AI for Science 论文路线盘点：从科研助手到实验闭环

系列：AI 论文盘点 / 技术趋势
日期：2026-07-10
适合读者：研究生、AI4Science 研究者、科学计算与实验自动化方向读者、有工程背景的技术读者
检索日期：2026-07-10

摘要

AI for Science 正在从“给科学家提供模型和工具”，走向“参与科学流程本身”。AlphaFold、GNoME、AlphaGenome 等基础模型说明，深度学习可以在蛋白结构、材料稳定性、基因调控等高价值问题上形成新的预测层；Coscientist、AI co-scientist、Robin、The AI Scientist-v2、AlphaEvolve、AutoLabs 和 2026 年若干 self-driving lab 预印本则把问题推进到另一层：AI 能否提出假设、设计实验、调用仿真或仪器、分析结果，再把证据反馈给下一轮搜索？

这篇文章的核心判断是：AI for Science 的前沿不再只是“模型精度”，而是科学工作流的闭环能力。真正困难的地方包括假设是否新颖且可证伪、实验是否可执行、数据和代码是否可复现、自动评价是否可靠、失败实验是否被记录，以及人类专家如何在安全边界内接入系统。

目录

• 研究背景：从科学预测模型到科研闭环
• 核心科学问题：AI 到底在科学流程中做什么
• 近一年论文路线图
• 代表论文分组解读
• 方法对比表
• 实验与 benchmark 如何看
• 可复现性与数据问题
• 局限与争议
• 适合研究生继续做的选题
• 总结
• 参考资料

研究背景：从科学预测模型到科研闭环

过去十年，AI for Science 最成功的范式是“用机器学习替代或加速科学流程中的一个昂贵环节”。在蛋白结构预测中，AlphaFold 系列把氨基酸序列到三维结构的预测推到接近实验可用的水平；在材料科学中，GNoME 用图神经网络和 DFT 验证扩大候选晶体空间；在基因组学中，AlphaGenome 把长 DNA 序列映射到多种调控属性和变异效应。这些工作都很重要，但它们通常仍处在科学流程的某个局部环节：预测结构、筛选候选、解释变异或优化算法。

2024-2026 年的变化，是 LLM、工具调用、多 Agent、自动化实验室和科学基础模型开始被拼成更完整的工作流。系统不只回答“这个分子可能是什么结构”，而是尝试回答“下一步应该提出什么假设、做哪个实验、用什么指标验收、如果失败如何改计划”。这使 AI for Science 从单点模型问题，变成一个包含知识检索、因果解释、实验设计、执行控制、数据治理和人机协作的系统问题。

需要先划清边界：本文讨论的“闭环”不等于完全无人科学家。多数系统仍有强人工边界，例如人类定义目标、审查假设、提供湿实验资源、批准危险操作、解释异常结果。更准确的说法是，AI 正在承担越来越多可形式化、可执行、可评价的科研子流程。

核心科学问题：AI 到底在科学流程中做什么

AI for Science 的研究问题可以拆成六层。

第一层是科学表征：蛋白、材料、基因组、细胞图像、物理场、实验谱图如何被编码？这对应 AlphaFold、GNoME、AlphaGenome、神经算子、扩散生成模型和多模态科学模型。

第二层是知识综合：系统是否能从论文、数据库、专利、实验记录和负结果中抽取可用事实？这不是普通 RAG，因为科学知识有单位、条件、剂量、仪器参数、统计显著性和反例。

第三层是假设生成：AI 生成的不是“听起来合理”的文字，而是可测试、可证伪、有机制解释、能和已有证据区分开的研究假设。Google Research 的 AI co-scientist、FutureHouse 的 Robin 和 Sakana AI 的 The AI Scientist 系列都在这一层发力。

第四层是实验设计与执行：从自然语言目标到实验 protocol、仿真脚本、机器人 API、云实验室指令或高通量筛选方案。Coscientist、ChemCrow、AutoLabs 和 self-driving labs 属于这一类。

第五层是结果解释与更新：实验数据不能只被模型总结成“成功/失败”。闭环系统需要把谱图、图像、RNA-seq、性能曲线和负结果转化为下一轮决策。

第六层是评测与治理：科学任务常常没有短期标准答案。系统必须说明证据来源、实验条件、失败路径、潜在污染、人工干预点和安全边界。

近一年论文路线图

2025 年的主线之一是“科研 Agent 化”。Google Research 发布 AI co-scientist，把 Gemini 2.0、多 Agent、生成-辩论-演化和 test-time compute 结合起来，用于药物再利用、肝纤维化靶点和抗微生物耐药机制等生物医学任务。FutureHouse 的 Robin 把文献 Agent 与数据分析 Agent 串起来，围绕干性年龄相关性黄斑变性提出治疗策略，并在 lab-in-the-loop 框架中验证候选药物。Sakana AI 的 The AI Scientist-v2 进一步把 ML 研究中的想法生成、实验、写作和自动审稿做成端到端树搜索系统，并宣称有 AI 生成论文通过 ICLR workshop 评审；这一点有标志意义，但质量、审稿标准和可复现性仍应谨慎看待。

第二条主线是“可验证发现”。AlphaEvolve 用 LLM 生成和修改代码，再由自动评价器筛选候选程序，适合数学、算法和计算基础设施这类可以明确打分的科学问题。它比普通科研聊天助手更接近科学闭环，因为每个候选解都必须运行、计分、进入演化数据库，再影响下一轮搜索。

第三条主线是“自动实验室”。Coscientist 早在 2023 年已经展示 GPT-4 驱动的化学实验规划和液体处理器控制；2025-2026 年的 AutoLabs、A-Lab GPSS、SARA-H、AHOIS 等工作继续把 LLM、多 Agent、自校正、主动学习和机器人实验结合起来。这里的新信号不是机器人能做实验，而是系统开始把“异常观测、失败样本、专家反馈、代理测量和中间观测”纳入决策。

第四条主线是“评测体系跟上”。PaperBench、MLE-bench、MLRC-Bench、FML-bench、ScienceAgentBench、AInsteinBench 等 benchmark 试图分别评估论文复现、机器学习工程、研究竞赛、基础 ML 研究探索、科学数据分析和科学代码仓库任务。它们共同说明一个事实：如果没有可执行任务、专家 rubric 和新鲜数据，科研 Agent 的能力很容易被 LLM-as-a-judge 或漂亮报告高估。

代表论文分组解读

1. 科学基础模型：把自然对象变成可计算表征

AlphaFold 3 将结构预测从单链蛋白扩展到蛋白、DNA、RNA、小分子配体、离子和修饰之间的相互作用；AlphaGenome 则面向基因调控，输入长达百万碱基的 DNA 序列，输出多种分子属性和变异效应预测；GNoME 用图网络和主动学习扩大材料候选空间，并把稳定材料候选交给 Materials Project 这样的开放数据库。

这些模型的共同价值是给科学流程提供“可调用的预测器”。但它们本身不等于闭环发现。预测结果还要经过实验验证、误差分析、适用域判断和下游目标函数设计。以材料发现为例，热力学稳定性不等于可合成、可加工、可规模化，也不等于具备目标应用所需的全部性质。

2. 科研 Agent：从文献综述走向假设竞争

AI co-scientist 的关键不是“帮忙查论文”，而是把科学方法拆成若干角色：生成、反思、排序、演化、邻近性检查和元审查。系统用 tournament 和 Elo 式自动评价推动假设迭代，并允许科学家提供 seed idea 或自然语言反馈。官方博客和 arXiv 论文都强调它是协作工具，而不是替代科学家。

Robin 的特点是更贴近生物医学发现循环：文献搜索、假设生成、实验建议、数据分析和新假设更新被整合到一个多 Agent 流程中。它的强处是把湿实验结果纳入下一轮推理；需要谨慎的地方是，单个疾病案例的成功不能直接外推到所有生物医学问题。

The AI Scientist-v2 代表“AI 研究自动化”的激进路线。它针对机器学习研究，让系统自动提出方法、写代码、跑实验、画图、写论文并响应审稿反馈。独立评估已经指出早期版本存在新颖性误判、实验失败、引用不足和幻觉数字等问题。因此，这条线最值得研究的不是“AI 是否会写论文”，而是怎样设计严谨的 novelty check、实验 oracle、审稿协议和失败追踪。

3. 可验证算法发现：当科学问题有明确评价器

AlphaEvolve、FunSearch、AlphaDev 和 AlphaTensor 属于更容易闭环的科学发现路线：候选解可以写成程序，程序可以被运行，结果可以被自动评价。AlphaEvolve 的官方资料显示，它把 Gemini 模型、程序数据库、提示采样和演化选择结合起来，用自动评价器验证候选算法。

这类系统的重要启发是：科研 Agent 最先可靠突破的场景，往往不是最开放的假设空间，而是存在清晰 objective、可执行验证器和大量廉价试错的空间。数学构造、算法优化、编译器优化、科学计算 kernel、模拟器参数搜索，可能会比“泛化到所有科学假设”更早成熟。

4. 自动实验室：把 AI 决策接到仪器和样本

Coscientist 展示了 LLM 如何调用网络搜索、文档检索、代码执行和实验自动化 API，完成合成规划、液体处理器控制和交叉偶联反应设计。ChemCrow 则把化学工具接入 LLM，强调分子性质、反应规划和外部工具的组合。

Self-driving lab 的传统核心是主动学习或贝叶斯优化：模型根据已有实验选择下一批最有信息量的实验。2025-2026 年的新工作开始引入更复杂的多阶段决策和 LLM 推理，例如 A-Lab GPSS 面向空气敏感锂卤化物尖晶石导体，SARA-H 结合自动相识别和人类反馈，AutoLabs 评估多 Agent 自校正在实验 protocol 生成中的作用，AHOIS 则尝试让物理 critic 通过苏格拉底式追问修正假设。这些预印本的具体数值和结论需要发布前再次核验，但方向很清楚：实验闭环正在从“优化一个黑箱函数”走向“解释异常、提出机制、调整流程”。

方法对比表

路线	代表工作	核心能力	适合任务	主要风险
科学基础模型	AlphaFold 3、AlphaGenome、GNoME	从科学对象到预测表征	结构、材料、基因调控、物理场预测	适用域、实验验证、数据偏差
假设生成 Agent	AI co-scientist、Robin	文献综合、假设生成、排序和更新	生物医学靶点、药物再利用、机制解释	幻觉、新颖性误判、证据链薄弱
自动科研流水线	The AI Scientist-v2	想法、实验、写作、审稿闭环	机器学习研究原型	论文质量、引用、结果可复现性
可验证算法发现	AlphaEvolve、FunSearch	生成程序并用评价器筛选	数学、算法、科学计算优化	目标函数过窄、过拟合评价器
自驱实验室	Coscientist、AutoLabs、A-Lab GPSS、SARA-H	protocol 生成、机器人执行、主动学习	化学、材料、高通量实验	仪器安全、样本污染、数据质量
科研评测	PaperBench、MLE-bench、MLRC-Bench、ScienceAgentBench	用可执行任务和 rubric 测能力	论文复现、ML 工程、科学数据分析	评测污染、成本高、覆盖不全

实验与 benchmark 如何看

读 AI for Science 论文时，不要只看 headline。至少要问六个问题。

第一，任务是否有真实科学价值？在 Kaggle、合成 benchmark 或 toy lab 上成功，不等于能产生可发表的新科学发现。相反，真实科研任务通常目标模糊、实验昂贵、负结果多、评价慢。

第二，评价器是否独立可靠？AlphaEvolve 这类系统之所以有说服力，是因为候选程序可以被自动运行和验证。开放假设生成更难，因为 LLM 自评、Elo 排名或 AI reviewer 可能奖励流畅性和常识一致性，而不是科学新颖性。

第三，有没有人类专家基线？PaperBench 和 MLRC-Bench 的价值在于把任务拆成可评分子目标，并尽量引入人类专家或竞赛成绩作为参照。没有基线的“AI 发现”容易被高估。

第四，失败样本是否公开？科研闭环最有价值的数据往往是失败实验、错误假设和被否定的路线。如果论文只展示成功案例，很难判断系统是否真正会科学推理。

第五，数据是否可能泄漏？文献、代码、benchmark、竞赛榜单和实验 protocol 都可能进入模型训练集。越接近公开论文复现和已知竞赛，越需要新鲜任务和去污染设计。

第六，实验资源是否可复现？湿实验依赖仪器、试剂批次、环境控制和操作细节；计算实验依赖随机种子、GPU、依赖版本和隐藏 prompt。没有完整 provenance，闭环很难被独立验证。

可复现性与数据问题

AI for Science 比普通 LLM 应用更怕“看起来合理”。科学输出如果不可复现，代价不是用户体验下降，而是浪费实验资源，甚至误导后续研究。一个可靠系统至少要保存四类记录：输入知识来源、模型和 prompt 版本、实验或仿真执行日志、以及所有成功和失败结果。

材料科学中的 GNoME/A-Lab 争议提醒我们，自动化系统的瓶颈常常不在生成候选，而在候选是否真的是新结构、是否被正确表征、是否有足够证据支持“合成成功”。生物医学中的药物再利用也类似：细胞实验阳性只是早期信号，不等于机制确认、动物实验有效或临床可行。

因此，未来 AI for Science 的数据基础设施会和模型同等重要。负结果数据库、实验 protocol 标准、机器可读论文、样本元数据、仪器日志、可执行 notebook、代码容器和开放 benchmark，都会决定闭环系统能否真正学习。

局限与争议

第一，自动假设生成容易产生“合理但平庸”的想法。许多系统善于组合公开文献，但真正新颖的科学问题往往来自反常现象、隐性实验经验和长期领域直觉。

第二，自动评价可能奖励错误目标。一个假设在 LLM 评审中得分高，不代表它可验证；一个程序在 benchmark 上表现好，也可能只是对评价器过拟合。

第三，实验自动化带来安全边界。化学、生物、材料实验涉及危险试剂、污染、双用途知识和昂贵设备。Agent 不能直接拥有无限制仪器权限，必须有 safety gate、权限分层和人工审批。

第四，跨学科合作仍是瓶颈。AI 研究者常低估实验误差、样本制备和数据标注成本；领域科学家也可能低估模型适用域和评测污染。真正可用的系统需要两边共同定义 objective 和 failure mode。

第五，2026 年新预印本变化很快。本文纳入的 AutoScientists、AHOIS、A-Lab GPSS 等工作应被视为趋势信号，涉及 benchmark 分数、实验规模和系统能力的数字在正式发布前需要人工复核。

适合研究生继续做的选题

1. 科学假设的 novelty check：结合文献图谱、知识图谱、时间切分数据库和专家标注，评价一个假设是否只是旧知识重述。
2. 负结果驱动的科研 Agent：让失败实验进入记忆和规划，而不是只保留成功轨迹。
3. 科学 protocol 到可执行代码：面向某一类仪器或仿真软件，构建可验证的自然语言到 protocol 编译器。
4. 实验闭环的 provenance 标准：为 Agent 生成的假设、实验、数据和图表设计机器可读审计日志。
5. 跨模态科学数据评测：把谱图、显微图、表格、代码和文本放在同一任务中，避免只评测纯文本问答。
6. LLM 与贝叶斯优化融合：让 LLM 负责机制解释、约束生成和异常诊断，让 BO 负责数据高效搜索。
7. AI reviewer 的校准：研究自动审稿系统何时和人类专家一致，何时偏好流畅叙述而非真实贡献。

总结

AI for Science 的第三阶段正在形成：第一阶段是科学预测模型，第二阶段是科研助手和工具增强，第三阶段是能在受控范围内循环“读文献、提假设、做实验、看结果、再更新”的闭环系统。短期内，最可靠的突破会出现在评价器清晰、实验可自动化、失败可记录的领域，例如算法发现、科学计算优化、高通量材料筛选和特定生物医学假设验证。

更长远看，科研 Agent 的价值不在于写出更多论文，而在于把科学探索变得更可审计、更数据高效、更能积累失败经验。真正值得期待的不是无人科学家神话，而是人类科学家和 AI 系统共同维护一个可验证、可复现、可持续更新的发现循环。

参考资料

检索日期：2026-07-10。

1. Hengjie Yu, Yaochu Jin, “AI for Science: Current progress and pathways forward.” arXiv, 2025. https://arxiv.org/abs/2503.05822
2. Jiaqi Wei et al., “From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery.” arXiv, 2025. https://arxiv.org/abs/2508.14111
3. Fan Liu et al., “Foundation Models for Scientific Discovery: From Paradigm Enhancement to Paradigm Transition.” arXiv, 2025. https://arxiv.org/abs/2510.15280
4. Josh Abramson et al., “Accurate structure prediction of biomolecular interactions with AlphaFold 3.” Nature, 2024. https://www.nature.com/articles/s41586-024-07487-w
5. Google DeepMind, “AlphaGenome: AI for better understanding the genome.” 2025-06-25, updated 2026-01. https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/
6. Amil Merchant et al., “Scaling deep learning for materials discovery.” Nature, 2023. https://www.nature.com/articles/s41586-023-06735-9
7. Google DeepMind, “Millions of new materials discovered with deep learning.” 2023-11-29. https://deepmind.google/blog/millions-of-new-materials-discovered-with-deep-learning/
8. Daniil A. Boiko et al., “Autonomous chemical research with large language models.” Nature, 2023. https://www.nature.com/articles/s41586-023-06792-0
9. Andres M. Bran et al., “ChemCrow: Augmenting large-language models with chemistry tools.” arXiv, 2023. https://arxiv.org/abs/2304.05376
10. Juraj Gottweis et al., “Towards an AI co-scientist.” arXiv, 2025. https://arxiv.org/abs/2502.18864
11. Google Research, “Accelerating scientific breakthroughs with an AI co-scientist.” 2025-02-19. https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/
12. Ali Essam Ghareeb et al., “Robin: A multi-agent system for automating scientific discovery.” arXiv, 2025. https://arxiv.org/abs/2505.13400
13. Chris Lu et al., “The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery.” arXiv, 2024. https://arxiv.org/abs/2408.06292
14. Yutaro Yamada et al., “The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search.” arXiv, 2025. https://arxiv.org/abs/2504.08066
15. Sakana AI, “The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery.” 2024-08-13. https://sakana.ai/ai-scientist/
16. Joeran Beel, Min-Yen Kan, Moritz Baumgart, “Evaluating Sakana's AI Scientist for Autonomous Research.” arXiv, 2025. https://arxiv.org/abs/2502.14297
17. Alexander Novikov et al., “AlphaEvolve: A coding agent for scientific and algorithmic discovery.” arXiv, 2025. https://arxiv.org/abs/2506.13131
18. Google DeepMind, “AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms.” 2025-05-14. https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/
19. Nathan J. Szymanski et al., “An autonomous laboratory for the accelerated synthesis of inorganic materials.” Nature, 2023. https://www.nature.com/articles/s41586-023-06734-w
20. Adedire D. Adesiji et al., “Benchmarking Self-Driving Labs.” arXiv, 2025. https://arxiv.org/abs/2508.06642
21. Luca Torresi, Pascal Friederich, “Multi-stage Bayesian optimisation for dynamic decision-making in self-driving labs.” arXiv, 2025. https://arxiv.org/abs/2512.15483
22. Gihan Panapitiya et al., “AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation.” arXiv, 2025. https://arxiv.org/abs/2509.25651
23. Yuxing Fei et al., “Agentic LLM Reasoning in a Self-Driving Laboratory for Air-Sensitive Lithium Halide Spinel Conductors.” arXiv, 2026. https://arxiv.org/abs/2604.11957
24. Xianrui Zeng et al., “Socratic agents for autonomous scientific discovery in high-dimensional physical systems.” arXiv, 2026. https://arxiv.org/abs/2606.26722
25. Giulio Starace et al., “PaperBench: Evaluating AI's Ability to Replicate AI Research.” arXiv, 2025. https://arxiv.org/abs/2504.01848
26. Jun Shern Chan et al., “MLE-bench: Evaluating Machine Learning Agents on Machine Learning Engineering.” arXiv, 2024. https://arxiv.org/abs/2410.07095
27. Yunxiang Zhang et al., “MLRC-Bench: Can Language Agents Solve Machine Learning Research Challenges?” arXiv, 2025. https://arxiv.org/abs/2504.09702
28. Qiran Zou et al., “FML-bench: A Benchmark for Automatic ML Research Agents.” arXiv, 2025. https://arxiv.org/abs/2510.10472
29. Titouan Duston et al., “AInsteinBench: Benchmarking Coding Agents on Scientific Repositories.” arXiv, 2025. https://arxiv.org/abs/2512.21373
30. Ziru Chen et al., “ScienceAgentBench: Toward Rigorous Assessment of Language Agents for Data-Driven Scientific Discovery.” arXiv, 2024. https://arxiv.org/abs/2410.05080
31. Shanghua Gao, Ada Fang, Marinka Zitnik, “AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation.” arXiv, 2026. https://arxiv.org/abs/2605.28655