过去两年，“AI 科研智能体”快速升温。它们可以读论文、查资料、提出假设、写代码、跑仿真、分析数据，甚至自动生成论文。过去这类系统主要生活在数字世界里：AI 可以“想”，也可以“算”，但真正涉及化学试剂、机械臂、显微镜、液体工作站等真实实验设备时，往往还需要人类科研人员完成最后一公里。
最近出现的两条消息，说明这个局面可能正在改变。
2026 年 8 月，美国国家科学基金会 NSF 宣布投入 1950 万美元、为期四年，支持 Scripps Research、UCLA 和 AI 化学公司 Sunthetics 建设一个开放式自主化学实验室。这个项目不是普通的“实验室自动化升级”，而是 NSF 正在建设的 Programmable Cloud Laboratory——可编程云实验室网络的一部分。其目标是让研究人员能够远程提交科研想法，由自动化系统把想法转化为实验，让机器人执行，再由 AI 分析结果并提出下一轮实验。
项目负责人甚至提出，到第四年，希望形成真正的闭环：世界任何地方的研究人员都可以提交一个实验想法，系统自动将其转化为最终实验结果或产物。
几乎就在同一时间，Anthropic 公布了一项叫 Model Hardware Standard，简称 MHS 的研究预览。
MHS 要解决的问题完全不同，却恰好与“云实验室”形成上下游关系。
今天的实验室里有大量自动化设备：机械臂、液体处理器、显微镜、离心机、PCR 仪、培养箱、光谱仪、质谱仪等等。问题在于，不同厂家、不同设备都有自己的控制接口和软件系统。想让几台设备协同完成一个实验，往往需要工程师专门开发接口，集成周期可能以周甚至月计算。
MHS 的想法很简单：能不能给科研设备建立一个统一的 AI 接口？
它通过标准化驱动，把不同机器抽象成类似“读取状态”“修改参数”这样的基本操作，同时把设备的能力、物理特性和安全边界描述给 AI。这样，AI 智能体第一次面对一台设备时，就可以知道它能测量什么、能调整什么，以及哪些操作不能越界。Anthropic 表示，这种方式有望把原来需要数周甚至数月完成的硬件集成压缩到数小时甚至数分钟。
这两条消息放在一起看，意义就完全不同了。
一个解决的是：
怎样把实验室变成可以远程调用的基础设施。
另一个解决的是：
怎样让 AI 能够统一理解并控制实验室里的各种机器。
二者拼起来，已经非常像计算机产业过去几十年形成的技术栈。
计算机世界有 CPU、驱动程序、操作系统、API 和应用软件。用户不需要了解硬盘电机怎么转，也不需要知道显卡内部每个寄存器怎么工作，只需要通过标准接口调用它们。
未来科研实验室也可能形成类似结构：
AI 科研智能体 → 科研硬件接口 → 自动实验室 → 机器人和仪器。
AI 科研智能体相当于“大脑”，决定研究什么、下一步做什么；MHS 这样的标准相当于“驱动程序”；Programmable Cloud Laboratory 相当于“科研云计算中心”；最下面才是真正执行任务的机械臂、显微镜、液体工作站和各种实验仪器。
这种架构已经不是概念。
Anthropic 与 Genentech 的实验中，Claude 已经通过 MHS 同时协调液体处理器、机械臂和微孔板读取仪，完成蛋白质浓度测量实验。更有意思的是，Claude 不只是执行预先写好的程序，还能够设置液体流速、完成实验、读取结果、计算误差，再修改参数重新实验，最终分别找到适合水和黏稠蛋白溶液的流速参数。
这已经形成了一个很小但非常完整的科研闭环：
提出参数 → 做实验 → 获取数据 → 判断结果 → 调整参数 → 再实验。
这正是科学研究最基本的循环。
因此，AI 科研智能体正在经历一个重要转变。
第一阶段的 AI 科研，主要解决“读”和“写”：读论文、总结知识、写科研报告。
第二阶段开始解决“想”和“算”：提出假设、设计实验、编写代码、运行仿真。
现在正在进入第三阶段：
AI 开始真正获得“做实验”的能力。
一旦实验设备能够被标准化调用，而自动实验室又能够像云服务器一样远程访问，AI Scientist 的活动范围就会从纯数字世界进入真实物理世界。
未来研究人员可能只需要提出一个高层目标，例如：
“寻找一种更高效的催化反应条件。”
AI 科研智能体随后检索文献，提出几十种实验方案，通过云实验室控制机器人配制试剂、执行反应、分析产物，再根据实验结果淘汰失败路线，重新提出下一批实验。
这种模式与今天的软件开发已经非常相似。
今天我们可以让 Coding Agent 自动写代码、运行测试、发现错误再修改代码。
未来可能出现：
Scientific Agent 自动设计实验、执行实验、分析失败，再修改实验。
当然，现在距离完全自主的“机器人科学家”还很远。
Anthropic 的实验也暴露了一个很典型的问题：Claude 在处理真实液体时遇到了气泡。它一开始并不能理解气泡背后的物理原因，只会不断修改参数、重复操作，结果反而产生更多气泡，最后仍需要人类专家告诉它问题所在。
这说明，大模型虽然拥有丰富的文字知识，却不等于真正拥有对物理世界的直觉。
所以短期内最现实的模式并不是：
AI 完全取代科学家。
而更可能是：
科学家负责提出重要问题和关键判断，AI 负责大规模实验搜索，机器人负责重复执行。
真正值得关注的，是科研基础设施正在发生变化。
过去 AI 科研智能体最大的瓶颈之一，是它没有“手”。现在自动实验室正在提供这双手，而 MHS 这样的硬件标准，则试图建立大脑与手之间的神经系统。
如果这一趋势继续发展，未来 AI for Science 的核心产品可能不再只是某个模型，而是一整套新的科研技术栈：
科研大模型 + Scientific Agent + 科学软件 + 硬件接口 + 云实验室。
届时，AI 科学家的含义也会发生变化。
它不再只是一个坐在电脑里、能够写论文的“大语言模型”，而可能成为一个能够持续经历：
提出假设 → 执行实验 → 观察现实 → 修正判断 → 再次实验
的科研系统。
从这个角度看，最近这两条看似独立的消息实际上指向同一个方向：
AI 科研正在从 Digital AI Scientist，走向 Physical AI Scientist。
真正的 AI 科学家，正在开始走出电脑，进入实验室。