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。
谢志：AI药物设计的核心，是理解生命并持续产生可验证的发现
广州国家实验室研究员谢志在《AI药物设计：从理解生命到改造生命》的演讲中，结合虚拟细胞和分子设计研究，讨论了AI在生命科学中的进展与局限。他指出，新药研发的困难不仅在于分子优化效率，还在于疾病机制、药效毒理以及患者与药物匹配关系尚未得到充分理解。
广州国家实验室研究员谢志
在虚拟细胞研究中，谢志团队尝试将细胞系的药物与基因扰动数据，同人类疾病相关的转录组数据关联起来，探索模型从细胞系向类器官和人体相关数据迁移的能力。据介绍，团队整合了200多万套细胞系扰动数据与约50万套人类转录组数据，在转录组变化、药物敏感性及部分患者应答数据的预测中观察到一定的迁移能力。
但这种能力也存在边界。谢志介绍，将模型扩展至更广泛的疾病与药物关系时，单靠转录组变化进行推断的效果并不理想。团队进一步结合医学知识图谱，改善了预测表现，并在部分药物新适应症的动物实验中获得初步验证。
在分子设计方面，他介绍了团队围绕mRNA序列优化开展的研究，包括引入进化信息、结合强化学习开展多目标优化，以及通过自动化实验补充数据。这些工作显示出AI辅助设计的潜力，也促使团队进一步思考：模型能否超越对已有数据的拟合，形成持续发现新机制的能力？
谢志认为，生命科学面临目标、数据和规则三方面的困难。许多疾病的机制尚不清晰，实验数据又高度依赖具体环境；即使是同一种细胞系，不同实验室的样本状态也可能存在明显差异。缺少这些背景信息，简单汇集数据难以充分支持可靠的推断。
因此，他提出，下一代生命科学研究系统需要结合理解生命机制的模型、提出并评估科学假设的发现引擎、治疗方案设计能力，以及来自实验和临床的反馈，形成持续学习的过程。
他也明确指出，系统在关键决策上仍需要人工参与，自主研究的稳定性有待提高。真正重要的，是让AI持续产生可验证的生命科学知识和潜在治疗机会。
秦刚：以临床需求为起点，探索AI驱动的创新药研发闭环
启德医药联合创始人、CEO秦刚在《AI重构创新药研发：硅基智能能否变革绝症治疗》的演讲中，结合生物偶联药物研发实践，介绍了自动化实验平台与AI决策结合的探索。他指出，面对尚无有效疗法的疾病，研发需要从具体患者的未满足需求出发，将技术能力转化为可验证的治疗方案。
启德医药联合创始人、CEO秦刚
秦刚以抗体偶联药物（ADC）为例，解释了将靶向递送与药物载荷结合的研发思路。随着偶联药物向更多形式的XDC拓展，靶点、载荷及作用机制的组合日益丰富，也带来了庞大的设计与筛选空间。如何在大量组合中找到有效方案，成为药物发现的重要挑战。
为此，启德搭建了iDiscovery平台，将高通量制备与基于患者来源类器官的药物筛选相结合。该平台单天样品制备通量超过1000个，并与合作伙伴共建了覆盖30多种适应症的类器官库，为候选药物的构建、评价和筛选提供支持。
在这一体系中，研发从识别临床未满足需求开始，通过患者来源材料构建模型，再结合生物学信息设计药物组成部分，利用自动化平台完成组合、筛选与评价。秦刚表示，平台在持续运行中产生的高质量结构化数据，可以为AI参与后续药物发现提供基础，形成计算设计与真实实验相互反馈的“干湿闭环”。
随着可供选择的药物组成部分不断增加，秦刚认为，AI的一个重要价值将体现在决策环节：面对多靶点、多机制的复杂组合，决定优先构建什么、筛选什么，以及如何根据结果调整下一轮实验。他介绍，团队计划在相同的临床需求下，让AI模型指挥实验平台开展研发，并与经验丰富的研发团队进行对照，探索建设XDC药物决策实验室。
秦刚强调，这些探索的最终评价仍要回到临床。AI与自动化能否真正改变新药研发，需要以疗法的实际效果检验，最终落脚于延长患者生存期、改善患者生活质量。
张书铭：从Token到材料，以产业需求牵引研发闭环
深度原理首席战略官张书铭在《从Token到材料：AI for Materials解锁材料研发新范式》的演讲中，介绍了将深度学习、第一性原理计算与自动化实验相结合的材料研发路径。他指出，产业客户的关注点正在从模型性能、局部任务的自动化，转向实际交付：创造了什么价值，能否解决自己的问题。
深度原理首席战略官张书铭
从化学工程的视角出发，张书铭强调，材料研发需要同时权衡性能、成本、时间与精度。团队希望从工业需求出发，将分子生成、性质预测、可合成性分析和实验验证连接起来，使计算结果能够转化为具有应用价值的材料配方。
深度原理的材料研发智能体平台Mira，通过适配不同计算软件、实验设备与数据系统，将分散的研发资源纳入统一调度。平台把更稳定、成本更低等需求拆解为具体指标和验证方案，再将实验结果用于修正预测、安排下一轮实验。
张书铭以数据中心冷却液项目为例介绍，团队从限定化学元素出发，通过生成模型构建约230万个分子结构，再依据物性要求、合成步骤和原料成本逐步筛选，最终推荐接近200个结构进入实验探索。该项目用约四个半月取得实验室阶段成果，目前相关配方已申请专利，并在与下游服务器客户开展材料兼容性测试。
他还分享了与欧莱雅围绕配方稳定性开展合作的案例：团队从反应机理切入，筛选可抑制活性组分失效的添加剂，经客户专家审核和实验验证，推动合作由稳定性优化延伸至生物活性提升及新分子设计。在他看来，AI材料研发的价值，需要通过可重复的交付和客户持续使用来体现。
杨孟洋：连接数据、模型、实验与量产，让材料创新形成完整链条
开物纪联合创始人杨孟洋在《让材料发明告别偶然：大模型、实验与量产闭环的AI材料全栈式研发平台》的演讲中，介绍了企业围绕材料研发全流程的布局。他表示，开物纪希望将数据、基础模型、实验室和工厂连接起来，让AI参与从材料设计、配方验证到放大生产的过程。
开物纪联合创始人杨孟洋
在模型层面，团队分别建设材料属性预测模型与生成模型：前者根据材料的组分和空间构型预测物理化学性质，后者从目标性能出发生成候选结构。围绕这两类能力，团队将模型、专利、数据与工具结合为智能体System 0，帮助研究人员调用计算能力，并探索将其进一步接入实验室与生产环节。
杨孟洋强调，从模型结果走向实际产品，需要材料研究、工程设备和产业制造等不同背景的人才共同参与。开物纪围绕新能源电池、存储、散热与信息技术等材料方向布局，同时建设高通量、小型化的小试和中试能力，以支持候选配方的合成与验证。
数据也是这一体系的重要基础。杨孟洋介绍，团队发布了材料数据集Elementa，探索更广泛化学空间内的材料构型，并首批开放4000万条DFT计算数据，希望为材料基础模型研究提供支持，推动相关生态建设。
对于商业落地，他认为，中国的制造与供应链条件为AI材料研发提供了重要支撑。衡量AI for Materials能否成功，最终要看材料能否在物理世界中被合成、实现商业化，并满足客户的实际需求。
杨灵：从递归自我改进走向发现智能，让AI判断什么值得研究
北京大学助理教授杨灵在《从递归自我改进到发现智能》的演讲中，介绍了团队从代码生成、智能体到长程任务的研究路线。递归自我改进（RSI）的核心，是让系统利用反馈不断改进自身；而不同任务中反馈的可获得性，决定了这一过程的难度。
北京大学助理教授杨灵
杨灵以代码生成为例指出，代码执行和测试能够提供相对直接、及时的反馈。团队据此探索代码与单元测试协同改进的框架，利用测试检查代码，再通过代码的执行表现检验测试质量。进入更复杂的智能体任务后，团队进一步尝试让任务环境与模型共同演进，并引入过程奖励模型，对任务中间步骤进行监督。
随着任务链条拉长，目标遗失、记忆检索不完整和工具调用混乱等问题更加突出。针对这些困难，团队通过维护工作记忆，持续记录任务状态、最终目标和所需工具，帮助智能体在长程执行中保持方向。
在此基础上，杨灵将下一阶段的探索指向“发现智能”：AI需要进一步判断什么问题值得解决，以及如何评估新的科学猜想。他指出，科学发现具有开放性，往往没有固定答案，研究过程可能涉及数百乃至上千个步骤，单靠最终结果也难以评价整个过程。
因此，面向科学发现的自主系统，需要同时解决开放式评价、长程任务执行以及真实实验验证等问题。计算提出的方案必须接受湿实验的检验，再通过实验反馈修正后续研究，才能形成持续的发现循环。
圆桌讨论：AI学会研究之后，技术真的会自主进化吗？
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。
科研成果距离产业落地还有多远？
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。
创新药出海的活跃态势能否持续？
一位观众结合创新药早期项目对外授权的现象提问：当候选项目仍需经历漫长的临床验证，这种发展模式能否持续？
秦刚认为，当前的创新药出海背后，是中国生物医药过去十余年在研发、供应链和临床推进等方面的能力积累。但从早期创新走向成熟疗法，仍需要资金、市场和长期政策环境的支持，不能仅以早期交易热度判断产业发展的质量。
对于创新药的早期授权，秦刚提出，应结合企业可获得的资源和后续开发能力理解其作用。国际合作可以为项目继续推进提供条件，合作方式也在变化：随着企业形成更具差异化的技术能力，双方可以从单个项目授权走向共同研发、资源互补与成果分成。在他看来，产业的持续发展，需要支持企业将原始创新推进至最终疗法，并在合作中不断增强自身能力。
同样由原子构成，为何分子结构预测仍难以统一？
常珊提出，蛋白质、RNA和小分子都遵循底层物理规律，为什么结构预测能力仍难在不同体系之间充分迁移？材料模拟与AI能否为这一问题提供新的路径？
张统一院士从材料计算角度补充指出，在第一性原理计算框架下，材料与小分子研究具有相通之处，但体系规模和约束条件不同，会带来不同的计算挑战。生命体系往往涉及更多原子及更复杂的结构，不能简单照搬较小材料体系的处理方式。他也再次强调，AI研究者需要理解所进入领域的专业知识，才能更准确地界定问题和模型的适用范围。
湿实验数据有限，自主发现应从哪里起步？
最后，一位材料研究者提出，许多课题组的湿实验数据只有几十到上百条，与计算模拟的大规模数据存在明显差距，在这样的条件下，是否已经具备使用大发现模型的基础？
汪军回应，不同领域的推进速度和起点会有所不同。对于目标清晰、评价指标明确、实验反馈较快的场景，可以先把迭代过程运行起来，再逐步扩展能力。他以催化剂、配方优化和陶瓷性能改进等具体方向为例，说明自主研究可以从单一材料体系或明确性能目标切入。
对于跨材料、跨设备的统一系统，汪军认为现阶段仍需考虑不同场景之间的差异。有些方向可以先在计算与模拟中形成闭环，再进一步接入湿实验。
从模型能力走向可验证的科学与产业成果
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。