智能化软件开发微访谈·第四十五期：面向AI4S的智能化软件平台及应用

CodeWisdom

面向AI4S的智能化软件平台及应用

微访谈

彭鑫

黄罡

黄萱菁

王昊奋

陈华钧

钱辉

邱世民

冯大为

丁科炎

张铂

于璠

Question 1

主持人：近一年来，一批科研智能体与 "AI 科学家" 平台集中涌现。在您看来，面向 AI4S 的智能化软件平台当前发展到了什么阶段？它与面向办公、编程等场景的通用智能体平台相比，在目标定位、核心能力和技术栈上有哪些本质不同？一个成熟的 AI4S 平台应具备哪些关键组成？

       近一年这类平台确实出来很多，但整体看还处在可演示、难托付的阶段。查文献、写代码、跑一个仿真、画一张图，单步都做得不错，任务一长就容易出问题。我们近期做过一些多学科科学工具任务的评测，用工具总体比纯推理好，但步骤越多成功率掉得越快，问题主要出在规划、出错后的恢复、工具之间的衔接和中间状态的管理上。

        跟办公、编程类智能体比，差别主要在三方面。目标上，通用平台把任务做完就算交付，AI4S 平台要产出经得起检验的知识。代码跑没跑通当场就能确认，科学结论要靠实验验证，反馈慢、成本高，还有噪声。能力上，除了会调工具，还要会提科学假设、设计对照实验、处理不确定性，届时证据到底有多强。技术栈上，在大模型、工具协议和沙箱之外，还要接科学模型、仿真软件、算力调度、科学数据和本体、仪器接口，并且全过程可溯源。

        一个成熟的平台，底下是科学基础模型和面向科研的智能体模型，往上有三层。知识与数据层管文献、科学数据和本体，工具与执行层管技能库、仿真、算力和实验室接口，证据与评测层管验证、基准和溯源。另外还需要一套贯穿各层的执行治理，包括 Harness 和人工把关。现在不少平台在数据和模型上投入很多，评测和治理偏弱，可科学家敢不敢用，就得看这两块。

        上海人工智能实验室近日联合多家高校和科研机构推出了书生·星河智能体模型，我们团队是主要参与方之一。这个模型面向 AI 研究，训练时把工具交互、可执行环境和外部可验证的结果连在一起，目标是把开放的研究问题变成能执行、能检验的结果。研发过程中我们也看到，智能体已经常常能提出方法、动手实现修改，方向判断和最后的取舍目前还是要靠人。

       我觉得先要理解 AI4S 的内涵。我认为不仅仅是 AI 在科研的应用，也是科研对AI高阶突破的反哺。有两个重要信号：一个是美国白宫主导的  Genesis Mission，其核心是建设一个统一的数据、算力、实验设施与 AI 一体化平台，意在以全政府力量加速 AI 驱动的科学发现；另一个是《科学：新黄金时代》(Science: A New Golden Age) 报告，它指出AI正打破布什的线性链条，让“0到1的原始创新”和“1到100的产业转化”在同一平台上并行迭代。

        基于这些趋势，我认为 AI 与科学的关系不应再被视为单向工具应用，而应定位为双向赋能：“AI 与自然、社会、工程三类科学双向赋能”。

        所以，AI4S 的本质是 AI 与科学相互塑造、共同演进。编程能力的爆发就是一次预演：软件工程为 AI 提供了可自动验证的闭环数据，快速提升了 AI 的编程能力；而更强 AI 又反过来深刻变革了软件工程本身。

        我的判断是，现在处在“单点工具已经可用、垂直闭环开始跑通、跨学科自治还不成熟”的阶段。能搜论文、调模型、写报告，不等于能独立做科学。真正的分水岭是：能不能提出可检验的假设，通过计算和实验取得证据，并根据失败结果调整下一步。

        办公智能体主要交付内容，编程智能体可以依靠测试快速反馈；AI4S 交付的是经验证的科学结论，反馈往往慢、贵，而且存在噪声。它不仅需要大模型，还需要专业模型、科学计算、实验设备和不确定性评估。一个成熟平台至少要有五部分：科学知识与数据底座、模型和工具技能库、工作流与算力调度、实验执行与反馈、贯穿全程的溯源和安全治理。评价指标不该只是“任务完成率”，还要看复现率、有效实验成本和真实发现增益。

        我的判断是，通用智能体已进入应用层的繁荣期，AI4S 平台仍处在操作系统缺位的阶段——别人在做科研的 App，我们还在补科研的 Kernel。各类"AI 科学家"集中涌现，但绝大多数停留在干实验一侧；自动化装置虽已成熟，本质上仍是流程执行器。真正的分野在两者之间，即"思行割裂"：一侧思有余而力不足，是思考的巨人、行动的矮子；另一侧力有余而识不深，是行动的巨人、思考的幼童。

        区别有三层。目标上，通用智能体节省的是人类时间，产出文本与代码，错了可以重写；AI4S 追求的是物理世界真相的获取速率，产出严格说不是答案，而是一份可被他人重做的证据，所以干湿一致性才是试金石。能力上，通用智能体拼上下文工程，AI4S 拼世界模型保真度、不确定性管理与长程状态保持，正对应科学问题的复杂性、实验室环境的专有性与干湿闭环的特殊性（时间异步、动作不可回滚——代码可以回退，反应不能）。技术栈上则要再多出科学计算内核、仪器控制层、本体语义层与数字孪生层，并把评测换成真实湿实验对照。

        总判断是：长周期自主实验真正的敌人不是 AI 不够聪明，而是AI模型与物理世界的融合。此外，对于AI4S而言，最稀缺的战略资源不是算力而是失败数据，因为文献只发表成功，物理世界却不隐藏失败；成熟度的标尺也会从"跑了多少实验"变成"试错次数下降了多少"——那才是复利的开始。

        现在各个领域的科研智能体已经不少了，但能把这些能力连起来，让不同领域的科研人员都方便使用的平台，我觉得还没有真正做起来。结合我们自己的研究，我主要看两点。

        第一，能不能让智能体用上足够多的科学工具。科学研究里，一个好模型、好软件，往往能帮上很大的忙。我们做Code2MCP、ToolRosetta，就是想把已有的科研代码变成智能体能直接调用的工具，减少人工接入的工作。

        第二，能不能方便地搭出不同科研人员的工作流程。做计算、做实验、做数据分析，各有各的做法。平台要能根据需要，把这些流程快速搭起来、协同起来，换个任务也不用从头开发。

        和办公、编程相比，科研还得看结果有没有科学依据、能不能通过计算或实验验证。所以我理解的成熟平台，就是把工具、数据、算力和设备接好，让不同角色配合起来，同时把过程和证据留下来。

        我觉得目前 AI4S 智能化平台还处在原型验证阶段：能做文献阅读、数据分析，也开始辅助化学实验，但大多只能搞定单一任务，离独立完整做科研还有差距。

        对比办公、编程这类通用智能体差别挺大：目标上，通用AI是帮人完成确定任务；AI4S 是探索未知、尝试发现新知识，要验证假说真假。能力上，通用智能体擅长对话和调用工具；AI4S 得懂学科推理，遵守理化约束，还能把模糊科研想法转成可计算、可做实验的方案。技术上，通用的靠大模型和通用工具；AI4S 还要叠加专业知识库、计算模块、实验设备接口，加上数据溯源和异常判断。

        从我们合成化学角度看，成熟的 AI4S 平台，要把科学知识、计算模型、实验仪器和智能体打通，还要有质量监控、异常处理、全流程追踪。我认为核心难点两点：一是怎么生成并转化科学问题，化学家很多经验直觉没法量化，AI 很难吃透；二是实验可靠性，仪器故障、操作偏差、意外结果，现阶段还是要人来判断。

观点讨论

@于璠：我也抛另外一个视角。Chai Discovery 纯搞计算，不玩湿实验，可以让抗体设计成功率达成 40 以上，远超传统方法，各个药厂直接付款。这个 AI4S 案例的客户完全不是科研工作者。

@彭鑫：看起来 AI4S 智能化平台落地应用情况跟智能体在企业应用领域的情况差不多，都属于前途远大但当前仍然局限于单点和局部任务，各种可靠性、一致性问题很多。同时，科学研究具有巨大的探索星河开放性，导致某些方面可能挑战更大。

@于璠：@钱辉 最后一个可以通过咱们软件工程的运行时来解决。

@钱辉：@于璠 于总说的 Chai Discovery 这个案例确实很有代表性，也点出 AI4S 其实有两类典型落地场景。一类面向药企产业端，目标就是提升分子 / 抗体设计成功率，直接用干实验计算创造商业价值，客户是工业研发团队，不一定是基础科研人员；另一类就是我们刚才聊的、覆盖干 + 湿闭环的科研智能体平台，面向基础科学探索，目标是产出新知识。两者都属于 AI4S，但目标、评价标准完全不一样。产业场景看重能不能快速拿到可交付候选分子、提升成功率；而面向科学发现的 AI4S，还要解决提出科学假说、处理实验不确定性这些更难的问题。我觉得两条路线并不冲突，算是 AI4S 不同的应用切面。

@张晨曦：@于璠 这个案例是不是主要还是依靠模型能力？

@彭鑫：@钱辉 质量监控、异常处理、全流程追踪还有可靠性等，这些确实都很软工。面向智能体系统的可观测性、异常处理、中断和干预机制，以及自适应自演化等问题现在都是我们特别关心的问题。

@于璠：@张晨曦 是的，交付的是一套模型，也算是一个有强烈科学家经验的智能体。

        我的理解，当前的科研智能体还多处于DEMO演示阶段，主要原因在于科研探索任务与编程、办公等任务的区别。

        当前大模型智能体在问题边界足够清晰、数据资源足够丰富、验证反馈容易获得的任务上取得了较好的应用效果，例如编程、数学证明等。以编程任务为例，互联网上有海量开源代码、文档、教程、Issue、PR、测试用例和问答数据等，为大模型编程能力训练提供了大量高质量数据，此外，编程任务通常有明确的目标、输入输出和成功标准。代码可以直接运行，编译器、解释器、集成测试和 CI 都能自动给出反馈。整个过程在数字环境中完成，成本低、可回滚、无物理不可逆风险。

        然而科学研究探索领域的任务往往问题边界模糊、数据资源匮乏、验证反馈周期长，严重阻碍了大模型的深入规模化应用。①科研领域问题边界模糊：目标与规划难以形式化，成功标准难以定义、假设空间开放、多目标冲突等诸多挑战，要求平台支持动态目标调整、可解释推理和证据链管理；②数据资源匮乏：知识供给碎片化且难以利用，高价值数据稀缺、异构、私有、负结果缺失，要求平台支持数据制品化，统一数据层、数据谱系、本体与语义互操作；③验证反馈周期长，科研却常常是“假设—实验—观测—修正”数月甚至数年循环，要求平台具备长周期任务编排、干湿闭环、可复现审计等能力；④与物理世界交互，智能体不仅要调用数字工具，还要通过标准化接口驱动机器人、仪器和实验设备，而物理过程往往不可逆，一次误操作就可能污染样品、损坏设备甚至引发安全事故，且无法像代码一样回滚重试，要求平台显式建模实验协议、设备能力与安全边界；

        因此，通用智能体平台“对话入口 + 插件调用 + 快速试错”的架构，很难直接迁移到科研场景。面向 AI4Science 的 AI 原生软件平台须建立以证据为中心、专家判断为边界、长周期知识积累和实验闭环为核心的科研操作系统。

        我认为，AI4S 目前正从 AI 辅助科研走向科研智能体，但还没有真正进入完全自主科学发现阶段。它和编程等通用智能体最大的区别是：科研的目标不是把一个任务做完，而是发现未知、形成假设并获得可信证据。因此，我觉得 AI4S 平台至少需要四类核心能力：

        一是科学知识，包括文献、数据库、知识图谱和本体；

        二是科学工具，包括模型、仿真软件和数据分析工具；

       三是实验能力，包括真实仪器和自动化设备；

        四是运行治理，包括权限、安全、验证和全过程追踪。

        所以 AI4S  智能化软件平台不能只是一个大模型加若干 API，而应该成为能够组织科学知识、科学工具、计算资源和实验设施的科研基础设施。

        我觉得，现在正处在从“智能体/科学工具单点任务可用”，走向“整套科研流程能跑通”的阶段。但是要稳定支撑开放式 AGI4S 赋能科学发现研究，还需要继续打磨。浦江实验室正在做的“书生·端砚”，其着力点就是让 AI 进一步参与到更多专业场景、更多科学发现流程任务中，例如：假设提出、科学问题探索、计算模拟实验辅助、deepresearch、甚至科研绘图等。跟通用智能体相比，AGI4S 更强调产生可检验的新知识：既要提出假设、设计长流程的验证，也要根据研究中获得的新证据，判断下一步往哪里走。所以，成熟平台既要连接专业模型、仿真软件和实验系统，也要把领域知识和实验反馈真正用于研究决策，推动“提出假设—长周期验证—专家修正”的持续循环。

观点讨论

Question 2

主持人：在干实验一侧，科研智能体需要连接科学模型、仿真软件、算力与科学数据。平台如何把各类 SOTA 模型、VASP/Gaussian等仿真软件以及工具库封装为可被智能体灵活调用的技能（Skills），并完成高通量筛选、理论计算与数据分析的自动编排？这一过程如何降低科研人员的使用门槛，又带来了哪些实际效果？

        技能封装不是简单地给软件包个 API，而是将它们改造为能产生标准化训练数据的单元。

每项技能都需明确定义其输入输出、物理单位、前置条件、常见失败模式和结果校验方法。当智能体调用自然科学的仿真计算、工程科学的代码测试、社会科学的政策模拟等技能时，平台会记录下完整的“状态—动作—结果—修正”序列。这些从实际科研中产生的交互轨迹，正是训练L3行动能力所稀缺的数据。由此，平台本身就成为一条高阶能力训练数据的生产线。

        我是从数据的角度看技能。

        工具封装最要紧的是怎么组织，数量多了不见得难用。要是把几百上千个工具平铺成一张清单交给模型，它常常不知道该先用哪个，也不知道结果该交给谁。比较好的办法是按输入输出类型把工具连成一张依赖图，一个工具的输出如能传递给另一个工具就连一条边，再由智能体在图上规划路径。我们近期的一项合作研究也发现，在这张图上采样真实跑通的执行轨迹来训练，把失败、反思和纠正的过程一起学进去，小模型在科学工具任务上能超过大得多的通用模型。实际上，科研数据很多涉及未发表成果，甚至有保密要求，不方便都送到云端大模型。用高质量的执行轨迹训出来的小模型，能在本地工作站上跑，在科学工具任务上又不输大模型，对很多实验室来说可能比追最大的模型更实用。所以一个好用的技能，除了接口本身，还应该写清楚输入输出的类型和单位、适用条件、常用参数、计算代价、常见的失败情况和处理办法。这些经验也不必全靠人来写，我们还在尝试让智能体从自己成功和失败的经历里总结技能，先从单个案例里提炼，再归纳成同类任务通用的技能，有的适合直接训练进模型，有的留在外面按需调用更好。

        VASP、Gaussian 这类重型软件，适合按任务来封装，比如结构优化、单点能、频率分析各做成一个技能。参数模板请领域专家来定，智能体只在给定范围内调整。编排上要分好工，智能体负责规划和纠错，作业提交、排队和容错交给确定性的工作流引擎，别让大模型直接去管 HPC 队列。高通量筛选一般先用代理模型粗筛，再用第一性原理计算精算，最后做统计分析，每一步留多少候选，可以让智能体根据预算和不确定性来定。

        对科研人员来说，最大的变化是不必再去熟悉每个软件的输入格式和参数细节，精力可以放在提问题和判断结果上。用自然语言讲清楚目标，平台给出一份可以审查的计算方案，确认后再执行。从效果看，计算准备和数据处理的时间明显缩短。也有新风险，参数设错了可能算出一个看上去很合理的错误结果，所以收敛性检查、物理合理性检查和跟已知数据的比对，应该默认放在流程里。

        我理解的 Skill，不是给 VASP 或 Gaussian 写一段调用说明，而是一个有明确契约的科学能力：输入输出是什么、适用于什么体系、需要什么环境和许可证、耗费多少算力、怎样判定收敛、失败后如何处理。SOTA 模型也一样，必须标明训练数据范围和适用域，不能因为排行榜第一就默认适合当前任务。

        以材料筛选为例，可以先用低成本模型筛掉明显不合适的候选，再对入围结构做 DFT （密度泛函理论）计算，随后检查收敛、分析性质，把结果交给主动学习模块选择下一批。大模型负责理解目标、组合流程，作业提交、检查点恢复和资源配额交给确定性的调度系统。

        实际降低的是“胶水代码”和软件操作门槛，而不是科学判断门槛。科研人员不必反复写输入文件、查报错、搬结果，但仍要决定泛函、精度和验证标准。最终应比较的是同等预算下获得多少可靠候选，而不是自动提交了多少任务。

        所以，关键不是让智能体“会调用软件”，而是把科研经验沉淀成可复用、可验证的技能。这里也介绍一下 OpenKG 发布的 SkillNet。它通过统一的技能本体组织能力，描述技能间的依赖和组合关系，并从安全性、完整性、可执行性、可维护性和成本意识等维度评价技能。它解决的是：一次任务中积累的经验，怎样成为下一次任务可以直接使用的能力，而不是每次重新写提示词、重新试错。

观点讨论

@彭鑫：AI4S 的工具一定程度上跟代码中的 API 相似，很多时候需要根据各种数据流、控制流关系组合一组相关的工具，因此工具之间的依赖关系建模就很重要了。此外，工具集成的缝隙中还可能需要按需生成一些“粘合”代码，就像 20 多年前我们做构件组装，会在 connector 上生成 glue code，例如进行一些数据转换、协议对齐等。

@邸世民：@彭鑫 对，我们在实际做工具封装的工作（打个广告，我们的 code2mcp）中，想要把科学工具拆出来，按照功能划分，重新组织，这就很具有挑战。往往科学工具沉淀了很多年，内部系统很混乱、依赖关系也很复杂。

@彭鑫：@邸世民 这个是我们在企业软件领域考虑的解构再重构，挑战是如何在工具的独立性/灵活组合性与一致性之间取得平衡。同时原有的软件内部设计实现质量可能很差，导致很难抽出去干净同时又完整的能力单元。

        总体看法是必须内外双修，两者性质不同，不能用同一套办法。向内最有前瞻性的转变，是从"检索更多知识"走向"正确调用知识"：传统检索增强在高精度科学任务上反而会造成性能回退，因为"貌似相关"的内容会污染推理链条。受控知识注入相反，它给推理装上一套认知节流阀——先判断问题在考什么，再把每个候选答案当作待检验的假设去提问，设定检索上限、主动拒绝似是而非的证据，最后压成来源可查、长度受控的知识卡。科学智能体由此从"能答题"进化到"可诊断"，而可诊断是可信赖的前提。

        向外，科学工具编排是目前最成熟的范式，例如可以用结构化的工具知识图谱支撑规划、执行与总结，让工具选择建立在显式知识关系上而非模型的自由联想；其中安全性检测应当是架构内的一等公民而非外挂补丁——毒性与爆炸性约束在干实验阶段算清楚，湿实验才不必用事故补课。

        向前看，技能会经历三次形态跃迁：从工具封装到经验封装，再到"技能的技能"。经验封装是把专家隐性知识与设计—制造—测试—分析循环中沉淀的判断固化为可复用单元；更进一步，系统应能从执行失败中自动生成纠偏技能，经虚拟预演验证后投入使用，技能库由此不再是静态清单，而成为有新陈代谢的器官。

观点讨论

@于璠：@陈华钧Skill 也是可以迭代优化起来。

@邸世民：@于璠我们之前的一个解决办法就是，好的工作流沉淀成为 SKILL，然后 SKILL 有问题，拆解回工作流，人或者 AI 验证完后，再凝练成 SKILL。

@于璠：@邸世民 嗯嗯，HarnessRSI 的方式。多用多迭代就会好起来。

@张晨曦：看起来仅使用 Skill 封装可能是不足的，也许需要一些神经符合融合的手段来辅助。

@于璠：是的。skill 最主要是明确边界，以及错误处理。

@彭鑫：@张晨曦 例如一段流程是沉淀为 SOP、代码还是流程引擎可以解释执行的流程描述？

@张晨曦：@彭鑫 是的，对于不同可靠性要求的环节可以用不同的形式。

        科学领域已经有很多好工具、好软件，但把它们变成智能体能直接使用的工具，其实很费工夫。环境怎么配、参数怎么填、输入输出是什么格式、结果怎么检查，甚至包括运行环境、编程语言、环境依赖都要处理。我们当时就针对这个问题，致力于做科学工具的拆解、封装，把覆盖多个科学领域的 1500 多个工具转成了智能体可以调用的标准化工具

        这样，科研人员就不用每换一个工具都重新装环境、改接口、搬数据。我的实际体会是，把已有的专业工具接好、用好，就能给科研智能体带来很实际的能力提升。在此基础上，把这些科研工具编成科学工作流，再形成 skill，也是我们之前做 FlowEvo 的初衷

观点讨论

        我觉得核心思路就是把 VASP、Gaussian 这类计算软件和前沿模型封装成标准化Skills，交给智能体自主调度，自动串起高通量筛选、理论计算和数据分析的整套流程。

        对我们做合成化学的人来说，很多计算软件想学但上手门槛很高。拿 Gaussian 举例，选计算方法、写输入文件、处理不收敛问题，还要搭环境，非常依赖经验，不少前沿模型普通实验室很难落地。理想的平台就像傻瓜相机：化学家只提科学问题，智能体自动选合适工具。比如研究反应机理，它可以依次安排构象搜索、结构优化、过渡态计算、能垒分析，自动提交任务，最后输出我们看得懂的分析结果。

        这套封装不能只是打包工具，还要能校验计算结果是否靠谱。我们团队也在做相关尝试，把文献、实验数据分析和智能体结合，让 AI 辅助挑选反应条件。一方面省去科研人员学软件、写代码的大量精力，降低使用门槛；另一方面，也能让成熟的理论计算方法走进更多有机化学实验室。

        技能核心就是把过去需要科研人员自己操作的软件，变成智能体可以理解和调用的标准化科学能力。比如 VASP 或反应预测模型，不应该只是简单包装成一个 API，而应该同时描述：能做什么；需要什么输入；输出什么结果；有哪些科学约束；如何判断结果是否可靠。这样智能体拿到一个科研目标后，就可以自动进行任务分解、 Skill 选择、计算调度和结果分析，科研人员不需要自己编写大量脚本、配置环境。我们在  SciSkillAgent 这个工作中探索的就是这种模式：把科学能力模块化、标准化，让智能体能够组合这些能力完成复杂科研任务。

        在干实验智能体领域，目前已经有很多常用的科研工具 SKILL，例如 VASP、LAMMPS 等计算软件的 SKILL，一般都是将计算服务封装成 MCP 或者把命令行工具封装成可调用的 cli 工具，实现把仿真计算工具变成智能体可调用的能力单元；此外，对简单任务，大模型也可以较好的进行工作流的编排，能够为研究生同学入门各类计算软件提供较好的支持。复杂的仿真计算任务中，各类参数设置、泛函选择、参数优化还是需要大量专家参与，目前在面向智能体的领域知识工程方面还有不少可以深入的工作，一是大规模的干实验依然成本很高，还需要结合主动学习、贝叶斯优化等方法来形成仿真计算优化的闭环，二是如何把专家知识变成智能体可利用的知识也很关键，三是跨尺度计算方法还需要新的技术突破。

       我更看重技能的可验证性，也就是做完以后，我们能不能检查它做得对不对。

        例如：把专业软件的一套操作整理成 Skill，参数怎么填、结果怎么检查，这些经验都可以放进去。几个技能接起来，就可以做批量筛选和分析。至于降低使用门槛，我认为 Dashboard 这样的可视化界面很有帮助，流程、参数、进度和结果放在一起，大家用起来会方便很多。

        如果可以基于已有的 VASP、Gaussian 这种专业用户软件作为底层，再封一个中间层，同时兼容不同类型的专业仿真软件，这样能够降低的是操作上的门槛以及认知负荷。环境配置、脚本编写省心了，我们也就能把更多精力放在方案是否合理、结果如何解释这些专业判断上。

    干实验侧的核心做法，是把 VASP、Gaussian、OpenFOAM 等仿真软件、SOTA 科学模型、数据工具与算力资源封装成标准化 Skills，明确输入输出、参数规范、错误处理和适用边界，并按工具级、工作流级、学科级分层管理，让系统能按任务动态匹配和调用。我们之前搞了一波MindSpore Science Skills 0.1 :已提供 300+ 科学 Skills，接入 VASP、OpenFOAM 等工业软件及 40+ AI4S SOTA 模型，支持湿实验设备操作、科研搜索 API 与数据分析工具，并支持分钟级将自有模型封装为 Skill。在此基础上，通过工作流自动编排高通量筛选、理论计算与数据分析：先拆解目标，再提交作业、解析日志并重试，最后汇总结果并生成下一轮策略。科研人员只需描述科学问题，无需再手动配置复杂参数、拼接工具链或处理报错，隐性经验也能沉淀复用。实际效果上，传统需数周的筛选任务可压缩到数小时级，自动化实验执行成功率提升约 10 倍，整体科研效率提升可达百倍量级，并显著改善可复现性和干湿闭环效率。

Question 3

主持人：在湿实验一侧，智能体面对的是机械臂、显微镜、传感器、液体处理工作站和物理样品，错误不再是“答错一句话”，而可能造成污染、损坏或安全事故。平台应如何对接仪器与自动化设备、实现科学具身智能体与自驱动/云实验室？又如何打通“干实验筛选 — 湿实验验证”的 predict-make-measure 闭环，使实验方案既 “科学合理” 又 “设备可执行”，并在执行中完成可执行性审核、调度与异常处理？

        湿实验不必一上来就追求全自动。比较现实的路径是先做人机协作，智能体负责方案生成、排程和记录，关键操作还是人来做或者人来确认，同时把专家的操作过程完整记录下来，慢慢沉淀成结构化的协议，再逐步提高自动化程度。

        可引入数字孪生。除了做执行前的检查，还有一个用处是当训练场。真实设备时间贵、样品有限，智能体的大部分试错可以先在仿真环境里完成，真实实验只用来校准和验证。干实验那边积累的环境构建方法，很多可以搬过来。

        失败的实验数据特别宝贵，却最少被保存和共享。自动化实验室天然会记录每一次操作和结果，包括失败的，如果能在保护知识产权的前提下汇聚起来，对训练下一代科研智能体价值很大。

        湿实验智能体还缺像样的评测。干实验和软件任务已经有不少基准，湿实验的可执行性、安全性、异常处理能力怎么评，目前基本空白。我觉得这是学术界可以重点投入的方向，先有标尺，才好比较和改进。

        “湿实验”不应只被看作化学、生物中的物理操作，而应广义化为AI作用于真实世界的三类行动环境：

        自然科学：在实验室中完成“假设—实验—验证”闭环；

        工程科学：在软件系统或产线中完成“设计—实现—测试—反馈”闭环；

        社会科学：在真实或仿真的社会系统中完成“干预—观测—评估”闭环。

        这要求平台通过统一的抽象层接入各类实验室设备、工程系统和仿真环境，将AI的科学意图转化为具体可执行指令。执行前进行科学合理性与安全审核，执行中分级处理异常（自动重试、暂停、紧急熔断），执行后回传结果并决定下一步。由此，干实验的筛选才能与真实世界的验证形成闭环。

观点讨论

@彭鑫：从干实验到湿实验就是从数字空间跨越进入了物理空间，成本开销、安全事故以及各种物理约束（例如实验设施设备处理能力限制，还要要花时间清理）都成了突出问题。

        湿实验最重要的一点是：模型认为合理，不代表科学上可行；科学上可行，也不代表当前设备能够执行。

        晶泰的 SureRoute 是一个很好的例子。它不是只让模型生成逆合成路线，而是把多模型生成、数据资产检索和 LabHarness 验证结合起来，检查竞争反应位点、选择性、机理支持和既有先例，再优先排序通过验证的路线。这体现了知识增强的价值：知识不只是供模型参考，还要参与候选方案的检验。

        但从 SureRoute 到机器人实验，还需要一层实验运行时治理即LabHarness。它要把路线进一步编译为设备可执行的协议：用哪批试剂、什么容器、加液顺序、温度范围、如何取样，以及需要哪些仪器能力。执行前检查库存、移液量程、材料兼容性、设备校准和安全条件；执行中持续核对样品身份与传感器反馈。

        比如移液失败，不能简单“重试一次”：必须先判断液体是否已经加入，否则重复加液会改变实验条件。出现异常后，应根据状态暂停、隔离样品或安全停机，而不是让模型临场发挥。

        predict–make–measure 闭环因此要有两道闸门：先验证科学合理性，再验证设备可执行性。实验结果，包括失败及其原因，要回流到模型、知识库和技能库，帮助系统选择下一批实验。但一次失败不能直接归因于路线错误，也可能是试剂、设备或执行偏差，需要先把原因分清楚。

        基本立场是，湿实验侧的架构必须从"生成式"转为"担保式"。干实验出错损失的是信息，代价是重算一遍；湿实验出错损失的是物质，代价可能是污染、损坏、安全事故，以及一段无法追回的时间。运行保障层的价值就在于它位于科学智能与真实实验系统之间，把 AI 计划转化为设备可执行、系统可监测、异常可处理、过程可追溯、关键节点可审批的流程。之所以必须有这一层，是因为真实实验室并不稳定：设备、样品、流程、数据都会漂移，而静态预演无法预测动态未来——方案在虚拟环境跑通，不等于连续运转数天乃至数周后依然成立。所以关键不是让设备自动执行，而是回答三个更硬的问题：如何精准捕获正在发生的细微漂移；如何判断哪些操作可继续、哪些必须暂停；异常之后如何动态重规划把过程纠正回来。

        我们团队也在尝试用 VLA 让机器人做实验，遇见两个具体问题：单个动作会做，连起来却容易卡住（甚至调整顺序都会卡住）；摄像头换个位置，操作就不稳定；经常碰撞到其他实验仪器。我们尝试补上动作间的过渡，并把画面调整到模型熟悉的视角。这些经历让我觉得，会做单个动作，离稳定完成整套实验还有距离。特别是，在一个机器人实验室里，比如一个手套箱里，安全性、鲁棒性都显得太重要了

        所以，平台要把方案落实到设备上：仪器通过接口控制，抓取、搬运等环节结合机器人和 VLA。执行前检查参数、样品和设备条件，执行中安排好设备占用与操作顺序，通过摄像头和传感器确认进展。异常时判断能否安全恢复，不确定或有风险就停下来交给人处理。本地和云实验室都需要这些能力。

        湿实验和干实验完全不同，智能体一旦出错，轻则导致实验数据无效，严重的就会设备损坏甚至安全风险。前面王昊奋老师提到的 LabHarness 就是这类统一的实验室运行控制层，用来弥合数字智能和实体实验之间的鸿沟。

        核心是让智能体清楚设备能力边界。干实验 AI 提出的低温滴加、强腐蚀试剂、高压反应等方案，自动化设备未必能直接跑。LabHarness 统一管理仪器接口、试剂库存、容器规格和安全约束，把理论反应方案转化为可审核、设备可执行的实验指令，以此打通干实验筛选—湿实验验证的 predict-make-measure 闭环，兼顾方案科学性与硬件可行性。

        运行时平台自动编排加料、控温、取样、检测等步骤，实时监控各项状态；遇到堵针、漏液、温控异常，可暂停、微调并按需呼叫人工。有机合成很多异常仍需要化学专业判断，离不开资深实验人员。所以自驱动实验室现阶段借助 LabHarness 这类基座，重点是提升实验可靠性、可追溯性和设备利用率，逐步降低人工负担，不必急于追求全无人化。

https://mp.weixin.qq.com/s/21s3uSd6Tz9MuigRNmbe8g?scene=1

观点讨论

@彭鑫：上次听 @于璠 介绍的，现在常见的形式还是智能体用于干实验，充分验证之后导出确定性的自动化执行方案并经过人工确认后进入湿实验。确实，在湿实验中由智能体主导当下风险仍然太高。

@彭鑫：比如移液失败，不能简单“重试一次”：必须先判断液体是否已经加入，否则重复加液会改变实验条件。出现异常后，应根据状态暂停、隔离样品或安全停机，而不是让模型临场发挥。这里面的科学机理如何描述、如何被智能体系统理解和执行，都是问题。

@于璠：@彭鑫 嗯嗯。不过大家也都看到问题了。有好多方案了。

@彭鑫：关键这里的科学机理和原理约束很多还涉及物理世界，因此需要依靠各种 sensor 和 actuator 来实现感知和控制，这里又涉及精度、频率甚至实时性等方面的问题。

@于璠：@钱辉 这个就是软件工程的运行时管理。

@沈欣：实验的目的是为了提供数据，数据的目的是训练模型，模型的目的是逆推合成成分。

@钱辉：@彭鑫 彭老师说的这个对的，不能简单重做，需要智能体会判断，然后做出决策。

@彭鑫：@于璠 宏观意义上确实是的。但要做的好必须深度融合科学研究本身的“业务”以及智能体技术。

@于璠：@彭鑫 必须双向奔赴。

        湿实验最大的不同是：智能体的错误会真正进入物理世界。所以不能让大模型直接控制机械臂或者仪器，而需要在中间建立一个实验执行与治理层。它至少要解决三件事：

1）统一连接仪器和自动化设备；

2）把自然语言实验方案转化成设备可以执行的 Protocol；

3）对执行过程进行实时检查、调度和异常处理。

        最终形成 Predict–Make–Measure 闭环：AI预测和设计 → 自动化实验执行 → 真实实验测量 → 结果反馈给AI做下一轮设计。比如化学反应优化，可以让智能体根据已有实验结果设计下一轮条件，再由实验平台执行，然后把真实收率反馈回来继续优化。蛋白设计、药物筛选也可以采用类似模式。所以我认为，自主实验室真正的核心不是机器人替代实验员，而是让AI能够利用真实实验反馈持续进行科学决策。

观点讨论

@彭鑫：@丁科炎问个问题，干实验可以设置断点、快照从而方便从中间过程开始重试以及探索不同方案。湿实验有类似的可能性吗？

@丁科炎：@彭鑫湿实验设置断点挺难的，主要是大多数实验设备本身不支持。

@于璠：@丁科炎是的。所以 A 公司自己建实验室，AI原生的实验室。

        目前自动化实验室解决了很多实验设备的自动化问题，但基本都是从头定制，各类科学仪器千差万别，要针对实验场景做很多适配与定制，实验设备的软件定义还有很多可以做的工作。这其中软件可以做的事情包括：

        一是面向智能体操作的接口标准化：各类湿实验设备厂商的标准接口差异巨大，须把仪器与自动化设备封装为可发现、可理解、可安全调用的标准化能力单元，通过统一协议完成设备抽象，将限值、联锁、和全约束等写入设备侧，Anthropic 的 Model Hardware Standard（MHS）协议是一项积极的尝试；

        二是对方案进行验证与人工确认，实验方案首先被解析为结构化、可执行的规约，显式声明实验步骤、输入输出、试剂用量、安全约束、前置后置条件及异常处理规则；平台据此自动验证可执行性与安全性，包括设备兼容性、物理限值、资源冲突、危险操作，对于重要的仪器设备、关键操作步骤由人工执行确认操作。

        对于“干实验筛选-湿实验验证”的闭环这个问题，目前在不同领域实现程度不一样，生物领域可能较好，但不少材料研发场景还是比较脱节，干实验仿真计算的科学家和湿实验的科学家是两个交流不太多的群体。从成本的角度来看，“模型预测 ＜ 仿真计算  ＜ 湿实验验证”，验证的瓶颈也是数量级的上升。

        湿实验侧的核心，是把机械臂、显微镜、传感器、液体处理工作站等自动化设备通过 OPC UA、HTTP、SDK、ROS2、LIMS 等接口统一接入设备抽象层，封装为可调用、可监控、可审计的标准化技能，并将每台设备的量程、精度、试剂兼容性、耗材规格、前置条件、安全边界、校准状态和故障恢复策略沉淀为机器可读的元数据。模型在生成实验方案时，会把这些设备说明作为 prompt 上下文，先做可行性筛选，避免输出超出设备能力或安全边界的步骤；在此基础上，需要建设一个运行时管理层，在工具调用前对参数范围、设备状态、耗材库存和安全联锁做二次校验，确保模型输出真正可执行。打通“干实验筛选—湿实验验证”的 predict–make–measure 闭环时，干实验输出的候选方案先经过科学性与可执行性双重校验，再由运行时层分解为设备指令、分配资源并执行；执行过程中实时采集传感器数据、图像和仪器日志，出现异常时自动暂停、诊断、重试或转人工；最终将成功与失败结果结构化回流，用于修正模型、优化下一轮实验设计。这样既保证实验方案科学合理，又保证其在真实设备上可执行、可监控、可追溯，推动科研从单点自动化走向干湿一体的自驱动闭环。

观点讨论

@彭鑫：@于璠 软件工程师深入特定领域的时候都要跟业务专家合作甚至要自己掌握一部分业务知识。

@于璠：@彭鑫 彭院长说的对。

        湿实验里最关键的，是把“科学上、机理上说得通”变成“设备上做得出来”。AI 提出方案后，平台还得把它落到具体操作上：每一步怎么做，用哪台设备，需要满足哪些条件。像我们做的InternAgent-1.5 的荧光蛋白亮度研究，就是把计算筛选和实验验证接起来，再用实验结果指导下一轮设计。至于安全，实验前先检查样品污染、设备受损等风险，运行中留意异常，并准备好停机和人工接手的办法。现阶段，风险较高或者做了就很难撤回的操作，我更倾向于先由 Agent 进行自检、研究人员兜底确认，再往下做。

Question 4

主持人：AI4S 对实验可复现、结论可追溯、证据可验证有刚性要求。知识图谱 / 本体（如 LabOntology）如何成为连接文献、样本谱系、实验协议、测量单位、参数版本、模型版本与结论证据的 “语义骨架”，引导和约束智能体做出可靠、可验证、可追溯的推理？平台又如何把数据、代码、环境、仪器状态与参数版本一并纳入血缘追踪，形成可审计的多智能体科研闭环？

        知识图谱和本体在这里起两个作用，一是引导，一是约束。引导是在检索和规划时告诉智能体有哪些实体、关系和协议可选，约束是要求推理结果必须落到本体里的实体和证据上，落不上的就标为未证实。LabOntology 这类实验本体的价值主要在这里。单位、样本谱系、协议版本这几类信息尤其要规范起来。

        还有一个容易被忽视的问题，结论对了，推理过程未必可靠。大模型给出的判断，只看结论常常不错，逐条去查它引用的证据是否真实存在、证据和理由能否对上，表现就差很多。我们近期在文献新颖性判断上也看到了这种情况。所以评价这类系统，除了结论准确率，还要看证据的真实性和支撑关系，找不到证据就如实说找不到。

        血缘追踪可以直接借用软件工程里已有的做法，数据版本管理、容器化环境、模型注册，再加上 W3C PROV、RO-Crate 这类溯源和打包标准。平台要补上的，是把仪器状态和参数版本也放进同一张血缘图，每个结论都自动附带一份证据包，用了哪些数据、哪个模型版本、哪段代码、哪台设备在什么状态下测的，都记录在案。多个智能体协作时，每一步操作都写进只能追加、不能篡改的日志，整个过程可以回放和审计。

        本体建设别贪大求全，先围绕常做的实验类型和风险高的环节建起来，边用边改，否则很容易建成一个没人维护的大图谱。

        我们和多个实验室在合作，从论文复现的角度切入。

        这是和中国药科大学合作的，希望在进入湿实验之前尽量通过计算和仿真来提高成功率。因为医药的湿实验太昂贵。

        论文复现形成的数据的主要形态就是知识图谱和本体。

观点讨论

@于璠：@黄罡这个为什么最后是支撑医保定价？前面的过程看起来和定价没关系，向您请教一下。

@黄罡：@于璠 药科大学接受的国家医保局的任务，不依赖药厂，提供一种相对客观的医保药成本估算工具。具体而言，给定一种药，搜索相关论文和专利，迭代复现，然后基于复现数据进行成本估算以及其他各种分析。

@黄罡：东南大学超材料大模型也是同样的逻辑。

@于璠：@黄罡 就是我们要把全过程走一遍，然后可以给一个 groud truth。谢谢黄老师。

@黄罡：@于璠 对。论文复现是一种相对通用的构造AI-native数据的有效手段，有了这些数据就可以出来知识图谱、本体、甚至语料库等。我们还有国家管网的管道腐蚀、中国航空的建筑节能等五花八门的案例。

@于璠：@黄罡 赞赞。

        LabOntology 这类工作的价值在于让运行保障层从流程驱动走向逻辑驱动，使系统不只是会执行，而是开始懂条件、懂边界、懂依赖、懂风险。

        真实实验中的关键问题往往不是"下一步是什么"，而是"在当前状态下，这一步还能不能做"。前者是脚本，后者是物理。由此我主张，流程编排回答 what's next，本体推理回答 what's still possible；本体的角色因此不是知识库，而是约束求解器的输入——把 AI 方案当作待求解的规划问题、把本体当作约束集合，用可满足性或约束规划求解器判定可行性。这是 AI4S 与通用智能体最本质的技术分水岭：通用智能体用提示词约束模型，AI4S 必须用逻辑约束世界。要把文献、样本谱系、实验协议、测量单位、参数版本、模型版本与结论证据串成一副语义骨架，我认为需要分三层：学科语义层统一跨学科概念、关系与属性，经人工复核修正歧义，连接文献与结论证据；实验室运行层即当前主体，覆盖设备能力、样品状态、操作规则、安全边界与队列依赖，连接协议、参数版本与仪器状态；证据溯源层是我建议补强的一层，把每次测量绑定到完整证据元组（样本谱系、协议版本、仪器状态快照、参数与模型版本、环境条件、操作者、时间戳、不确定度）。三层之上再叠一条贯穿的量纲与单位公理系统。

        从知识工程的角度，我更看重本体能否成为可执行的语义约束，而不只是把文献连成一张图。像 LabOntology 这样的实验本体，需要统一样品、操作、单位、设备能力和测量结果的含义，再关联文献证据、样品谱系、协议、参数及模型版本。

        一个常见问题是，两次实验都写“样品 A”，实际上不是同一批；两个结果都叫“电导率”，测量温度却不同。没有这些约束，智能体很容易把不可比较的数据拼成结论。知识图谱可以帮助找证据、检查条件和识别矛盾，但关联不能直接当成因果，缺失的证据也不能靠语言补齐。

        每次执行都应有唯一标识，绑定数据快照、代码提交、环境、随机种子、实际参数、仪器校准和原始测量。结论要能一路回查到样品和实验记录，多智能体之间交接的也应是带来源的证据对象，而不是无出处的总结。技能层回答“怎么做”，本体与证据层回答“依据是什么、在什么条件下成立”，两者共同约束推理。

观点讨论

@彭鑫：传统科学研究过程中的实验记录本应该可以被高度数字化、知识化了。

@冯大为：@彭鑫 感觉物质科学的湿实验过程对于各类数据的记录还远远不够，估计这也是不同实验设备的最优工艺参数差别很大的原因，很多实验过程的隐状态并没有被很好的记录下来。

@钱辉：@彭鑫 我们合成化学方向，绝大多少药企很早就在使用电子记录本了，少数高校课题组也在用。但大部分课题组还是纸质记录本，这部分数据很宝贵，因为很多负样本，但要使他们电子化难度很大，现在就是靠人工。

@彭鑫：@王昊奋 一个常见问题是，两次实验都写“样品 A”，实际上不是同一批；两个结果都叫“电导率”，测量温度却不同：感觉这就需要“数据谱系”了，背后应该需要系统可观测性和记录系统（system of records）的支撑了。

@王昊奋：@彭鑫 对的。

        从合成化学视角，我认为核心是靠本体建立统一语义标准，打通实验室各个系统。借助  LabOntology 定义反应、试剂、操作、样品、分析结果之间的关联；大模型从文献抽取反应信息，再经过化学规则校验转为结构化数据，对接电子实验记录本、色谱工作站，绑定实验记录、原始谱图与分析数据。

        举个例子，金属催化偶联反应，智能体不只是检索催化剂配体，还能追溯试剂批次、溶剂预处理、投料顺序、产率测定方式，防止因条件不一致带来对比偏差。平台还需要记录智能体的决策依据、模型版本、仪器状态与完整操作流程，把数据、代码、运行环境全部纳入血缘追踪，构建可审计的多智能体科研闭环。我觉得知识图谱的意义，就是让智能体每一步决策都有据可查，保障实验可复现、结论可核验。

        关于图学习和知识图谱增强检索上的研究，我更关注：智能体能否判断证据是否足够，以及下一步缺什么验证。基本我观察到两个工作啊，也都是这次访谈参与老师的标杆工作。SciToolAgent 主要是梳理工具之间关系和 LabOntology 这类本体可统一概念、单位和操作条件；图谱则连接文献、样品谱系、协议、版本与结论，并区分文献报告、模型预测和实验观察。平台还应为样品和运行建立唯一标识，关联原始数据、代码环境、模型参数、仪器状态及各智能体的调用和审批记录。这样才能从结论反查证据、从异常定位影响。图谱组织证据、暴露缺口，规则校验与独立验证保障可靠性。

        知识图谱和本体在 AI4S 中不是简单的知识库，而是整个科研过程的语义骨架。科研智能体需要理解的不只是文字，还包括：样品是什么、实验做了什么、参数是什么、使用了哪个模型和仪器，以及最终结论来自什么证据。比如一个实验结果，平台应该能够追溯到：原始样品 → 实验Protocol → 仪器 → 参数 → 原始数据 → 分析代码 → 模型版本 → 最终结论。

        LabOntology 这类本体可以把这些对象和关系统一起来，让智能体知道不同科研对象之间是什么关系，也可以帮助约束智能体的推理和实验规划。因此，我们希望最终形成的不只是知识图谱，而是一个可追溯的科研证据网络。这也是科学智能体和普通 Agent 很重要的区别：不仅要给答案，还要能够说明答案从哪里来、能不能验证、能不能复现。

        从当前部分实践经验来看，AI4S 场景中的知识图谱可以提供智能体理解科学语义、进行科学推理约束的能力：一是，通过本体解决智能体能否理解数据含义的问题，使得样本、仪器、测量单位和实验步骤都被赋予唯一、可理解的语义标识。二是，先构建科学知识图谱和假设，再构建受约束的推理路径，最后通过知识图谱对齐进行验证，生成可信推理链，但是当前这一块做得不太理想，泛化性有差距，还得靠大模型能力的提升；

        对于构建可审计的多智能体科研闭环，需要基于科研实验过程中的证据链条，形成各类科研产物的版本链接，使得每一个科研结论都有相应的证据支撑，这需要在平台层通过软件提供基础设施支持（记录哪些证据、证据之间的关联、科研产物的溯源、版本管理等）；此外，能否形成面向不同 Science 领域的支持形式化或半形式化验证 lean 语言，是解决复杂科学场景推理与低成本验证的可能手段。

观点讨论

@彭鑫：@冯大为是，毕竟我们依赖于传感器，这个是“观测”，而且传感器的精度、可靠性、实时性本身还是问题。而在干实验中我们可以接近拥有上帝视角。

@冯大为：@彭鑫 是的，目前很多实验设备内部的温区分布、压力变化都没有很好的传感器记录手段，使得对于材料的生长过程没法很好的进行精细化建模。

        我觉得，关键是让证据跟着结论走。我们前段时间在训练实验室基座智能体模型 Agents-A1 时，我们用知识--行动图关联证据、操作、观测和校验反馈，让模型从求解过程里学习。平台是不是也可以借鉴这个逻辑？比如用本体统一样品、单位和协议的描述，标清实测、预测和假设；执行时，再把每一步结果与当时的数据、代码以及实验参数、环境和仪器状态关联起来。这样几个智能体接力后，仍能查清结论依据什么、哪些环节经过验证。在训练里，这些关联帮助我们构造过程监督；到了科研平台，它们要帮助研究者从结论回到原始数据和实验过程，检查证据是否足够、验证做到了哪一步、还需要补什么实验。

        AI4S 要把可复现、可追溯、可验证做成刚性能力，知识图谱和本体不能只是“外挂知识库”，而要成为贯穿文献、样本、协议、仪器、模型和结论的语义骨架。像 LabOntology 这类本体把设备、样品、试剂、实验步骤、操作规则、安全约束和数据结果结构化，让智能体在生成假设、设计方案、调用工具或解释结果时，先在本体中定位概念、校验关系、匹配规则，而不是只凭模型概率自由发挥。

        平台侧需要建立统一的科研血缘与审计层：每一条结论都能追溯到支撑它的文献片段、数据版本、代码版本、模型版本、环境镜像、仪器状态、参数配置、执行日志和人工复核记录。数据、代码、环境、仪器状态与参数版本要作为一等公民纳入血缘图，而不是事后补录。这样，当结果异常时，可以判断是数据漂移、参数变更、设备校准偏差，还是模型版本更新导致；当需要复现时，也能按血缘快照重建相同实验条件。最终形成的闭环不是“智能体自由发挥—自动执行—自动下结论”，而是“本体约束推理—运行时校验执行—证据图谱核验—血缘审计归档”。

        这一方向我们已有初步实践。华为 ScienceDiscovery 把“零科研幻觉”落实为可检查的证据链：它通过高维结构化记忆图谱维护任务时序与产物证据链，其中任务链连接研究目标、任务、工具调用以及产生的代码、文件和文献，引用链连接报告中的断言、支持证据和来源文献，使研究者能够从某个结论一路回溯到代码、环境和日志。在报告生成阶段，零幻觉 Reviewer 会对引用缺失、占位内容和产物溯源链路进行多级审核，而不是只保留最终回答。这套机制说明，科研可信度不能只靠模型本身不犯错，而要靠结构化证据、工具调用记录、代码与环境复现、全流程产物溯源和证据图谱核验共同保证。

观点讨论

@彭鑫：基于可观测性和追溯体系的数据谱系、决策谱系。

@冯大为：@彭鑫 感觉 Harness 主要解决的是智能体的注意力工程问题，而可观测/可审计/可验证其实主要是解决人类的注意力工程问题，整个过程线索太多，人的注意力关注不过来，如何设计合适的自动化手段让人的注意力能够关注到该关注的事情~

@彭鑫：@冯大为 可观测/可审计/可验证可能也会服务于智能体本身，特别是自适应能力的来源，其实也包括异常处理等都需要借助这些底层能力实现。

@冯大为：@彭鑫 是的。

Question 5

主持人：面向科学具身智能体，平台应如何把 Harness 作为默认的运行时治理层（控制平面），在工具、权限、边界与运行时之上，让灰度、熔断、最小权限、多重复核与人类门控成为标配，使每一次落盘动作都经过 "生成 — 校验 — 约束求解 — 执行 — 回滚" 的闸门？受控的自进化（RSI）在科研场景中的边界应划在哪里，为何应把它限制在仿真、沙箱与低风险自动实验的闭环内，而对不可逆操作、危险样品与昂贵设备保留人类门控？面向未来，AI4S 平台将如何向平台化、分布式自主实验室网络、"一人造物" 与科研 OPC 演化，科学家角色、科研组织与产业生态会随之发生什么变化，中国 AI4S 平台又应如何走好自主与开放之路？

        Harness 作为默认的控制平面，核心是按动作的风险分级处理。只读查询、仿真和沙箱里的操作可以自动放行，消耗算力和耗材的操作设预算和熔断，物理操作要多重复核，不可逆和危险的操作必须由人确认。每个智能体只拿到完成当前任务所需的工具和设备权限。新的技能或策略先在仿真和小批量上试，稳定了再逐步放量。生成、校验、约束求解、执行、回滚这道闸门，在湿实验里有个特殊难处，很多物理动作没法回滚，只能把把关往前移，靠执行前的约束求解、数字孪生空跑和人工确认来兜底。国际前沿实验室已经开始把研发智能体的监控覆盖率、审查延迟作为定期披露的指标，监督能力本身正在变成基础设施。

        Harness 本身也可以让智能体来改进。我们近期和奇绩智峰合作做过一项工作，让智能体读自己的运行轨迹，定位失败出在哪个环节，再去改提示词、工具和中间件这些组件。每一处修改都要对应到具体的失败证据，下一轮评测没有变好就回退。在编程智能体的评测上提升很明显，改出来的 Harness 换到其他模型上也有效。科研智能体的运行环境同样可以这样打磨，而且这本身就是一种受控的自进化，改的是外部系统，证据链和回退机制都在。

        自进化的边界，我认为应该划在仿真、沙箱和低风险自动实验以内。自进化靠大量试错，试错在虚拟环境里成本很低，到了物理世界就要拿样品、设备甚至人身安全去换，而且往往撤不回来。具体有三条。可以进化的是策略、技能、代码和工作流，评测器、安全约束和权限不能让智能体自己改，否则一定会出现钻奖励空子的问题。进化只在仿真、沙箱和低风险自动实验里进行。不可逆操作、危险样品和昂贵设备，始终由人把关。

        用 AI 做 AI 研究是受控自进化很合适的试验场，反馈可以执行、可以自动验证，也可以回滚。前提是要有足够多可验证的训练环境，这是我们近期投入较多的方向。我们在长程办公智能体上做了两方面尝试。一方面从真实文件和专家工作流出发批量构建环境，每个任务的验证标准都从工作区里能核实的事实推出来。另一方面让环境本身迭代修补，任务、上下文和验证器一起改，但每次修改都要经过回放验证，不能突破原有的任务要求和评测约束。这和前面说的边界并不矛盾，验证器可以改进，但要由独立的流程在约束下改，不能交给被训练的智能体自己改。科研场景的训练环境也可以照这个思路来建。

        往后看，平台会越来越多地连成网络，像调度算力一样调度各地自主实验室的实验能力。一人造物、科研 OPC 也会慢慢成为现实，一位科学家带一群智能体，能做过去一个课题组的事。执行越来越便宜，难点就转到选题和判断上，什么问题值得做，什么结果值得信。科学家会更多地负责提出问题、评审结果和承担责任，科研组织会走向小团队加大平台，署名、责任和评价的规则也得跟着调整。产业上，仪器厂商、科学软件公司和云实验室会越来越多地以可供智能体调用的服务形式出现，接口和数据标准会成为新的竞争焦点。

        关于问题5，harness层面的治理应该是curation，更重要的是基础设施层面的治理governance。

        从美国创世纪首批项目可以看出来 curation 和 governance 的关系。

观点讨论

@黄罡：ASSP is the world's most complex and powerful scientific instrument ever built. (DOE, 2025.11.24)

@于璠：@黄罡 创世纪最大的变革是给科学设置了KPI，科学变成了工程。

@黄罡：@于璠 对，这也是美国把科学从无尽的前沿改为新黄金时代的本质。

@于璠：@黄罡 过分相信AI了。

        第一是分布式自主实验室基础设施的出现，图景是"实验即服务"——一个假设可在很短时间内被分派到全球最合适的几台装置上并行验证，结果自动回流比对，科研基础设施像电网一样被调度。第二个方面是可能会有"一人造物"与科研一人公司的兴起：当技能网络、远程装置调度与运行保障层齐备，一位科学家加一组智能体就已可等同于一个完整的研究机构。当然一人造物不是一人干所有活，而是一人做所有判断，人的稀缺价值会从操作迁移到品味；因此"人在闭环、科学家保留关键决策权"不是安全话术，而是整个体系能够成立的前提。

        随之而来的是角色与组织的深层变化。科学家会从实验者变为假设的策展人、证据的审计师与目标的立法者。课题组会从"人加学生"变成"人加智能体舰队加数字孪生加远程机时"，论文的评价也会从结论转向可重做的证据包。我更进一步的预判是：未来的论文本身可能就是一个可运行的实验流程图，审稿人可以在孪生环境里重跑一遍；当"发表"意味着"可被任何人一键重做"，可复现性危机才算真正结束，学术诚信也才第一次有了工程保障。

        归结起来，我的核心判断是：中国的独特优势不在模型，而在装置密度、工程组织力与数据闭环速度三者的乘积，这是制造业基因在科研领域的一次复现。因此中国应当走"以体带脑"的路线，用物理世界的规模与闭环优势反哺模型、本体与技能标准，而不是在纯数字赛道上跟随别人的基准奔跑。别人有最好的模型，我们可以有最真的数据；而当数据决定科学的边界时，后者更稀缺。AI4S 平台的终局，也不是造出一个更聪明的 AI 科学家，而是建成一套更可信的科学基础设施——正如我们并不需要一位最聪明的电网调度员，我们需要的是一个最可靠的电网。

观点讨论

@彭鑫：@陈华钧说的让我想起了“算力网” 与之类似会出现“实验装置网”。

@黄罡：是自主实验室网络。

        Harness 应是默认的运行时控制平面，而不是事后补一段安全提示词。每个改变数据或物理状态的动作，都要经过“生成—校验—约束求解—执行—结果核验”，并预设回滚、补偿或安全停机路径。尤其要强调：代码和文件有时可以回滚，但混合、加热和样品消耗通常不可逆，执行前拦截比事后撤销更重要。

        权限要细到设备、动作和参数范围；新技能先在仿真、沙箱中测试，再进入低风险灰度，异常则熔断。复核不能只是几个同类模型投票，还要结合规则、独立计算和人类审批。受控自进化可以改进技能、搜索策略和实验参数，但不能自行修改安全规则、扩大权限或批准自身升级。危险样品、不可逆操作和昂贵设备必须保留人类门控。

        Claude Science、美国国家实验室体系的推进，以及研究优先型 NeoLabs 的兴起，提示我们两条路线会并存：一条做通用科研工作台和基础设施，一条在专业领域做深模型、数据与实验闭环。NeoLabs 本身不是自主实验室的同义词，其启发更多是组织方式：小而强的研究团队可以围绕长期技术突破组织资源，但融资和模型能力不能替代实验验证。

        未来我更看好专业平台互联和分布式自主实验室网络。“一人造物”和科研 OPC，即一人科研企业，背后不是一个人包办所有事情，而是调用成熟的计算、数据、实验和制造服务。科学家将更聚焦问题选择、证据判断与责任承担。

        中国应掌握关键科学软件、设备接口和数据治理的主动权，同时开放协议、基准与可共享组件。真正的壁垒不是接了多少模型，而是积累了多少经验证的技能、可复核的数据产品和跨设备可执行的协议。

观点讨论

@黄罡：所有智能体的落盘动作都需以“意图”形式提交，依次经过校验、约束求解、最小权限执行和回滚等闸门。

人类门控按风险分级：

物理风险（如危险样品）：高风险操作必须人批；

工程风险（如生产系统）：采用灰度发布、熔断和自动回滚；

社会风险（如伦理偏见）：执行前伦理审查、执行后人工复核。

受控自进化应严格限制在仿真、沙箱和低风险可逆闭环中，对于不可逆操作、高成本实验和社会干预，人类必须保留最终门控。核心原则是：自进化不能修改评判它自身的标准。

        具身实验智能最重要的能力应该是可逆操作能回滚，不可逆实验提前设置安全停止和接管条件。对受控自进化，应该重点关注谁来判定系统进化得更好了。工具、技能、工作流和模型的更新，应先在仿真、沙箱及经批准的低风险实验中接受独立评测，再逐级放开；系统不能自行修改评价标准或扩大权限。危险样品、昂贵设备和不可逆操作应保留人类门控。

        未来，分布式实验室网络将使个人能够调用跨机构的计算、制备与表征服务，为科研OPC提供基础。科学家更集中于提出问题、判断证据和承担责任，科研组织与产业则围绕能力共享、专业服务及贡献分配协作。中国平台应掌握关键执行、数据与治理能力，同时开放接口、工具和评测，让自主能力能够持续积累，也能够参与全球协作。

        面向科学具身智能体，Harness要作为默认的运行时治理控制平面，把工具调用、权限、操作边界统一管控，灰度发布、熔断机制、最小权限、多重复核和人工门控做成基础配置。所有实体操作都要走生成—校验—约束求解—执行—回滚这套闸门流程。

        受控自进化（RSI）必须划定清晰边界：只允许在仿真沙箱、低风险自动化实验闭环里迭代优化。一旦碰到不可逆操作、高危试剂、贵重设备，必须保留人类门控，不能交给 AI 自主决策。

长远来看，AI4S 平台会朝着平台化、分布式自主实验室网络演进，实现 “一人造物” 和科研 OPC。未来单个科学家就能跨机构调度多实验室资源，完成过去团队规模的研究；科研组织和产业生态都会随之重塑。国内做 AI4S 平台，需要平衡自主可控与开放生态，重点打磨设备接口、科研数据标准与工具兼容性，让各家沉淀的模型、实验能力可以互通复用。

观点讨论

        随着智能体真正进入实验室，Harness 会越来越重要。模型决定智能体“想做什么”，但 Harness 决定它“能不能做、怎么做”。一个实验操作真正落地之前，需要经过：生成 → 校验 → 约束 → 执行 → 记录。对于高风险或者不可逆的操作，还必须保留人工审批。

        我们现在讨论 RSI，也不是让模型无限制地修改自己，而是让智能体在仿真、沙箱和低风险实验环境中优化自己的 Skills、规划策略和工具调用流程。一个非常重要的原则是：能力可以自进化，但安全边界不能自进化。

        未来 AI4S 会从单个科研智能体进一步发展成平台化、网络化的自主实验室：连接科学模型、数据、计算资源和分布式实验设施。最终科学家可能不再需要亲自组织每一个实验步骤，而是提出一个科学问题，由 AI 负责组织计算和实验资源。但科学家的角色不会消失，而会更加集中在提出重要问题、判断科学证据和做关键决策上。

        个人感觉，AI4S 平台的演化方向是从工具化走向平台化，再走向分布式自主实验室网络。让模型、智能体、科学数据、实验仪器等资源能够互联互通，让智能体和科学家之间实现高效协同，形成从假设提出、方案规划、数据采集、计算仿真、实验验证到创新发现的全流程运行能力。

        当前 AI4Science 面临的首要瓶颈是高质量科研数据匮乏、跨主体数据共享困难、数据孤岛等问题，这严重制约了模型训练效果与泛化能力，抬高了前沿方向的探索成本。Science 领域对于开源与共享的认可度与软件行业还是有很大的差别，需要从可信数据空间建设、科研数据供给模式、数据治理标准化等方面协同推进。此外，如何借助类似科研智能体平台，形成对于科研全过程的数字化，将各类失败探索案例、过程信息采集形成可共享、复用的、AI 原生数据产品，是走实 AI4S 探索的重要方式。

另外，科研 OPC 感觉还太遥远，毕竟对于很多物质科学研究来说，研究的成本与门槛还是很高。但是如果能够构建一个更加开放共享、人机协作、持续学习、成长演化的科研社区，也许是推动 AI4S 快速发展的有效方式。

        面向科学具身智能体，Harness 应作为默认运行时治理层，把工具注册、权限、边界、状态、审计和人类门控统一起来。每一次落盘动作都应经过“生成—校验—约束求解—执行—回滚”闸门：先生成方案，再校验科学依据和设备可执行性，接着核对量程、试剂、耗材、安全规则和资源占用，执行中实时监控，越界即熔断、暂停或回滚。受控自进化应主要限制在仿真、沙箱和低风险自动实验闭环内；涉及不可逆操作、危险样品、昂贵设备和关键科研决策时，必须保留人类门控。面向未来，AI4S 平台会向平台化、分布式自主实验室网络、科研 OPC 演化，科学家更多负责提出问题、设定边界、审核关键节点和解释证据，科研组织会更像“人机环境协同”的持续运行系统。中国 AI4S 平台应坚持底层算力、框架、模型、仪器协议和安全治理自主可控，同时在上层技能、数据标准、实验流程和学术合作上保持开放，形成可信、可复现、可进化的科研基础设施。