玻尔·科学空间问世，AI重塑创新药科研工作模式

深势科技正式发布玻尔·科学空间，连接科学知识、数据、模型、软件、算力与实验资源，并内置面向不同学科的 AI 科学家，支持从科学调研、假设提出与实验设计，到计算验证、数据分析和成果输出的完整科研流程，让 AI 从回答问题进一步走向执行真实科研任务。

“这个方向的关键共识、争议与空白分别是什么？”

“这个研究假设是否成立，下一步应当如何尽快验证？”

“论文中的结果能否复现，方法能否迁移到新的研究问题？”

这些问题构成了科研工作的起点，也往往意味着一条复杂而漫长的执行链路。

• 文献、数据散落在不同数据库、表格、文件夹和实验记录里；

• 关键方法和实验条件藏在文献细节中，难以有效辨别与整合；

• 一个有潜力的假设要在证据、机制和方案之间反复推演，验证却常被环境配置、参数调试和实验试错拖住；

• 好不容易得到结果，还要花大量时间清洗数据、制作图表、解释结果……

科学家最宝贵的时间，本应被用来提出更大胆的问题、理解更深层的机制、做出更重要的发现，却常常消耗在搜索、整理、验证、复现和沟通之中。

今天，深势科技正式发布玻尔·科学空间（公开测试版），为科研人员与 AI 科学家共同完成科研任务提供统一的桌面端工作环境。它连接本地与云端的科学数据、计算和实验资源，并将面向不同学科的 AI 科学家内置于科研流程之中。

研究者，只需提问与确认。科学空间，接管所有的“体力活”。

01

从科学问题出发，贯通科研任务全流程

1.1 调研阶段：不止是信息收集，更是提供高质量的判断，和可执行的假设起点

面对一个新的研究课题，最难的不是“搜到更多论文”。而是从大量信息里分清：哪些已经成为共识？哪些仍有争议？哪些地方还没有人回答？

在玻尔·科学空间，研究者可以通过对话提出研究问题。玻尔·科学空间中的全科科研专家——SciMaster 会围绕研究问题，自动检索文献与专利，理解论文中的文字、图表、分子和公式，并形成结构化调研结果。

在此基础上，系统进一步梳理研究共识、矛盾与空白，协助研究者提出有依据、可检验的研究假设。

当一个假设具备推进价值时，AI 科学家还可以结合已有研究、可用数据和实验条件，生成可执行的实验设计方案，明确研究变量、技术路线、关键步骤与结果判定方式。

由此，科学调研不再停留于信息收集，而成为高质量判断和后续科研行动的起点。

1.2科研执行阶段：假设不停留于讨论，点击即可验证

从假设到验证，真正耗时的往往才刚开始。

研究者不仅需要选择合适的模型和方法，还要完成数据获取、软件安装、环境配置、参数设置、任务运行、故障处理和结果分析。失败了，还需要换一套参数重新来。

在玻尔·科学空间，AI 科学家能够根据研究目标自动拆解任务，调用对应的数据、模型、软件与算力资源，执行计算、模拟和数据分析，并在关键节点检查结果。

研究者可以围绕科学问题持续提出下一步要求，而不必在多个工具与工作环境之间反复切换。

面向生物、医学、药物研发与材料科学等领域，玻尔·科学空间已内置 BioMaster、PharmMaster、MatMaster 等 AI 学科专家，支持不同类型的真实科研任务。

研究者只负责提出问题，AI 科学家把验证跑起来。

■ BioMaster：让生物医学分析过程可执行、可追溯、可复用

生物信息学研究常常需要在论文、公共数据库、代码仓库和分析软件之间持续切换。真正耗时的并不只是运行代码，而是找到正确数据、还原分析方法、处理版本依赖、核对参数，并判断结果是否具有可信的生物学意义。

以三个典型任务为例：

• 论文分析复现：BioMaster 可以理解论文方法，关联 GEO 等公共数据与作者代码，完成数据获取、环境执行、代码调试和结果核查，将公开论文转化为可以实际运行与继续利用的科研资产。

• 单细胞数据分析：围绕同一个科学问题组织数据处理、RNA velocity 等分析流程与科研绘图，保留前序结果，并支持研究者基于结果继续追加分析。

• 基因变异解读：围绕 TP53 等基因变异，跨 ClinVar、UniProt、PDB、AlphaFold 等数据源完成实体对齐、证据核验、统计分析和可视化，形成带有来源与证据等级的结构化结果。

BioMaster 将分散的数据查询与计算步骤组织为可检查的分析链路，使研究者把更多精力用于判断结果、理解机制与设计下一步研究。

■ PharmMaster：贯通从靶点调研到分子设计的研发链路

药物研发涉及靶点调研与立项、专利格局、作用机制、构效关系、结构分析、分子设计和成药性评估等多个环节。各环节所需信息、模型和工具不同，研究结论还需要在上下游任务之间持续传递。

以 ITK 靶点抑制剂的立项和开发为例，PharmMaster 可以围绕研究目标广泛收集资料，准确实现专利与竞争格局分析，加速立项调研与决策；通过分子识别和上下文语义关联，完成 SAR 分析解读；自动发起计算任务，完成起点分子筛选，并进一步开展共晶结构解析、逆合成拆解、新分子推荐以及活性与 ADMET 性质评估等工作，在分子发现、优化的流程中为研发人员提供全面的智力支持。

不同步骤不再是彼此割裂的单点任务和复杂工具组合，而是由同一研究目标驱动、能够持续推进的研发工作流。研究者可以检查每一步的依据和结果，并据此调整设计方向，进入下一轮候选分子优化。

■ MatMaster：从性能目标出发组织材料设计与模拟

材料研发需要在文献证据、结构设计、性能预测与机理验证之间建立联系。以高温介电薄膜为例，研究者需要系统梳理相关体系，理解结构与性能关系，再通过 DFT、分子动力学等方法验证候选材料的稳定性与作用机理。

研究者可以在玻尔·科学空间中描述目标性能、工作温度和材料约束。MatMaster 据此完成领域调研、候选体系设计、计算模拟与结果分析，并给出值得进一步实验验证的材料方向及其依据。

从“寻找一种满足要求的材料”，进一步走向“哪些体系值得优先验证，以及为什么”。

1.3 成果输出阶段：写得靠谱，审到可信

研究完成后，还有最后一道关卡：

怎么把结果写清楚？引用是否可靠？数据与结论是否一致？面对审稿人的追问，证据是否站得住？

在玻尔·科学空间，写作助手可以根据研究数据与分析结果，协助研究者梳理思路、组织论文结构、严谨成文，并输出 LaTeX 等可继续编辑的内容。

审查助手则围绕论文逻辑、引用来源、图表数据与支撑材料进行核验，提示需要进一步确认或补强的位置。

研究成果站在全世界、全时代积累的科学知识之上形成，也需要重新进入人类知识体系，接受检验、讨论与验证。

玻尔·科学空间通过写作与审查工作流，帮助研究者将计算和实验结果转化为结构清楚、证据可追溯、能够继续接受专业审视的科学成果。

2. 为什么在玻尔·科学空间 AI 能够执行真实科研任务？

让 AI 真正进入科研流程，关键不在于单纯增加模型参数或对话能力，而在于为其提供理解科学、组织任务、调用工具和接受验证的完整环境。

■ 规模化科研要素：连接知识、计算与实验资源

Science Navigator 连接超过 2 亿篇文献与专利，使 AI 能够从持续更新的科学知识中检索证据；DeployMaster 精选部署超 5 万个经典科学计算工具，并与深势科技自研的“深势·宇知”模型和工具，如DPA、Uni-Mol、Uni-AIMS等大模型，及Uni-FEP、Uni-Dock等计算工具体系形成密切配合，使模型与软件可以根据任务被即时调用；在湿实验的执行阶段，Uni-Lab-OS 已经能够连接超150个大类、1800款仪器设备，并正在连接更广阔的实验仪器生态，未来会让数据、样品、操作与结果整合进入统一闭环的研究链路。

这些丰富、Agent-ready的科研要素，为 AI 执行真实科研任务提供基础。

■ 多模态知识理解与组织：证据准确抽取，知识关系系统掌握

Uni-Parser 可高效处理论文、图表、分子结构、公式、表格及实验记录等多模态科学信息。针对文本、数学公式和表格三类结构化内容，其解析准确率均超过98%；同时，系统还能有效识别图表、流程图、分子式与化学反应式等复杂视觉信息，实现分散数据的统一化、可溯源与机器可读转化。

科学导航与大知识模型 LKM 进一步组织文献、专利、数据与研究记录之间的实体关系、证据来源和研究脉络，使 AI 能够围绕一个科学问题理解已有共识、关键分歧与研究空白。

■ 智能体编排与长程执行：强规划能力，高容错率的SciX框架

SciX 智能体框架将研究目标拆解为可执行步骤，协调知识、模型、软件、算力和实验资源，并在关键节点进行检查与校验；在任务阶段性受阻时也能够自动诊断与矫正，拥有极高的任务容错率。Sandbox 为任务提供批量、隔离和可恢复的运行环境，并支持在异构计算资源之间进行调度，在累计启动约 185 万次的统计窗口内创建成功率达到 98.8%。

AI 因此能够从一次研究对话进入完整科研工作流，持续执行调研、假设推演、计算模拟、结果分析与成果输出。

■ 协同进化：工具、智能体和人类在真实任务反馈中共进化

每一次检索、阅读、计算调用和实验执行，都构成当前问题的处理过程；科学家的修正、计算结果、实验数据与失败经验，也共同构成“科学训练场”，为工具、智能体和人类经验的积累和训练提升提供长期养料，为后续更好地完成科研任务提供重要反馈。

随着更多流程被执行、校验和复用，经过验证的方法可以沉淀为可复用的能力与工作流，借助EvoMaster智能体的自学习和自进化机制，平台也会“越来越懂你”，帮助科研组织把任务经验充分沉淀到整个工作体系中，减少重复配置与重复试错。

有关玻尔·科学空间以上技术成果的更多进展，将于不久的未来陆续跟大家见面。

03

面向科研人员，也面向科研组织

玻尔·科学空间既可以作为科研人员调用知识、数据和工具的统一工作台，也可以成为科研团队组织 AI 科学家、复用研究流程与沉淀科研经验的协作环境。

• 对于科研人员，它减少跨数据库检索、环境配置、工具切换和结果整理所占用的时间，使研究过程更多由科学问题而非工具操作驱动。

• 对于课题组和研发团队，它帮助关键方法、参数、过程与结果形成可追溯记录，使经过验证的分析流程能够被检查、复用与迭代。

• 对于科研机构与企业研发组织，它为连接内部数据、计算资源、专业工具和领域经验提供统一环境，支持人类科学家与 AI 科学家在真实任务中协同。

04

玻尔107计划：寻找AI时代最值得解决的科学问题

科研效率不断提升的同时，一个更根本的问题也愈发重要：当更多研究过程可以由 AI 协助完成，哪些科学问题最值得被优先探索？

基于此，深势科技发起“玻尔 107 计划”，面向全球科研人员征集具有重要科学价值与探索潜力的问题，并依托玻尔·科学空间及 AI 科学家的能力，为入选问题提供从科学调研、假设推演、计算模拟到结果验证的科研支持，推动有价值的科学问题从提出走向持续探索。

深势科技希望联合全球科研人员，持续发现值得长期投入的重要问题，探索人类科学家与 AI 科学家协同推进科学发现的新路径。

让重要的问题被看见，让有价值的想法获得验证，让 AI 科学家参与解决真正值得解决的科学问题。

05

让科学家的时间回到科学创造

能够持续执行科研任务的 AI 科学家正在快速发展。未来的科学发现，也将越来越多地来自人类科学家与 AI 科学家的深度协同。

人类科学家的好奇心、判断力与创造力不会被 AI 取代。AI 更适合承担那些繁琐、重复但不可或缺的工作，把更多时间还给科学家——提出更重要的问题，理解更深层的机制，探索尚未被解释的现象。

让每一条证据都不被遗漏，让每一个想法都有机会被验证，让每一次探索都更接近发现。

玻尔·科学空间致力于搭建人类科学家与 AI 科学家共同工作的科研环境，让科学研究拥有一个可以持续思考、持续行动、持续验证和持续进化的空间。

*封面图片来源：123rf

秒追医疗健康产业创新

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。

点喜欢