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。

　　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。

　　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。

　　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。

　　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验结合的方式补充数据，但数据拟合的表现也不能直接替代对机理的判断。他结合自身研究举例说明，同一组数据有时能够被不同机理模型同样良好地拟合，仅靠拟合结果难以判定哪种解释更合理。

　　在张统一看来，通往机器自主发现，需要将数据生产、计算模拟与学科知识共同纳入研究体系。科学家对问题的理解和判断，仍将在这一过程中发挥重要作用。

　　在随后举行的圆桌讨论中，汪军担任主持人，与江苏理工学院人工智能学院执行院长常珊、华大研究院合成生物学主任科学家、常州研究院执行院长付宪，以及合肥微观纪元创始人吕川展开交流。张统一院士与秦刚等嘉宾也参与讨论。

　　三位圆桌嘉宾分别介绍了研究方向。吕川分享了量子计算与分子模拟的探索，关注电子结构计算及其与AI、多尺度模拟的结合；付宪介绍了团队围绕DNA合成、酶与菌株设计、细胞工厂开展的工作，希望将生命数据转化为生物制造能力；常珊则介绍了蛋白质及RNA结构预测研究，以及通过干湿结合推动蛋白质设计、药物分子设计和产业应用的实践。

　　针对现场观众提出的学术成果转化问题，张统一院士认为，技术研发应关注企业真正能用的能力。以具身智能为例，研究不必局限于人形形态，将机械臂在时间和空间上的控制能力做好，本身就具有重要的研究价值和应用空间。

　　他同时指出，产业应用与前沿探索各有其需要解决的问题。比如，对于高温超导等机理仍未得到充分理解的方向，建立能够经受检验的理论、取得实质性的实验突破，依然是重要任务。

　　从自主科研系统的算法探索，到材料与药物研发的实际案例，本场论坛展现了AI for Science沿着不同路径推进的过程。

　　模型正在进入更完整的科研流程，真实实验则不断检验其能力边界：候选材料能否合成，实验室成果能否放大，药物设计能否转化为治疗效果，都需要在现实条件下给出答案。

　　论坛嘉宾的分享表明，自主发现仍有许多基础工作需要完成。数据的来源与质量、学科机理的理解、长程任务的稳定执行，以及实验结果如何反馈到下一轮决策，都会影响系统能否持续产生新知识。科学家的问题判断、专业经验和实验设计能力，也仍是这一过程的重要组成部分。

　　AI能在多大程度上自主推进科学研究，将由这些具体探索逐步回答。随着计算、实验与产业应用之间的联系更加紧密，值得期待的进展，是经过验证的新材料、新疗法和新知识不断出现，并从实验室走向真实应用。（张伟）