AI科学家：科研新纪元的共创者

2024年8月，由Transformer论文作者之一Llion Jones创立的Sakana AI公司，推出了全球首位“AI科学家”，这位AI助手能自主提出研究问题、设计实验并撰写论文，引发了全球科研界的震动。从自动化实验到自主发现，AI正逐步从科研助手跃升为“共同研究者”。当AI走进实验室，它究竟会如何改写科学的未来？

Sakana AI的这位“AI科学家”能够自主生成研究想法、设计实验、编写代码并执行实验，甚至撰写论文。借助“AI审稿人”对结果进行评审与改进，形成了一个完整的科研生态系统。今年3月，该系统产出的一篇计算机科学论文通过了ICLR 2025研讨会的双盲评审；同时，Autoscience研究所也表示其AI系统Carl撰写的论文也被ICLR的Tiny Papers赛道接收。

从某种程度上看，这些AI科学家已经走出实验室，正在逐步达到与人类研究人员比肩的高度。

然而，当AI瞄准科学发现时，对人类而言是喜忧参半——一方面，AI在数据处理和信息整合效率上的优势无疑是其进入科研界的敲门砖，能够解放人类科学家进行更多高维思考和探索；另一方面，其黑箱困境难解，在科研这个对可解释性要求严苛的领域内存在难以弥合的鸿沟。

那么，AI科学家究竟如何定义？它的未来前景与忧思将何去何从呢？

AI科学家：一个被重新定义的角色

传统认知中，科学家是科学探索的核心：从观察现象中提炼问题，基于现有理论提出假设，设计严谨的实验方案，操作设备获取数据，最终通过分析推理形成结论。这一流程已延续数百年，塑造了人类对科学研究的基本认知。

但AI技术的爆发正在解构这一传统角色。

如今的科研场景中，科学家的职责开始出现清晰的分化：大语言模型与专用算法负责推演海量的可能性空间，从数亿级的分子结构中筛选候选方案；自动化机器人与实验平台精准执行合成、观测、检测等重复性操作；人类科学家则聚焦于更核心的价值环节——解读、判断AI生成结果的科学意义，并提出新的探索方向。

DeepMind CEO Demis Hassabis认为“AI科学家将成为现代版的显微镜与望远镜，帮助我们发现人类无法看到的规律。”这意味着AI已超越单纯工具属性，从科研流程的“加速器”升级为科学推理与探索的“共同体成员”。

MIT教授Regina Barzilay在TED演讲中进一步阐明了这一关系：“未来的科学不会是AI替代科学家，而是科学家选择与AI共同工作。”在她看来，AI与人类科学家的关系并非零和博弈，而是基于各自优势的协同共创。

AI科学家的现实分类与进展

诚然，AI科学家的意义远不止于让科研“更快”，它正逐步成为科学创新体系中的关键角色。

当前，全球多家科研机构与科技公司正竞相探索各具特色的AI科学家系统。按照功能定位，这些系统可分为两种路线：增强型科研助手与自主型科学发现者。

第一类系统的核心目标是让AI成为人类科学家的“第二大脑”，即在人类主导研究方向的前提下，智能体负责提供跨学科知识整合、实验思路生成与数据分析等支持。

斯坦福大学研发的在线系统Virtual Lab正是这一思路的代表。该系统可以根据科学家的研究需求，自动组建具备不同学科背景的AI科学家团队，协同解决复杂问题。Virtual Lab组建的虚拟联合团队包括“免疫学家”“计算生物学家”等角色，他们提出了一套全新的纳米抗体计算设计框架，成功辅助人类科学家设计出92种抗病毒纳米抗体。

第二类系统的野心更大，目标是构建完全自主的科学发现引擎。

这类AI科学家不再依赖人类指导，而是由多个智能体协作完成从问题提出、假设生成、实验验证到论文撰写的完整科研闭环。人类科学家的角色更多转向提出宏观研究目标、验证结果与提供伦理审查。

例如，2025年5月，美国AI研究机构Future House宣布其多智能体系统Robin自主发现了一种可用于治疗干性黄斑病变（致盲主要原因之一）的候选药物，并通过RNA实验验证了作用机制。其发表论文中所有假设、实验方案、数据分析和数据图表均由Robin完成。

总体来看，无论是以提升研究效率为目标的“辅助型”，还是追求自主推理与实验设计的“自主型”，AI科学家都正在从概念走向落地。

优势：突破速度、扩展规模、跨界创新

速度优势：从“研究几年”到“几小时验证”

一直以来，“时间”成本、漫长的研发周期始终困扰着科学家。即便设备在持续更新，但提速始终难有指数级跨越。材料科学领域的新型功能化合物筛选与验证往往需要数年时间；药物研发中仅临床前的候选分子优化阶段就可能耗时3-5年。这种漫长的周期严重制约了科学进步的步伐。

AI科学家的出现彻底打破了这一时间桎梏。通过“模型预测-实验验证-数据反馈-迭代优化”的闭环系统，科研周期被压缩至原来的几十分之一甚至几百分之一：Sakana AI的系统可在数小时内完成从文献调研到论文初稿的全流程。

• 公司官网：https://deepmind.google/

规模优势：同时处理数亿级任务

AI科学家的第二个核心优势在于规模化探索能力。

人类认知的局限性决定了传统科研只能聚焦于有限的研究方向，而AI科学家拥有“全景搜索”能力，可同时处理数亿级的并行任务，将科学探索的范围扩展到人类无法触及的尺度。

跨学科突破：打破科学研究的“次元壁”

传统科学研究存在森严的学科壁垒。生物学家难以深入理解量子化学的理论框架；材料工程师往往缺乏基因编辑的专业知识。这种学科分割使得许多交叉领域的创新机会被错失——而这正是AI科学家的天然优势。

• 论文地址：https://arxiv.org/abs/2409.05556