首页 / 资讯详情
AI能否自主做研究？听听这些专家怎么说
摘要
当人工智能开始参与提出假设、设计实验，并根据实验结果调整研究方向，AI与科学研究的关系正在发生变化。从材料发现到生命系统模拟，再到创新药研发，AI for Science的探索正从单个环节的效率提升，走向对科研过程的系统性重构。如何让AI持续产生可验证的新知识，如何打通计算模型与真实实验之间的循环，也成为学术界和产业界共同面对的课题。9月11日下午2026 Inclusion·外滩大会上，以“AI4S：当AI学会研究，技术会实现自主进化么”为主题的见解论坛正式举办。来自人工智能、材料科学、生命科学和创新药研发等领域的学者与产业界嘉宾，围绕自主研究系统的学习与进化、科学数据的生产、药物与材料研发的实践展开交流，深入探讨了AI参与科学研究的技术路径与落地挑战，从不同学科和产业视角，讨论了机器自主发现的可能性及其实现条件。汪军：从智能体到AI科学家，关键在打通数字与物理世界的闭环在题为《从智能体到AI科学家：自主研究系统如何学习与进化》的开场演讲中，伦敦大学学院教授，RL China 创始人汪军，从科学研究的方法出发，阐释了自主科研系统的基本思路。伦敦大学学院教授，RL China 创始人汪军科学家提出假设，通过实验观察或理论推导进行检验，再根据结果修正认识，构成了知识不断积累的过程。在他看来，AI for Science的重要目标，就是对这一过程进行建模，让智能体能够更完整地参与科研循环，进一步拓展科学家的研究能力。汪军特别区分了“探索”与“发现”：前者可以围绕已经意识到的未知问题展开，后者则需要触及尚未进入既有知识体系、甚至尚未被意识到的问题。沿着这一思路，他提出面向科学发现的“大发现模型”方向，希望推动AI从已有知识基础上的推理，进一步走向对新问题、新知识的发现。实现这一目标，关键在于建立数字世界与物理世界之间的闭环。汪军介绍，团队正通过自学习与自演进方法，使智能体在多轮反馈中持续改进；在与化学家的合作中，团队已开展900多个实验，探索将计算决策与真实实验相结合，用于新材料发现。另外在蛋白质、小分子、芯片工艺、矿业、金融因子挖掘等各个方向已具备实际验证效果。除算法研究外，汪军还介绍了端侧智能体与“智能体云”等工程探索，通过连接算力、数据和工具，为科研任务提供支撑。他认为，自主科研系统的推进需要人工智能研究者与不同学科的科学家共同参与，在具体问题和实验反馈中检验、完善系统能力。张统一：走向机器自主发现，首先要夯实数据源中国科学院院士、上海大学材料基因组工程研究院院长张统一，以《通往机器自主发现的新范式：夯实数据源，控制AI未来》为题，将讨论重点落在科学数据的源头。中国科学院院士、上海大学材料基因组工程研究院院长张统一他强调，AI发展的基础不仅是对已有数据的掌握，更是持续产生新数据的能力。对于材料科学与工程研究而言，这意味着必须重视真实实验、生产过程以及对自然现象的观察。张统一指出，材料研究面临复杂的物理、化学过程，人们对其中的机理往往只有部分认识。以纳米材料为例，应力、成分分布与扩散等因素相互耦合，模型通常需要在简化条件下建立。因此，AI参与材料研究，仍需与机理研究、物理仿真和实验验证紧密结合。围绕这一需求，他提出建设“软基石”与“硬基石”：前者涵盖计算、模拟和算法，后者连接实验与生产，两者都需要向智能化发展。建设AI实验室，也需要材料专业、仿真、控制与AI、实时检测等多方面力量协同，使实验结果能够及时反馈到后续决策之中。张统一同时指出，生成候选材料只是研发的一部分，材料能否真正合成出来，是必须解决的现实挑战。当实验数据不足时，可以通过仿真与真实实