科学研究有一套延续了几百年的流程：读文献、提假设、设计实验、处理数据、得出结论。这条链上的每一环，过去都得由人来完成。

　　现在，AI正试图把整条链接过去。近期，OpenAI公开了七百余篇由内部AI模型生成的数学研究手稿，涉及数百组相关成果，表示对一批开放问题给出了解答或取得进展，部分结果附有可供计算机核验的形式化证明。虽然这些成果的正确性、新颖性和学术价值仍需评估，但这也表明，AI参与科研已不再停留于“帮忙查资料”的简单层面。

　　这类探索，正是2026年世界科技与发展论坛发布的十大科学前瞻中提到的方向——“面向原创科学发现的自主科研智能体”。

　　2026年世界科技与发展论坛发布十大科学前瞻

　　但问题是，原创和自主，是AI能做到的吗？让AI搞科研有哪些优势？如果它真能自主科研，以后还需要科学家吗？带着这些问题，我们与北京工业大学教授、中国人工智能学会理事于乃功聊了聊。

　　自主科研智能体

　　和我们天天用的AI有什么不同？

　　要搞清楚“自主科研智能体”，得先从“智能体”说起。当前受到广泛关注的大模型智能体，通常以大模型为决策核心，并通过调用、控制外部软件工具来执行任务，相当于给大模型装上了“操控”的能力。

　　自主科研智能体，则是专门围绕科学研究领域打造的智能体。科学家给出研究方向、资源和约束后，它能在设定范围内规划研究步骤、调用科研工具，并依据证明检查、实验观测或计算结果等反馈调整后续计划，持续推进研究任务。通俗地说，它是一个能在限定条件下自主推进科研任务的AI科研助手。这里的“自主”是指在限定目标和条件下自主推进任务，关键结论仍需适当的独立验证和专业评估。

　　它的功能可归纳为三点：一是接入专业工具，比如文献数据库、仿真软件、论证系统，乃至实验设备；二是持续推进任务，记录研究状态和遇到的问题，必要时调整思路和方法；三是受科学证据约束，大模型得出的结论，必须接受数据论证和物理实验的检验。

　　那么，它和豆包、DeepSeek、ChatGPT这些我们常用的AI助手究竟区别在哪？于乃功认为，不能简单地按产品名称来划分。这些大模型本身，就是科研智能体的核心组成部分；而且当前的通用助手，也已经具备工具调用和多步骤任务分解的能力。区别主要在于，系统能否围绕明确的科研目标持续调用专业工具，并依据可检验的证据自主调整研究计划——而它最终表现如何，也取决于这套系统怎样配置工具、设计验证机制并组织研究流程。

　　AI真能“原创”吗？

　　提到AI搞科研，人们最常见的疑虑是：大模型都是基于已有数据和资料推理的，怎么可能产出原创成果？

　　要回答这个问题，得先搞清楚科研里的“原创”到底是指什么。评价一项原创科研成果，通常需要考察新颖性、可靠性和科学价值：成果相较已有研究是否有实质性的新内容，结论能否经得起与所属学科相应的检验，以及是否增加了新的理解、解释了现象或解决了问题。

　　按这个标准，“原创”并不是凭空生成一个与过往研究毫无关联的假设。人类科学家同样是基于已有的理论、经验和工具思考，再从三个方面找到原创的问题。依靠已有知识学习，和产生新成果并不矛盾——因为人也是这么做的。而在人类设计的探索框架内（包括智能体的设计、合理的提示词等），AI已经体现出了一定的自主创新能力。

　　谷歌DeepMind的FunSearch就是一个例子，相关研究发表在《自然》上。它的思路是让大语言模型不断写出候选程序，再由一个自动评估器判断程序好坏，留下好的继续改进。大模型负责提出想法，评估器负责判对错，模型胡编的内容就很难混进结果。

　　与多数直接输出答案的计算机搜索不同，FunSearch搜索的是“如何得到答案的程序”。研究者用它处理极值组合学中的帽集（capset）问题，找到了超过已知最佳的新构造；它还改进了特定条件下的装箱算法。这些成果表明，在人类设定问题和评估机制的条件下，AI有能力通过程序搜索，找到改进已有结果的新构造和新算法。

　　在国内，中科大团队的ChemAgents机器人科学家项目，以及浙江大学的“求是引擎”，也在化学、光学等领域做出了初步的尝试和成果。不过，于乃功也强调，关于这批数学研究手稿的报道是否准确，仍要经过人类专家的进一步验证。AI这项能力值得期待，但它的每一个结论，都还要过人这一关。

　　为什么是现在？

　　AI能接手科研的哪些环节

　　过去做科研，是人提出研究方向、设计研究方法，然后一步一步推进，中间要做大量物理、化学实验和计算验证。大模型出现之后，其中不少工作AI也能做了。而当下的科学研究，恰好正卡在三个越来越突出的瓶颈上。

　　第一个瓶颈，是知识增长太快，已经超出个人的阅读和整合能力。学科交叉越来越广，一个课题可能横跨多个学科，关键线索散在论文、数据库和实验记录里。一个科研工作者往往只熟悉自己的那一个学科，大模型正好可以发挥整合作用。

　　第二个瓶颈，是可探索的方案太多。实验方案、工具搭配、实验条件组合起来数量巨大，人力逐一验证，时间和资源都来不及；智能体可以通过推理计算，把不太合理的方案先筛掉，再把更值得验证的交给科学家。

　　第三个瓶颈，是工具之间的衔接费时。查资料、写程序、配置算法、整理数据、分析失败原因，这些都占用研究者大量时间，而智能体可以自动把这些工具串联起来。在于乃功看来，更深一层的目标，是增加人类科学家有效探索的研究路径：排除不可行的候选，让有限的实验资源投向更有价值的方向。

　　更重要的是，智能体的工作方式和科研本身很契合。科学研究本来就是“提出解释——检验解释——修正解释”的反复闭环，与智能体的反馈机制正好对得上，尤其是结果能被快速、可靠验证的任务。

　　从文献调研、问题与假设形成、实验与计算设计，到执行分析、结论表达，整个科研环节智能体都能发挥作用。

　　在研究开始时，它能大量搜集资料、梳理争议、关联跨学科的线索，再协助分解问题，提出子问题、替代解释和可检验的假设。但智能体做的事不能全盘相信：它有没有遗漏关键文献，有没有误读原文，要人来核验；它提出的问题是否重要、假设是否有新意、是否合理，也要科学家来判断。

　　在实验设计、执行和分析环节，AI可以比较方案、安排参数、选择下一次验证的方向，还能负责编程、仿真、设备调度和海量数据的分析计算，并生成可视化图表。人要盯着的是，对照是否充分、资源和条件是否合理——比如大模型说需要某种资源，可现实的物理环境根本不具备，那就不合理；数据质量是否准确、程序是否编对、统计方法是否合理，也都要检查。

　　到了最后的结论阶段，AI能汇总证据和数据、检查论证、写出报告，人则要看证据是否真的支持结论，有没有过度推断。本来得不出的结论，它硬给得出来了，也得有人来拦。

　　这样一来，每个环节都离不开人的检验，而且检验者的门槛不低。正因为有了AI，更需要科学家具备很强的判断能力和实验能力，最好由具有相当专业水平的人来核验。不太了解这个行业的人，把关未必到位。如果AI给出的是新方法、新结论，就更需要多位同行一起评估。换句话说，AI能做的科研工作越多，监督它的科学家水平就越高。

　　这也意味着，衡量智能体的效率，不能只算它省了多少时间。计算费用、实验成本，都要计入进来，人工核验和认证本身也是成本。

　　哪些领域先受益？

　　中国又走到了哪一步？

　　当前，科学研究的方方面面都在受到AI的冲击，但数据和工具容易获得、结论容易验证、验证周期短的任务，最有条件扩大应用。

　　目前已有应用的领域，首先是数学和计算机科学；化学、材料和能源方面，催化剂、电池材料、晶体结构、合成条件优化都在用；生物和医药方面，涉及多组学分析、蛋白质设计、药物再利用等；此外，物理、光学、天文和地球与环境科学也在跑步进场。

　　于乃功自己做机器人研究，在他看来，机器人科学的前景同样宽广：实验室自动化和科研机器人最有可能获得突破，系统辨识与实验设计、控制器参数整定、机器人运动与操作策略、工业过程的能源与设备控制，以及控制理论中先进方法的发现，都有可能用上科研智能体。

　　在这些领域里，中国已经形成了多条研究路线：机器人实验、数学证明、通用科研工作流，以及科学模型与工具平台。

　　机器人实验这条路上，中国科学技术大学的团队主攻机器人化学家，方向是材料和催化剂研究。2025年3月，中国科学院发布了中科大研发的多智能体驱动的AI化学家ChemAgents，让它在较少人工干预的情况下进行多步骤实验，完成催化剂优化、筛选和发现等工作；2026年4月，中科大又发布了“灵境造物”智能科研工具，整合科学模型、科研机器人、自动计算、自动实验和技能库，支持从文献阅读、方案设计到实验验证与优化的研究流程。浙江大学的“求是引擎”则主攻长程自主科研，已在真实的光学实验中尝试。

　　数学证明这条路上，中科院数学与系统科学研究院等机构今年2月联合发布了Numina-Lean-Agent，这是一款面向形式化数学的通用智能体推理系统。近期的一项重要进展显示，在公开介绍的数学形式化工作中，团队主要依托ProjectNumina的人机交互平台Fuse，与南开大学、字节跳动Seed团队的形式化成果进行了衔接，完成了三维挂谷猜想完整证明的形式化工作——AI能够协助人类把已有的复杂证明转化为可以让计算机逐步检查的形式，提高证明的可追踪性和可复用性。

　　通用科研工作流和工具平台方面，上海交通大学、上海算法创新院与深势科技（DeepTech）联合发布了智能体SciMaster和科学基座模型Innovator，致力于通用科研工作流和工具基础设施；中科院深圳先进技术研究院的MatBrain和MARS智能体，专注材料推理结构形成及科学工具执行；中科院自动化所牵头的联合团队发布了ScienceOne和磐石科学基础大模型，主要研究科学基础模型、专业工具和智能体平台。

　　可以说，今后无论哪个行业、哪个学科的科学家，都要关注智能体的应用，用好现在的AI工具来助力科学研究。

　　从AI发展的近况来看，自主科研智能体即将给科学研究带来一次前所未有的提速。人类在期待的同时，需要更加审慎地检验智能体给出的每一个假设和结果。在不久的将来，科学家或许不再需要亲自完成每一次计算和试验、熟记领域内的每一项科研成果，但需要更敏锐地判断什么值得研究、什么证据能支持假设、哪些推理过程值得怀疑。

　　在这个过程中，人的重要性反而愈发凸显出来。

　　组稿丨段晨科普创作者

　　解读专家丨于乃功北京工业大学教授中国人工智能学会理事

　　来源：科普中国