过去几年，AI 在科研中的角色发生了一次明显变化。AlphaFold、材料生成模型、蛋白质语言模型代表的第一波“AI for Science”，主要是用专门模型解决某一个科研问题：预测蛋白质结构、筛选材料、预测分子性质。到了大语言模型时代，一个新的方向迅速出现——AI 不再只是科研人员手中的计算工具，而开始尝试参与完整的科学研究过程。
这类系统通常被称为 AI Scientist、AI Co-Scientist 或 Scientific Agent，即“AI 科研智能体”。它们可以阅读论文、检索文献、提出假设、设计实验、编写程序、调用仿真软件、分析数据、评价结果，甚至进一步修改假设并重新实验。更激进的系统还能控制机器人实验室，把数字世界里的推理变成真实世界中的实验操作。早在 2023 年发表在《Nature》的 Coscientist 就已经展示了这种雏形：系统能够检索互联网和设备文档、运行代码，并通过 API 控制液体处理设备和云实验室，完成化学实验设计和多步骤实验执行。
真正的转折发生在 2024—2026 年。AI 科研开始从“几个科研工具的组合”，演变为一种越来越完整的科研闭环：
文献 → 问题 → 假设 → 实验 → 数据 → 判断 → 修改假设 → 再实验 → 形成结论。
AI Scientist、Google Co-Scientist、Stanford Virtual Lab、FutureHouse Robin、Google ERA，以及最新出现的 Faraday，大致代表了这一波技术演进中的不同路线。
从“自动写论文”走向“自动做研究”
Sakana AI 的 The AI Scientist 是这个领域的重要节点。其最初版本在 2024 年公布，随后发展的 AI Scientist-v2 使用树搜索管理实验，可以自主完成研究选题、文献搜索、代码修改、实验运行、数据绘图、论文撰写和模拟审稿。相关研究在 2026 年正式发表于《Nature》。
更引人注意的是，研究团队把三篇未经人工修改的 AI 生成论文提交给 ICLR 2025 的一个 workshop，在事先得到会议和伦理审查许可的情况下接受正常的匿名同行评议。其中一篇得到 6、7、6 的评分，平均 6.33，达到该 workshop 的接受水平；按照预定实验协议，AI 论文随后被撤回。研究团队同时指出，这些论文还没有达到 ICLR 主会论文的水平。
这个实验的重要性并不在于证明“AI 已经会做顶级科研”，而在于证明了一件此前还比较抽象的事情：今天的大模型和智能体技术已经可以把一条科研流程完整跑通。
但“流程跑通”与“成为科学家”之间还有很大的距离。
Google 的 Co-Scientist 因而采取了另一种思路：它没有追求让 AI 独自完成整篇论文，而是将系统定位成科研人员的“共同研究者”。这一系统后来于 2026 年发表于《Nature》。Co-Scientist 内部包含 Generation、Reflection、Ranking、Evolution、Proximity、Meta-review 等多个专门智能体，通过类似科学讨论和竞赛的机制不断产生、批评、排序和演化假设，同时保留科研人员随时介入和调整方向的能力。
这种设计很值得注意。它实际上把传统的：
“一个大模型回答科研问题”
变成：
“一群 AI 研究人员围绕一个问题开组会”。
一个智能体提出假设，一个负责寻找漏洞，一个比较多个方案，一个负责改进假设，另一个进行综合评议。更重要的是，系统并非单纯生成文字。在急性髓系白血病药物再利用、肝纤维化靶点以及抗菌药物耐药机制等研究中，Co-Scientist 生成的部分假设随后接受了真实实验验证。
这代表了 AI 科研智能体的第一条主要路线：
AI 作为“科研思考伙伴”。
人的主要任务是定义重要问题、提供约束条件和判断研究价值；AI 则大规模展开文献搜索、假设空间探索以及实验方案比较。
第二条路线：让AI真正参与实验循环
比“提出假设”更困难的是让 AI 面对真实实验结果之后继续工作。
Stanford 的 Virtual Lab 采用了一种非常接近真实实验室的组织形式：一个 AI Principal Investigator 带领多个具有不同专业背景的 AI Scientist，研究过程中不断召开虚拟科研会议，而人类研究者在高层进行指导。研究团队让这个虚拟实验室设计针对新冠病毒变异株的纳米抗体。AI 团队自行形成了一套结合 ESM、AlphaFold-Multimer 和 Rosetta 的计算设计流程，设计了 92 种新纳米抗体，随后由真实实验进行验证，其中发现了具有较好结合表现的候选分子。这项工作于 2025 年发表于《Nature》。
FutureHouse 的 Robin 又往前推进了一步。Robin 把文献智能体 Crow、Falcon 与数据分析智能体 Finch 连接起来，使系统能够在一次研究过程中不断经历：
阅读文献 → 提出假设 → 建议实验 → 人类实验室执行 → AI 分析实验数据 → 再提出假设。
2026 年发表于《Nature》的研究中，Robin 被用于寻找干性年龄相关性黄斑变性的潜在治疗方法。系统提出增强视网膜色素上皮细胞吞噬能力的研究方向，并在实验循环中识别出 ripasudil 和 KL001 等候选物。
这里已经出现了一个非常关键的变化：
科研智能体开始从“信息闭环”进入“实验闭环”。
语言模型提出的想法不再仅由另一个语言模型评分，而是由现实世界中的细胞实验、仪器测量或者计算实验给出反馈。这一点极其重要，因为真正的科学最终必须接受现实世界的裁决。
未来所谓的 AI Scientist，很可能并不是一个坐在聊天窗口里的超级大模型，而是一套连接了数据库、论文库、Python、仿真软件、实验设备、机器人和实验记录系统的科研操作系统。
第三条路线：把“试错”自动化
另一个非常明显的趋势，是科研正在借鉴 AlphaGo 和强化学习中的“搜索”思想。
很多科研问题并不要求模型一次给出正确答案，而可以不断提出方案、执行实验、获得一个评价分数，再寻找更好的方案。只要结果能够被机器客观评价，科研过程的一部分就可以变成大规模自动搜索。
Google 的 Empirical Research Assistance（ERA） 就是这种路线的代表。它利用大模型产生和修改程序，通过树搜索不断执行、评分和改进方案。研究团队报告，ERA 在单细胞 RNA 测序批次整合任务中产生了 40 种超过此前最佳方法的方案，在流行病学预测中产生了 14 种超过 CDC ensemble 的方法，同时还用于地理空间推理、神经活动预测和计算数学等问题。相关成果于 2026 年发表于《Nature》。
这提示了 AI 科研最可能首先高速发展的领域：
具有自动评价函数的科学。
机器学习尤其适合，因为实验结果可以直接由 accuracy、loss、benchmark score 等指标衡量；计算化学、蛋白质设计、材料筛选、组合优化以及部分生物信息学也具有类似特点。
当一次实验只需要几分钟，而 AI 可以同时运行几百条研究路线时，人类传统的“想到一个办法—写代码—跑实验—第二天看结果”模式，很可能变成：
同时生成几百个假设 → 自动实验 → 淘汰失败路线 → 对优秀路线做进一步实验。
这并不意味着 AI 比科学家“更聪明”，而是它获得了一种人类科研组织很难拥有的优势：大规模并行试错。
Faraday带来的新变化：科研能力开始进入模型权重
2026 年 8 月出现的 Faraday 又代表了一个值得关注的新方向。
论文《Training AI Scientists to Replicate Research》没有让 AI 从零开始发明理论，而是提出 Replica：让 AI 复现已有科研论文中的实验。作者认为，复现是一种很好的科研训练环境，因为它既不像考试题那样有明确唯一答案，也不像完全开放式科研那样无法评价。论文往往遗漏大量实验细节，因此复现本身需要假设、试错、判断和实验设计。
研究团队在一个 27B 参数模型上进行后训练，得到 Faraday。最有意思的是，Faraday 并不试图自己完成所有工作，而会把大型 coding agent 当作工具来调用。换句话说，Faraday 更像是：
科研负责人。
Coding agent 则类似：
科研程序员。
实验结果显示，这个经过专门训练的 27B 科研智能体在留出的论文复现任务上超过了直接使用 Claude Opus 4.8 和 GPT-5.5 的结果。作者进一步观察到，Faraday 更倾向于采用符合科研原则的实验策略。
这可能预示着未来 AI 科研系统的一种重要结构：
Scientific Agent → Coding Agent → Simulator → Database → Laboratory Robot
最高层的科研智能体不一定需要是最大的模型。它真正需要学习的是：
研究什么、为什么研究、下一步应该做什么、哪个实验最有信息量、什么结果值得相信。
执行任务则可以交给更强的通用模型和专业工具。
这与人类科研团队其实非常相似。PI 不需要亲自写完每一行代码、操作每一台仪器，但必须知道什么实验值得做，以及一个实验到底证明了什么。
真正的瓶颈已经不是“会不会做”，而是“会不会怀疑自己”
如果只看这些成功案例，很容易得出“AI 科学家马上就要出现”的结论。
但 2026 年的一些研究给出了相当重要的警告。
一篇题为 《AI scientists produce results without reasoning scientifically》 的预印本分析了超过 2.5 万次科研智能体运行。作者发现，基础模型的能力对最终行为影响远大于 agent scaffold；更重要的是，在分析的轨迹中，AI 智能体大量存在忽略反面证据、不能根据实验失败修正信念的问题。研究报告称，大约 68% 的轨迹出现了证据被忽略的情况，而由反证驱动的信念修正只在约 26% 的情况下发生。作者因此提出一个尖锐的问题：很多所谓 AI Scientist 可能已经学会了执行科研流程，却还没有真正学会科学推理。
这是理解 AI 科研智能体最关键的一点。
科学并不是：
提出假设 → 找证据证明自己。
真正的科学更接近：
提出假设 → 主动寻找可能推翻自己的证据 → 如果证据不支持，就修改甚至放弃假设。
一个系统能够自动写代码、跑 1000 次实验、输出漂亮曲线，并不能证明它具有科研能力。如果奖励机制只鼓励“得到一个高分结果”，智能体甚至可能学会挑选实验、隐藏失败结果或者寻找评价函数的漏洞。
因此，科研智能体真正困难的部分不是生成 hypothesis，而是形成一种认识论纪律：
什么是证据？
什么是相关性而不是因果性？
什么时候必须进行对照实验？
什么时候样本量不够？
结果与预期相反时，是实验错误还是原假设错误？
什么时候应该停止一个研究方向？
这些能力才构成所谓的 scientific reasoning。
“验证鸿沟”正在成为AI科研最大的技术问题
2026 年另一份关于 AI Scientist 的系统综述把这个问题称为 Verification Gap——验证鸿沟。
研究者分析了 24 个可运行的科研智能体系统，其中约 83% 发布了代码，但只有约 38% 发布随机种子或完整执行轨迹，也只有约 38% 报告了某种形式的新颖性验证方法。作者因此认为，当前领域的核心问题正在从：
“AI 能不能完成科研任务？”
转向：
“人类能不能验证 AI 声称完成的科研成果？”
这可能会深刻改变未来科学论文的形态。
AI 时代的科研成果不能只有一篇 PDF，而可能需要同时附带：
- 原始数据；
- 实验程序；
- 环境配置；
- 所有随机种子；
- agent 完整行动日志；
- 每次失败实验；
- 假设变化记录；
- 文献依据；
- 自动化实验记录；
- 仪器参数；
- 最终结论与证据之间的对应关系。
换句话说，未来科研的核心产物可能从 paper 变成 auditable research trace——可审计科研轨迹。
论文只是这条轨迹最后自动生成的人类可读摘要。
AI科研智能体最终可能改变什么？
从目前的发展来看，未来几年 AI 科研智能体最现实的作用并不是突然产生一个“电子爱因斯坦”，而是大幅改变科研的生产方式。
过去，一个研究人员的大量时间消耗在检索几十篇论文、整理数据、配置代码、做参数实验、画图、检查异常结果和修改程序上。科研智能体最先消灭的，很可能正是这些大量存在但创造性相对较低的工作。
科学家的时间会逐渐向三个方向集中：
选择重要的问题、设计真正有区分度的实验，以及判断结果是否值得相信。
而 AI 承担越来越多的搜索和执行。
这甚至可能改变科研团队的组织结构。过去一个课题组由教授、博士后、博士生、实验员和工程师组成；未来可能变成：
一名或几名人类研究人员 + 数十个科研智能体 + coding agent + 仿真集群 + 自动实验平台。
一些研究任务原本只能尝试几十个方案，未来可能同时探索几十万条路线。负结果也可能变得有价值，因为机器不会因为“这个实验不好发表”而不愿意做它。
与此同时，AI 科研智能体的风险也会随着它接近真实世界迅速增加。2025 年《Nature Communications》的一篇分析指出，当科研智能体获得化学、生物实验工具以及机器人设备控制能力以后，普通软件 agent 的错误可能转化成真实的化学、生物和物理风险。因此作者提出应同时从人类监管、智能体对齐和工具/环境反馈监管三个层面建立保护机制。
所以，AI 科研智能体的发展很可能不会简单遵循：
能力越强 → 自主权越大。
更合理的路线反而可能是：
能力越强 → 验证机制越严格 → 权限边界越清晰。
AI Scientist真正的分水岭
今天判断一个 AI 科研系统先进与否，已经不能只看它能不能“自动生成一篇论文”。
更重要的指标应该是：
它能不能提出一个可证伪的问题；能不能设计真正区分不同假设的实验；能不能正确处理反面证据；能不能在结果不支持自己时改变判断；能不能留下足够完整的证据链，让另一个科学家复核整个过程。
从这个标准看，目前的 AI 科研智能体已经完成了一个非常重要的跨越：
科研工作的执行开始可以规模化自动化。
但第二个跨越才刚刚开始：
科学方法本身能否被训练进 AI。
Faraday 的论文之所以值得注意，也正在这里。它尝试的不再只是给大模型搭一套复杂的科研 workflow，而是通过论文复现训练，把“怎样做一个比较严谨的研究者”逐渐写进模型的行为策略。
如果这条路线继续发展，未来真正具有决定意义的 AI Scientist，未必是那个最会写论文、参数最多、回答问题最快的模型。
它更可能是那个最懂得：
什么时候应该提出假设，什么时候应该实验，什么时候应该质疑结果，以及什么时候应该承认——自己的假设错了。
因为从本质上说，科学最重要的能力从来都不是产生答案。
而是建立一种能够不断发现自己错误的方法。