AI能否自主做研究？聽聽這些專家怎麼說

當人工智能開始參與提出假設、設計實驗，並根據實驗結果調整研究方向，AI與科學研究的關係正在發生變化。從材料發現到生命系統模擬，再到創新藥研發，AI for Science的探索正從單個環節的效率提升，走向對科研過程的系統性重構。如何讓AI持續產生可驗證的新知識，如何打通計算模型與真實實驗之間的循環，也成為學術界和產業界共同面對的課題。9月11日下午2026 Inclusion·外灘大會上，以“AI4S：當AI學會研究，技術會實現自主進化麼”為主題的見解論壇正式舉辦。

來自人工智能、材料科學、生命科學和創新藥研發等領域的學者與產業界嘉賓，圍繞自主研究系統的學習與進化、科學數據的生產、藥物與材料研發的實踐展開交流，深入探討了AI參與科學研究的技術路徑與落地挑戰，從不同學科和產業視角，討論了機器自主發現的可能性及其實現條件。汪軍：從智能體到AI科學家，關鍵在打通數字與物理世界的閉環在題為《從智能體到AI科學家：自主研究系統如何學習與進化》的開場演講中，倫敦大學學院教授，RL China 創始人汪軍，從科學研究的方法出發，闡釋了自主科研系統的基本思路。

倫敦大學學院教授，RL China 創始人汪軍科學家提出假設，通過實驗觀察或理論推導進行檢驗，再根據結果修正認識，構成了知識不斷積累的過程。在他看來，AI for Science的重要目標，就是對這一過程進行建模，讓智能體能夠更完整地參與科研循環，進一步拓展科學家的研究能力。汪軍特別區分了“探索”與“發現”：前者可以圍繞已經意識到的未知問題展開，後者則需要觸及尚未進入既有知識體系、甚至尚未被意識到的問題。沿著這一思路，他提出面向科學發現的“大發現模型”方向，希望推動AI從已有知識基礎上的推理，進一步走向對新問題、新知識的發現。實現這一目標，關鍵在於建立數字世界與物理世界之間的閉環。

汪軍介紹，團隊正通過自學習與自演進方法，使智能體在多輪反饋中持續改進；在與化學家的合作中，團隊已開展900多個實驗，探索將計算決策與真實實驗相結合，用於新材料發現。另外在蛋白質、小分子、芯片工藝、礦業、金融因子挖掘等各個方向已具備實際驗證效果。除算法研究外，汪軍還介紹了端側智能體與“智能體雲”等工程探索，通過連接算力、數據和工具，為科研任務提供支撐。他認為，自主科研系統的推進需要人工智能研究者與不同學科的科學家共同參與，在具體問題和實驗反饋中檢驗、完善系統能力。

張統一：走向機器自主發現，首先要夯實數據源中國科學院院士、上海大學材料基因組工程研究院院長張統一，以《通往機器自主發現的新範式：夯實數據源，控制AI未來》為題，將討論重點落在科學數據的源頭。中國科學院院士、上海大學材料基因組工程研究院院長張統一他強調，AI發展的基礎不僅是對已有數據的掌握，更是持續產生新數據的能力。對於材料科學與工程研究而言，這意味著必須重視真實實驗、生產過程以及對自然現象的觀察。張統一指出，材料研究面臨複雜的物理、化學過程，人們對其中的機理往往只有部分認識。以納米材料為例，應力、成分分佈與擴散等因素相互耦合，模型通常需要在簡化條件下建立。

因此，AI參與材料研究，仍需與機理研究、物理仿真和實驗驗證緊密結合。圍繞這一需求，他提出建設“軟基石”與“硬基石”：前者涵蓋計算、模擬和算法，後者連接實驗與生產，兩者都需要向智能化發展。建設AI實驗室，也需要材料專業、仿真、控制與AI、實時檢測等多方面力量協同，使實驗結果能夠及時反饋到後續決策之中。張統一同時指出，生成候選材料只是研發的一部分，材料能否真正合成出來，是必須解決的現實挑戰。當實驗數據不足時，可以通過仿真與真實實驗結合的方式補充數據，但數據擬合的表現也不能直接替代對機理的判斷。

他結合自身研究舉例說明，同一組數據有時能夠被不同機理模型同樣良好地擬合，僅靠擬合結果難以判定哪種解釋更合理。在張統一看來，通往機器自主發現，需要將數據生產、計算模擬與學科知識共同納入研究體系。科學家對問題的理解和判斷，仍將在這一過程中發揮重要作用。謝志：AI藥物設計的核心，是理解生命並持續產生可驗證的發現廣州國家實驗室研究員謝志在《AI藥物設計：從理解生命到改造生命》的演講中，結合虛擬細胞和分子設計研究，討論了AI在生命科學中的進展與侷限。他指出，新藥研發的困難不僅在於分子優化效率，還在於疾病機制、藥效毒理以及患者與藥物匹配關係尚未得到充分理解。

廣州國家實驗室研究員謝志在虛擬細胞研究中，謝志團隊嘗試將細胞系的藥物與基因擾動數據，同人類疾病相關的轉錄組數據關聯起來，探索模型從細胞系向類器官和人體相關數據遷移的能力。據介紹，團隊整合了200多萬套細胞系擾動數據與約50萬套人類轉錄組數據，在轉錄組變化、藥物敏感性及部分患者應答數據的預測中觀察到一定的遷移能力。但這種能力也存在邊界。謝志介紹，將模型擴展至更廣泛的疾病與藥物關係時，單靠轉錄組變化進行推斷的效果並不理想。團隊進一步結合醫學知識圖譜，改善了預測表現，並在部分藥物新適應症的動物實驗中獲得初步驗證。

在分子設計方面，他介紹了團隊圍繞mRNA序列優化開展的研究，包括引入進化信息、結合強化學習開展多目標優化，以及通過自動化實驗補充數據。這些工作顯示出AI輔助設計的潛力，也促使團隊進一步思考：模型能否超越對已有數據的擬合，形成持續發現新機制的能力？謝志認為，生命科學麵臨目標、數據和規則三方面的困難。許多疾病的機制尚不清晰，實驗數據又高度依賴具體環境；即使是同一種細胞系，不同實驗室的樣本狀態也可能存在明顯差異。缺少這些背景信息，簡單彙集數據難以充分支持可靠的推斷。

因此，他提出，下一代生命科學研究系統需要結合理解生命機制的模型、提出並評估科學假設的發現引擎、治療方案設計能力，以及來自實驗和臨床的反饋，形成持續學習的過程。他也明確指出，系統在關鍵決策上仍需要人工參與，自主研究的穩定性有待提高。真正重要的，是讓AI持續產生可驗證的生命科學知識和潛在治療機會。秦剛：以臨床需求為起點，探索AI驅動的創新藥研發閉環啟德醫藥聯合創始人、CEO秦剛在《AI重構創新藥研發：硅基智能能否變革絕症治療》的演講中，結合生物偶聯藥物研發實踐，介紹了自動化實驗平臺與AI決策結合的探索。

他指出，面對尚無有效療法的疾病，研發需要從具體患者的未滿足需求出發，將技術能力轉化為可驗證的治療方案。啟德醫藥聯合創始人、CEO秦剛秦剛以抗體偶聯藥物（ADC）為例，解釋了將靶向遞送與藥物載荷結合的研發思路。隨著偶聯藥物向更多形式的XDC拓展，靶點、載荷及作用機制的組合日益豐富，也帶來了龐大的設計與篩選空間。如何在大量組合中找到有效方案，成為藥物發現的重要挑戰。為此，啟德搭建了iDiscovery平臺，將高通量製備與基於患者來源類器官的藥物篩選相結合。該平臺單天樣品製備通量超過1000個，並與合作伙伴共建了覆蓋30多種適應症的類器官庫，為候選藥物的構建、評價和篩選提供支持。

在這一體系中，研發從識別臨床未滿足需求開始，通過患者來源材料構建模型，再結合生物學信息設計藥物組成部分，利用自動化平臺完成組合、篩選與評價。秦剛表示，平臺在持續運行中產生的高質量結構化數據，可以為AI參與後續藥物發現提供基礎，形成計算設計與真實實驗相互反饋的“乾溼閉環”。隨著可供選擇的藥物組成部分不斷增加，秦剛認為，AI的一個重要價值將體現在決策環節：面對多靶點、多機制的複雜組合，決定優先構建什麼、篩選什麼，以及如何根據結果調整下一輪實驗。他介紹，團隊計劃在相同的臨床需求下，讓AI模型指揮實驗平臺開展研發，並與經驗豐富的研發團隊進行對照，探索建設XDC藥物決策實驗室。

秦剛強調，這些探索的最終評價仍要回到臨床。AI與自動化能否真正改變新藥研發，需要以療法的實際效果檢驗，最終落腳於延長患者生存期、改善患者生活質量。張書銘：從Token到材料，以產業需求牽引研發閉環深度原理首席戰略官張書銘在《從Token到材料：AI for Materials解鎖材料研發新範式》的演講中，介紹了將深度學習、第一性原理計算與自動化實驗相結合的材料研發路徑。他指出，產業客戶的關注點正在從模型性能、局部任務的自動化，轉向實際交付：創造了什麼價值，能否解決自己的問題。深度原理首席戰略官張書銘從化學工程的視角出發，張書銘強調，材料研發需要同時權衡性能、成本、時間與精度。

團隊希望從工業需求出發，將分子生成、性質預測、可合成性分析和實驗驗證連接起來，使計算結果能夠轉化為具有應用價值的材料配方。深度原理的材料研發智能體平臺Mira，通過適配不同計算軟件、實驗設備與數據系統，將分散的研發資源納入統一調度。平臺把更穩定、成本更低等需求拆解為具體指標和驗證方案，再將實驗結果用於修正預測、安排下一輪實驗。張書銘以數據中心冷卻液項目為例介紹，團隊從限定化學元素出發，通過生成模型構建約230萬個分子結構，再依據物性要求、合成步驟和原料成本逐步篩選，最終推薦接近200個結構進入實驗探索。

該項目用約四個半月取得實驗室階段成果，目前相關配方已申請專利，並在與下游服務器客戶開展材料兼容性測試。他還分享了與歐萊雅圍繞配方穩定性開展合作的案例：團隊從反應機理切入，篩選可抑制活性組分失效的添加劑，經客戶專家審核和實驗驗證，推動合作由穩定性優化延伸至生物活性提升及新分子設計。在他看來，AI材料研發的價值，需要通過可重複的交付和客戶持續使用來體現。楊孟洋：連接數據、模型、實驗與量產，讓材料創新形成完整鏈條開物紀聯合創始人楊孟洋在《讓材料發明告別偶然：大模型、實驗與量產閉環的AI材料全棧式研發平臺》的演講中，介紹了企業圍繞材料研發全流程的佈局。

他表示，開物紀希望將數據、基礎模型、實驗室和工廠連接起來，讓AI參與從材料設計、配方驗證到放大生產的過程。開物紀聯合創始人楊孟洋在模型層面，團隊分別建設材料屬性預測模型與生成模型：前者根據材料的組分和空間構型預測物理化學性質，後者從目標性能出發生成候選結構。圍繞這兩類能力，團隊將模型、專利、數據與工具結合為智能體System 0，幫助研究人員調用計算能力，並探索將其進一步接入實驗室與生產環節。楊孟洋強調，從模型結果走向實際產品，需要材料研究、工程設備和產業製造等不同背景的人才共同參與。

開物紀圍繞新能源電池、存儲、散熱與信息技術等材料方向佈局，同時建設高通量、小型化的小試和中試能力，以支持候選配方的合成與驗證。數據也是這一體系的重要基礎。楊孟洋介紹，團隊發佈了材料數據集Elementa，探索更廣泛化學空間內的材料構型，並首批開放4000萬條DFT計算數據，希望為材料基礎模型研究提供支持，推動相關生態建設。對於商業落地，他認為，中國的製造與供應鏈條件為AI材料研發提供了重要支撐。衡量AI for Materials能否成功，最終要看材料能否在物理世界中被合成、實現商業化，並滿足客戶的實際需求。

楊靈：從遞歸自我改進走向發現智能，讓AI判斷什麼值得研究北京大學助理教授楊靈在《從遞歸自我改進到發現智能》的演講中，介紹了團隊從代碼生成、智能體到長程任務的研究路線。遞歸自我改進（RSI）的核心，是讓系統利用反饋不斷改進自身；而不同任務中反饋的可獲得性，決定了這一過程的難度。北京大學助理教授楊靈楊靈以代碼生成為例指出，代碼執行和測試能夠提供相對直接、及時的反饋。團隊據此探索代碼與單元測試協同改進的框架，利用測試檢查代碼，再通過代碼的執行表現檢驗測試質量。進入更復雜的智能體任務後，團隊進一步嘗試讓任務環境與模型共同演進，並引入過程獎勵模型，對任務中間步驟進行監督。

隨著任務鏈條拉長，目標遺失、記憶檢索不完整和工具調用混亂等問題更加突出。針對這些困難，團隊通過維護工作記憶，持續記錄任務狀態、最終目標和所需工具，幫助智能體在長程執行中保持方向。在此基礎上，楊靈將下一階段的探索指向“發現智能”：AI需要進一步判斷什麼問題值得解決，以及如何評估新的科學猜想。他指出，科學發現具有開放性，往往沒有固定答案，研究過程可能涉及數百乃至上千個步驟，單靠最終結果也難以評價整個過程。因此，面向科學發現的自主系統，需要同時解決開放式評價、長程任務執行以及真實實驗驗證等問題。計算提出的方案必須接受溼實驗的檢驗，再通過實驗反饋修正後續研究，才能形成持續的發現循環。

圓桌討論：AI學會研究之後，技術真的會自主進化嗎？在隨後舉行的圓桌討論中，汪軍擔任主持人，與江蘇理工學院人工智能學院執行院長常珊、華大研究院合成生物學主任科學家、常州研究院執行院長付憲，以及合肥微觀紀元創始人呂川展開交流。張統一院士與秦剛等嘉賓也參與討論。三位圓桌嘉賓分別介紹了研究方向。呂川分享了量子計算與分子模擬的探索，關注電子結構計算及其與AI、多尺度模擬的結合；付憲介紹了團隊圍繞DNA合成、酶與菌株設計、細胞工廠開展的工作，希望將生命數據轉化為生物製造能力；常珊則介紹了蛋白質及RNA結構預測研究，以及通過乾溼結合推動蛋白質設計、藥物分子設計和產業應用的實踐。科研成果距離產業落地還有多遠？

針對現場觀眾提出的學術成果轉化問題，張統一院士認為，技術研發應關注企業真正能用的能力。以具身智能為例，研究不必侷限於人形形態，將機械臂在時間和空間上的控制能力做好，本身就具有重要的研究價值和應用空間。他同時指出，產業應用與前沿探索各有其需要解決的問題。比如，對於高溫超導等機理仍未得到充分理解的方向，建立能夠經受檢驗的理論、取得實質性的實驗突破，依然是重要任務。創新藥出海的活躍態勢能否持續？一位觀眾結合創新藥早期項目對外授權的現象提問：當候選項目仍需經歷漫長的臨床驗證，這種發展模式能否持續？秦剛認為，當前的創新藥出海背後，是中國生物醫藥過去十餘年在研發、供應鏈和臨床推進等方面的能力積累。

但從早期創新走向成熟療法，仍需要資金、市場和長期政策環境的支持，不能僅以早期交易熱度判斷產業發展的質量。對於創新藥的早期授權，秦剛提出，應結合企業可獲得的資源和後續開發能力理解其作用。國際合作可以為項目繼續推進提供條件，合作方式也在變化：隨著企業形成更具差異化的技術能力，雙方可以從單個項目授權走向共同研發、資源互補與成果分成。在他看來，產業的持續發展，需要支持企業將原始創新推進至最終療法，並在合作中不斷增強自身能力。同樣由原子構成，為何分子結構預測仍難以統一？常珊提出，蛋白質、RNA和小分子都遵循底層物理規律，為什麼結構預測能力仍難在不同體系之間充分遷移？

材料模擬與AI能否為這一問題提供新的路徑？張統一院士從材料計算角度補充指出，在第一性原理計算框架下，材料與小分子研究具有相通之處，但體系規模和約束條件不同，會帶來不同的計算挑戰。生命體系往往涉及更多原子及更復雜的結構，不能簡單照搬較小材料體系的處理方式。他也再次強調，AI研究者需要理解所進入領域的專業知識，才能更準確地界定問題和模型的適用範圍。溼實驗數據有限，自主發現應從哪裡起步？最後，一位材料研究者提出，許多課題組的溼實驗數據只有幾十到上百條，與計算模擬的大規模數據存在明顯差距，在這樣的條件下，是否已經具備使用大發現模型的基礎？汪軍回應，不同領域的推進速度和起點會有所不同。

對於目標清晰、評價指標明確、實驗反饋較快的場景，可以先把迭代過程運行起來，再逐步擴展能力。他以催化劑、配方優化和陶瓷性能改進等具體方向為例，說明自主研究可以從單一材料體系或明確性能目標切入。對於跨材料、跨設備的統一系統，汪軍認為現階段仍需考慮不同場景之間的差異。有些方向可以先在計算與模擬中形成閉環，再進一步接入溼實驗。從模型能力走向可驗證的科學與產業成果從自主科研系統的算法探索，到材料與藥物研發的實際案例，本場論壇展現了AI for Science沿著不同路徑推進的過程。

模型正在進入更完整的科研流程，真實實驗則不斷檢驗其能力邊界：候選材料能否合成，實驗室成果能否放大，藥物設計能否轉化為治療效果，都需要在現實條件下給出答案。論壇嘉賓的分享表明，自主發現仍有許多基礎工作需要完成。數據的來源與質量、學科機理的理解、長程任務的穩定執行，以及實驗結果如何反饋到下一輪決策，都會影響系統能否持續產生新知識。科學家的問題判斷、專業經驗和實驗設計能力，也仍是這一過程的重要組成部分。AI能在多大程度上自主推進科學研究，將由這些具體探索逐步回答。隨著計算、實驗與產業應用之間的聯繫更加緊密，值得期待的進展，是經過驗證的新材料、新療法和新知識不斷出現，並從實驗室走向真實應用。