需要負責兩件事： 提問，和確認。剩下所有的“體力活”，交給科學空間接管。從科學問題出發，貫通科研任務全流程 01調研階段：不止是信息收集，更是提供高質量的判斷，和可執行的假設起點 面對一個新的研究課題，最難的不是“搜到更多論文”，而是從大量信息裡分清：哪些已經成為共識？哪些仍有爭議？

哪些地方還沒有人回答？在玻爾·科學空間，研究者可以通過對話提出研究問題。玻爾·科學空間中的全科科研專家——SciMaster會圍繞研究問題，自動檢索文獻與專利，理解論文中的文字、圖表、分子和公式，並形成結構化調研結果。在此基礎上，系統進一步梳理研究共識、矛盾與空白，協助研究者提出有依據、可檢驗的研究假設。當一個假設具備推進價值時，AI科學家還可以結合已有研究、可用數據和實驗條件，生成可執行的實驗設計方案，明確研究變量、技術路線、關鍵步驟與結果判定方式。由此，科學調研不再停留於信息收集，而成為高質量判斷和後續科研行動的起點。

02科研執行階段：假設不停留於討論，點擊即可驗證 從假設到驗證，真正耗時的往往才剛開始。研究者不僅需要選擇合適的模型和方法，還要完成數據獲取、軟件安裝、環境配置、參數設置、任務運行、故障處理和結果分析。失敗了，還需要換一套參數重新來。在玻爾·科學空間，AI科學家能夠根據研究目標自動拆解任務，調用對應的數據、模型、軟件與算力資源，執行計算、模擬和數據分析，並在關鍵節點檢查結果。研究者可以圍繞科學問題持續提出下一步要求，而不必在多個工具與工作環境之間反覆切換。

面向生物、醫學、藥物研發與材料科學等領域，玻爾·科學空間已內置BioMaster、PharmMaster、MatMaster等AI學科專家，支持不同類型的真實科研任務。研究者只負責提出問題，AI科學家把驗證跑起來。BioMaster：讓生物醫學分析過程可執行、可追溯、可複用 生物信息學研究常常需要在論文、公共數據庫、代碼倉庫和分析軟件之間持續切換。真正耗時的並不只是運行代碼，還包括找到正確數據、還原分析方法、處理版本依賴、核對參數，並判斷結果是否具有可信的生物學意義。

以三個典型任務為例： 論文分析復現：BioMaster可以理解論文方法，關聯GEO等公共數據與作者代碼，完成數據獲取、環境執行、代碼調試和結果核查，將公開論文轉化為可以實際運行與繼續利用的科研資產。單細胞數據分析：圍繞同一個科學問題組織數據處理、RNA velocity等分析流程與科研繪圖，保留前序結果，並支持研究者基於結果繼續追加分析。基因變異解讀：圍繞TP53等基因變異，跨ClinVar、UniProt、PDB、AlphaFold等數據源完成實體對齊、證據核驗、統計分析和可視化，形成帶有來源與證據等級的結構化結果。

BioMaster將分散的數據查詢與計算步驟組織為可檢查的分析鏈路，使研究者把更多精力用於判斷結果、理解機制與設計下一步研究。PharmMaster：貫通從靶點調研到分子設計的研發鏈路 藥物研發涉及靶點調研與立項、專利格局、作用機制、構效關係、結構分析、分子設計和成藥性評估等多個環節。各環節所需信息、模型和工具不同，研究結論還需要在上下游任務之間持續傳遞。

以ITK靶點抑制劑的立項和開發為例，PharmMaster可以做到以下幾點： 圍繞研究目標廣泛收集資料，準確實現專利與競爭格局分析，加速立項調研與決策； 通過分子識別和上下文語義關聯，完成SAR分析解讀； 自動發起計算任務，完成起點分子篩選，並進一步開展共晶結構解析、逆合成拆解、新分子推薦以及活性與ADMET性質評估等工作，在分子發現、優化的流程中為研發人員提供全面的智力支持。不同步驟不再是彼此割裂的單點任務和複雜工具組合，而是由同一研究目標驅動、能夠持續推進的研發工作流。研究者可以檢查每一步的依據和結果，並據此調整設計方向，進入下一輪候選分子優化。

MatMaster：從性能目標出發組織材料設計與模擬 材料研發需要在文獻證據、結構設計、性能預測與機理驗證之間建立聯繫。以高溫介電薄膜為例，研究者需要系統梳理相關體系，理解結構與性能關係，再通過DFT、分子動力學等方法驗證候選材料的穩定性與作用機理。研究者可以在玻爾·科學空間中描述目標性能、工作溫度和材料約束。MatMaster據此完成領域調研、候選體系設計、計算模擬與結果分析，並給出值得進一步實驗驗證的材料方向及其依據。由此，研究者的關注重點從“尋找一種滿足要求的材料”，進一步走向“哪些體系值得優先驗證，以及為什麼”。

03成果輸出階段：寫得靠譜，審到可信 研究完成後，還有最後一道關卡： 怎麼把結果寫清楚？引用是否可靠？數據與結論是否一致？面對審稿人的追問，證據是否站得住？在玻爾·科學空間，寫作助手可以根據研究數據與分析結果，協助研究者梳理思路、組織論文結構、嚴謹成文，並輸出LaTeX等可繼續編輯的內容。審查助手則圍繞論文邏輯、引用來源、圖表數據與支撐材料進行核驗，提示需要進一步確認或補強的位置。研究成果站在全世界、全時代積累的科學知識之上形成，也需要重新進入人類知識體系，接受檢驗、討論與驗證。

玻爾·科學空間通過寫作與審查工作流，幫助研究者將計算和實驗結果轉化為結構清楚、證據可追溯、能夠繼續接受專業審視的科學成果。為什麼在玻爾·科學空間AI能夠執行真實科研任務？讓AI真正進入科研流程，關鍵不在於單純增加模型參數或對話能力，而在於為其提供理解科學、組織任務、調用工具和接受驗證的完整環境。

01規模化科研要素：連接知識、計算與實驗資源 Science Navigator連接超過2億篇文獻與專利，使AI能夠從持續更新的科學知識中檢索證據； DeployMaster精選部署超5萬個經典科學計算工具，並與深勢科技自研的“深勢·宇知”模型和工具，如DPA、Uni-Mol、Uni-AIMS等大模型，及Uni-FEP、Uni-Dock等計算工具體系形成密切配合，使模型與軟件可以根據任務被即時調用； 在溼實驗的執行階段，Uni-Lab-OS已經能夠連接超150個大類、1800款儀器設備，並正在連接更廣闊的實驗儀器生態，未來會讓數據、樣品、操作與結果整合進入統一閉環的研究鏈路。

這些豐富、Agent-ready的科研要素，為AI執行真實科研任務提供基礎。02多模態知識理解與組織：證據準確抽取，知識關係系統掌握 Uni-Parser可高效處理論文、圖表、分子結構、公式、表格及實驗記錄等多模態科學信息。針對文本、數學公式和表格三類結構化內容，其解析準確率均超過98%； 同時，系統還能有效識別圖表、流程圖、分子式與化學反應式等複雜視覺信息，實現分散數據的統一化、可溯源與機器可讀轉化。科學導航與大知識模型LKM進一步組織文獻、專利、數據與研究記錄之間的實體關係、證據來源和研究脈絡，使AI能夠圍繞一個科學問題理解已有共識、關鍵分歧與研究空白。

03智能體編排與長程執行：強規劃能力，高容錯率的SciX框架 SciX智能體框架將研究目標拆解為可執行步驟，協調知識、模型、軟件、算力和實驗資源，並在關鍵節點進行檢查與校驗；在任務階段性受阻時也能夠自動診斷與矯正，擁有極高的任務容錯率。Sandbox為任務提供批量、隔離和可恢復的運行環境，並支持在異構計算資源之間進行調度，在累計啟動約185萬次的統計窗口內創建成功率達到98.8%。AI因此能夠從一次研究對話進入完整科研工作流，持續執行調研、假設推演、計算模擬、結果分析與成果輸出。

04協同進化：工具、智能體和人類在真實任務反饋中協同進化 每一次檢索、閱讀、計算調用和實驗執行，都構成當前問題的處理過程；科學家的修正、計算結果、實驗數據與失敗經驗，也共同構成“科學訓練場”，為工具、智能體和人類經驗的積累和訓練提升提供長期養料，為後續更好地完成科研任務提供重要反饋。隨著更多流程被執行、校驗和複用，經過驗證的方法可以沉澱為可複用的能力與工作流，藉助EvoMaster智能體的自學習和自進化機制，平臺也會“越來越懂你”，幫助科研組織把任務經驗充分沉澱到整個工作體系中，減少重複配置與重複試錯。有關玻爾·科學空間以上技術成果的更多進展，將於不久的未來陸續跟大家見面。

面向科研人員，也面向科研組織 玻爾·科學空間既可以作為科研人員調用知識、數據和工具的統一工作臺，也可以成為科研團隊組織AI科學家、複用研究流程與沉澱科研經驗的協作環境。對於科研人員，它減少跨數據庫檢索、環境配置、工具切換和結果整理所佔用的時間，使研究過程更多由科學問題而非工具操作驅動。對於課題組和研發團隊，它幫助關鍵方法、參數、過程與結果形成可追溯記錄，使經過驗證的分析流程能夠被檢查、複用與迭代。對於科研機構與企業研發組織，它為連接內部數據、計算資源、專業工具和領域經驗提供統一環境，支持人類科學家與AI科學家在真實任務中協同。

玻爾107計劃：尋找AI時代最值得解決的科學問題 科研效率不斷提升的同時，一個更根本的問題也愈發重要： 當更多研究過程可以由AI協助完成，哪些科學問題最值得被優先探索？基於此，深勢科技發起“玻爾107計劃”，面向全球科研人員徵集具有重要科學價值與探索潛力的問題，並依託玻爾·科學空間及AI科學家的能力，為入選問題提供從科學調研、假設推演、計算模擬到結果驗證的科研支持，推動有價值的科學問題從提出走向持續探索。深勢科技希望聯合全球科研人員，持續發現值得長期投入的重要問題，探索人類科學家與AI科學家協同推進科學發現的新路徑。

讓重要的問題被看見，讓有價值的想法獲得驗證，讓AI科學家參與解決真正值得解決的科學問題。讓科學家的時間回到科學創造 能夠持續執行科研任務的AI科學家正在快速發展。未來的科學發現，也將越來越多地來自人類科學家與AI科學家的深度協同。但人類科學家的好奇心、判斷力與創造力不會被AI取代。AI更適合承擔那些繁瑣、重複但不可或缺的工作，把更多時間還給科學家——提出更重要的問題，理解更深層的機制，探索尚未被解釋的現象。讓每一條證據都不被遺漏，讓每一個想法都有機會被驗證，讓每一次探索都更接近發現。

玻爾·科學空間致力於搭建人類科學家與AI科學家共同工作的科研環境，讓科學研究擁有一個可以持續思考、持續行動、持續驗證和持續進化的空間。馬上體驗玻爾·科學空間：https://www.bohrium.com/bohrscience *本文系獲授權刊載，觀點僅為原作者所有。版權所有，未經授權不得以任何形式轉載及使用，違者必究。