川海智库

报告概述

本报告以科学研究为对象，深入探讨AI智能体（AI agents）在科研活动中的应用及其带来的系统性影响。报告覆盖从假设提出、候选方案搜索到实验验证的完整研究流程，基于对Google DeepMind十位研究人员的访谈和多个真实案例，分析了AI智能体能力提升的三大动力：更强的基础模型、脚手架机制和定制化能力。报告指出，AI智能体正在成为强大的“猜想机器”，让假设和候选方案变得丰富而廉价，但验证环节仍然昂贵而缓慢，由此形成新的验证瓶颈。面向政策制定者和科研资助者，报告提出了确保广泛访问、数据就绪、投资验证基础设施和改革同行评审四项优先议题。对于关注AI与科学交叉的读者，本报告提供了理解AI智能体实际潜力与局限的框架，并揭示了下一阶段科研基础设施升级的方向。

报告的核心结论

AI智能体让猜想变便宜，验证仍昂贵，形成新瓶颈

报告认为，AI智能体擅长提出猜想和候选方案，极大降低了想法的生成成本；但验证这些想法是否成立仍依赖物理实验和传统制度，成本高昂且速度缓慢。这种“猜想与验证”的经济学失衡，使验证瓶颈成为当前科学界面临的核心挑战，尤其在生物学、材料学等需要实验的领域。

数学与计算机科学正成为验证技术加速落地的试验田

由于数学和计算机科学的验证可以完全在计算机内运行，AI智能体在证明和算法发现方面进展迅速。报告认为，数学领域发展出的自动化验证方法，例如将形式化语言与自然语言验证结合，未来可能被推广到其他科学领域，为解决普遍验证瓶颈提供通用技术。

政策制定者应确保科学家广泛使用AI智能体

智能体既强大又可能在不可预见的地方出错。报告强调，让所有科学家都能获得最好的智能体，既能加速科学发现，也能通过独立使用形成对智能体的评估。这类似于历史上的超级计算机普及问题，国家部署智能体的能力可能比训练自己的前沿模型更为关键。

科学数据需要变成对AI智能体就绪的资产

报告呼吁将开放数据通过文档完善的API暴露给智能体，并注重质量控制和元数据；对于敏感数据，需要发展保护隐私、可审计的访问方案。智能体还能帮助提取和标注数据，让政府从已资助的数据中释放更多价值，甚至协助识别值得新建的开放数据集。

同行评审体系需要借助AI智能体进行升级

AI的参与让基金申请和论文写作更加容易，但也使写作质量不再可靠。报告建议采用分层方法：记录AI使用情况、发展水印技术，并让评审者也能使用智能体，特别是在错误检测等客观任务上。智能体应透明地展示推理和不确定性，成为增强人类判断的工具。

报告回答的关键问题

AI智能体在科学研究中能做什么？

报告指出，AI智能体不仅能快速完成文献梳理、数据查询和代码编写等日常任务，还能参与更高阶的科研活动：提出新假设、搜索最优候选方案、甚至生成可验证的数学证明。例如Co-Scientist能在两天内提出与团队多年研究一致的假设，AlphaEvolve可帮助设计芯片和解决开放数学问题。但智能体在验证环节的辅助能力仍有限。

为什么说科学面临新的验证瓶颈？

报告认为，AI智能体极大地降低了提出猜想和候选方案的成本，但验证这些想法是否成立仍然依赖物理实验、资金和人工评审，成本和速度几乎没有改善。这导致“猜想”和“验证”之间的经济关系失衡，验证环节成为限制科学进步的新瓶颈。数学和计算机科学因可全数字化验证而例外，但多数领域仍受制于实验室和自然时间。

政策制定者应如何应对AI智能体对科研的冲击？

报告提出四项优先事项：确保科学家能广泛使用AI智能体；将国家数据资产变成智能体可访问的格式；投资实验验证基础设施和自动化实验室；升级同行评审流程。报告还建议通过公私合作和新的资助模式，避免智能体成为减少科研投入的借口，并将这一时刻视为结构性变革的机会。

AI智能体会让科学家变得更不重要吗？

报告认为，AI智能体不会让科学家变得不重要，但会改变他们的工作方式。研究将更多转向“高层次调度”，科学家负责审查智能体运行的分析并调整方向。报告也提醒，如果管理不善，智能体可能使新一代科学家在掌握必要判断力之前被“去技能化”，因此需要结构化地安排无智能体的训练阶段，并让智能体成为认知伙伴而非“神谕”。

报告中的代表性数据

5个候选假设，排名第1与团队结论一致

Co-Scientist提出假设的案例

2024年，微生物学家José Penadés团队用Co-Scientist寻找超级细菌耐药性传播机制，两天内返回5个按优先级排序的假设，其中排名第一的正是团队花了近十年才证明的结论。该案例展示了AI智能体在科学发现中的加速潜力，但报告也提醒智能体仍可能产生幻觉。

6个

Aletheia解决开放数学问题数

2026年2月，在首届First Proof挑战中，10个未曾公开的研究问题被保密以确保不在训练数据中，Aletheia在一周内解决了6个，为最好成绩。这显示了AI在形式化验证与自然语言验证结合方面的进展。

1亿美元

美国国家科学基金会自动化实验设施投资

2026年，为缓解验证瓶颈，美国NSF投入1亿美元建设全国性的分布式自动化实验设施网络。报告还提到英国8100万英镑的材料创新工厂等早期努力，显示公共投资正在成为推动实验基础设施升级的重要力量。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • AI智能体工作原理与能力来源的详细解析：报告解释了AI智能体基于大语言模型，具备目标规划、子代理并行执行、自我纠错和使用外部工具的能力，并分析了能让智能体更好用的三大因素——更强的前沿模型、脚手架和定制化技能，为读者建立理解AI科研工具的技术基础。
  • 多个真实科研案例：包括Co-Scientist在超级细菌耐药性、肝纤维化药物重定位中的表现，AlphaEvolve在芯片设计、数学难题和基因组学分析中的应用，以及Aletheia在自动化证明中的突破，生动展示AI智能体在不同学科中的实际作用和局限。
  • 对科研全流程影响的系统分析：报告将科研过程分为构思、寻找候选方案和验证三个阶段，分别讨论AI智能体在每个阶段能带来什么改变和不能做什么，特别指出“验证”是当前最薄弱的环节，并探讨了自动化实验室等应对方案。
  • 面向政策制定者和科研资助者的四项优先行动建议：包括确保科学家广泛使用AI智能体、将国家数据资产转化为智能体就绪格式、投资实验验证基础设施与自动化实验室、用AI改造同行评审，每个建议都附有具体案例和国际经验。
  • 关于科研人才培训和公平性的讨论：报告探讨了小型团队可能因此受益、但初级研究人员可能面临技能退化风险，以及机构在预算分配上可能需要将钱花在算力而非人员上，提出在研究生培养中设置无智能体训练阶段等建议。
  • 未来展望与风险警示：报告指出，AI智能体不会让科学变便宜，各国不应将其视为减少科研投入的理由，而应视为结构性变革的机会。当前制度、物理和社会基础设施需要升级以迎接智能体时代，这个选择窗口可能难以逆转。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告