北京
合作单位：圣路易斯华盛顿大学，IBM实验室，多伦多大学，英伟达，洛桑联邦理工学院，宾夕法尼亚大学，堪萨斯州立大学，斯坦福大学
通讯作者：Zhiling Zheng（郑志凌）；Alán Aspuru-Guzik；Philippe Schwaller；Le Cong；Xin Yang；Wenhao Gao；Varinia Bernales
文章链接：https://doi.org/10.1038/s43586-026-00534-y
当AI不再只是回答问题，而是能自己检索文献、策划实验、调用工具，并进行决策，科学发现的方式会发生怎样的变化？这篇由来自美国、加拿大和瑞士12家机构的19位作者联合撰写、于2026年10月22日发表在《Nature Reviews Methods Primers》的方法综述（Primer），系统介绍了面向科学发现的智能体AI系统（agentic AI systems）。文章指出，现代科研依赖于科学家们在文献与数据、理论与实验之间发现知识，而这一过程需要一定的科学直觉和大量的实验探索；智能体系统则以自然语言为接口，对于特定的科学目标逐步生成决策，并将其组织成可追溯的工作流，成为实验室中的“计算大脑”。文章梳理了该领域从基础模型、AI智能体到智能体系统、再到智能体生态的递进发展，并按主要功能把科学智能体分为认知型、具身型与协作型三类。
具体来说，文章从如何“构建”和“运行”两个层面拆解了一个科研智能体。构建层面，系统通常以一个或多个大语言模型为推理核心，由画像（Profile）规定其身份、目标与操作边界，通过感知模块（Perception）接收文本、图像和光谱等多模态信息，调用数据库、模拟软件乃至实验仪器等工具（Tools），并保存任务状态与实验历史作为可追溯记忆（Memory）。运行层面，智能体沿“任务分配—规划—行动—验证”闭环推进，在推理与工具调用之间交替迭代，依据中间结果随时修正计划。复杂任务可由多个分工明确的智能体协同完成，关键节点则设置人工检查点。文章还以脂质纳米颗粒（LNP）配方筛选为例，演示了如何用“技能”（skills）文件夹组织指令、参考规则、脚本与模板，完成一个科研智能体的实际搭建。
值得关注的是，文章强调评价智能体不能只看最终答案。它提出，智能体的产出是一条逐级递进的“阶梯”：先把散落在文献中的信息转化为结构化知识，再形成可检验的假说，随后借助模拟与反馈迭代优化候选方案，最终经实验检验成为实证知识。与之对应，验证也应分层推进，从内部一致性检查、计算验证到湿实验确认逐级加强；而由于自动化检查无法判断机理是否合理、发现是否新颖，专家的事后评估仍是最关键的一道关口。文章还特别提醒，一个结果“有用”和它“有证据支撑”是两回事：一份候选排序可以很好地指导下一轮实验，却并不等于结论本身。
当然，真正决定这条路线能否走通的，还是可靠性与可复现性。文章系统梳理了当前的主要瓶颈：长链推理中的误差累积、幻觉与从训练数据继承的偏差、工具误用、上下文饱和导致的“遗忘”、多智能体协同失灵，以及自主实验带来的安全与伦理风险，并强调这些障碍是工程与治理上正在推进的前沿。当我们希望将其应用于实践中时，需要注意三点：1. 复现性报告不能只公开代码和数据，还应记录提示词、工具接口、记忆与检索策略、中间步骤以及人工干预情况；2. 智能体本身具有随机性和路径依赖，需要通过重复运行检验结论是否稳定，而不能只去报告最好的那次结果；3. 涉及危险物质或不可逆操作的环节应保留人工审核，系统的自主权限也应随安全验证的程度逐步放开。
从文献挖掘、假说生成到计算编排，再到闭环实验，智能体的应用正沿着“从文本到计算、再到实验室”的路径展开，其中计算流程编排可以说是目前最易落地的方向。但文章也坦言，完全自主的智能体实验室尚未实现，短期内智能体更像是“科学助理”，在结构化的实验流程中增强科学家的专业判断。未来的科学发现或许不再依赖某个“超级模型”，而是依靠研究者、智能体、数据与仪器协同运作的科学发现网络。评判此类系统，依据的标准是它能促成哪些发现，以及通往这些发现的路径是否可追溯、可复现、可问责。
本文来自“材料科学与工程”公众号，感谢论文团队支持。
欢迎留言，分享观点。点亮❤
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
