AI自主科研现状：从算法探索到“干湿闭环”的落地挑战

事件概述

2026年9月11日，Inclusion·外滩大会举办以“AI4S：当AI学会研究，技术会实现自主进化么”为主题的见解论坛。来自人工智能、材料科学、生命科学及创新药研发领域的学者与产业界嘉宾，围绕自主研究系统的学习进化、科学数据生产及具体行业实践展开深入交流，探讨了AI参与科学研究的技术路径与落地挑战。

核心信息与专家观点

1. 构建数字与物理世界的闭环

伦敦大学学院教授汪军指出，AI for Science的目标是对“提出假设-实验检验-修正认识”这一科研循环进行建模。他区分了“探索”（针对已知未知问题）与“发现”（触及未意识到的新问题），并提出面向科学发现的“大发现模型”方向。实现这一目标的关键是建立数字世界与物理世界的闭环，通过自学习与自演进方法，在多轮反馈中持续改进智能体。目前团队已在化学、蛋白质、芯片工艺等领域开展实际验证，强调需由AI研究者与学科科学家共同参与，在具体实验中检验系统能力。

2. 夯实数据源与机理结合

中国科学院院士张统一强调，通往机器自主发现需先夯实数据源，重视真实实验、生产过程及自然现象观察产生的新数据。他指出材料研究面临复杂耦合过程，AI需与机理研究、物理仿真和实验验证紧密结合。他提出建设涵盖计算模拟的“软基石”和连接实验生产的“硬基石”，并警示仅靠数据拟合无法替代对机理的判断，科学家的问题判断仍至关重要。

3. 生命科学中的可验证发现

广州国家实验室研究员谢志表示，新药研发的难点在于疾病机制、药效毒理及患者匹配关系尚未充分理解。其团队通过整合数百万套细胞系扰动数据与人类转录组数据，探索模型迁移能力，并结合医学知识图谱改善预测表现。他认为，下一代生命科学研究系统需结合理解生命机制的模型、假设评估引擎及临床反馈，形成持续学习过程，但关键决策仍需人工参与，重点在于让AI持续产生可验证的知识。

4. 创新药研发的“干湿闭环”

启德医药CEO秦刚介绍了以临床需求为起点的AI驱动研发闭环。通过搭建iDiscovery平台，结合高通量制备与患者来源类器官筛选，形成计算设计与真实实验相互反馈的体系。面对复杂的抗体偶联药物（ADC/XDC）组合空间，AI的价值体现在决策环节，即决定优先构建和筛选什么。他强调，最终评价标准回归临床疗效，需以延长患者生存期和改善生活质量为落脚点。

5. 产业牵引的材料研发范式

深度原理首席战略官张书铭指出，产业客户关注点已从模型性能转向实际交付价值。其Mira平台将分子生成、性质预测、可合成性分析与实验验证连接，以工业需求牵引研发。例如在数据中心冷却液项目中，通过生成约230万个结构并逐步筛选，四半月内取得实验室成果并申请专利。开物纪联合创始人杨孟洋则致力于连接数据、模型、实验与量产，发布包含4000万条DFT计算数据的Elementa数据集，强调AI材料研发成功的关键在于材料能否在物理世界中被合成并商业化。

6. 从递归自我改进到发现智能

北京大学助理教授杨灵分享了从代码生成到长程智能体的研究路线。针对长程任务中的目标遗失和记忆检索问题，团队通过维护工作记忆保持执行方向。她提出下一阶段应指向“发现智能”，即AI需判断什么问题值得解决及如何评估新猜想。由于科学发现具有开放性，系统需解决开放式评价、长程执行及湿实验验证等问题，形成持续的发现循环。

圆桌讨论焦点

• 成果转化与具身智能：张统一院士建议技术研发应关注企业真正能用的能力，如机械臂在时空上的控制能力，而非局限于特定形态。
• 创新药出海可持续性：秦刚认为，早期项目授权是中国生物医药过去十余年能力积累的结果，但持续发展需资金、市场和政策支持，合作模式正从单项目授权走向共同研发与资源互补。
• 结构预测迁移难题：常珊与张统一指出，尽管底层物理规律相通，但生命体系规模与约束条件不同，不能简单照搬小分子处理方式，AI研究者需深入理解领域专业知识。
• 湿实验数据匮乏应对：汪军回应称，对于评价指标明确、反馈较快的场景（如催化剂优化），可先运行迭代过程再扩展；跨设备统一系统现阶段仍需考虑场景差异，可从计算模拟闭环起步。

值得关注

论坛共识表明，AI在科学研究中的角色正从单一环节的效率提升转向对科研过程的系统性重构。虽然模型能力不断增强，但自主发现仍受限于数据质量、机理理解深度及实验反馈机制。未来的进展将依赖于计算、实验与产业应用之间更紧密的联系，以及经过验证的新材料、新疗法和新知识的不断涌现。