科學(xué)家的超級合伙人來也！星河啟智大圣讓高能動性AI入局真實科研

編輯｜+0

任何在通風(fēng)櫥前熬過夜、被繁瑣的濕實驗折磨過的科研人，看到這一幕大概都會心跳加速。

在星河啟智科學(xué)智能開放平臺推出全面升級版本的發(fā)布會現(xiàn)場，大屏幕上實時展示了這樣一段流程：超級科研合伙人「大圣」在云端給出 AI 模型計算結(jié)果與自然語言描述的實驗方案后，操作者一鍵點擊「AI 費(fèi)米」模塊生成儀器的實驗調(diào)度排產(chǎn)方案。畫面隨即連線遠(yuǎn)端的濕實驗室：接收到指令的真實自動化實驗器材，已經(jīng)開始有條不紊地運(yùn)轉(zhuǎn)。

過去幾年，AI 工具在科研領(lǐng)域爆發(fā)式增長。

文獻(xiàn)助手、代碼助手、分子設(shè)計模型、自動化實驗系統(tǒng)不斷涌現(xiàn)，單點能力持續(xù)刷新上限。但在真實實驗室一線，許多科學(xué)家的直觀感受卻是：工具越多，系統(tǒng)反而越碎，科研流程并沒有因此變得更輕松。

原因很簡單：科研從來不是一組松散工具的疊加，而是一項高度專業(yè)、強(qiáng)約束、長周期演進(jìn)的系統(tǒng)工程。

相比通用辦公或內(nèi)容生產(chǎn)場景，科學(xué)研究同時要求：對原生結(jié)構(gòu)與物理約束的高保真理解；對多路徑探索過程的持續(xù)記憶；對實驗結(jié)果的嚴(yán)格驗證閉環(huán)；以及對高敏數(shù)據(jù)與知識產(chǎn)權(quán)的安全控制。

問題正在從「模型不夠強(qiáng)」，轉(zhuǎn)向一個更結(jié)構(gòu)性的命題：有沒有一種 AI，能夠在專業(yè)約束下高能動性地組織科研流程、與人類科學(xué)家共同進(jìn)行深度科學(xué)探索？

2026 年 3 月 1 日，在上海徐匯「模速空間」的發(fā)布會上，由上?？茖W(xué)智能研究院（下稱上智院）、復(fù)旦大學(xué)和無限光年聯(lián)合共建的星河啟智平臺宣布全面升級，正式推出超級科研合伙人「大圣」

本次發(fā)布會由上海科學(xué)智能研究院聯(lián)合復(fù)旦大學(xué)主辦，來自上海市經(jīng)信委、科委、國資體系及阿里達(dá)摩院等多方代表到場，標(biāo)志著科研范式變革正在集中頂尖學(xué)術(shù)與官方資源加速推進(jìn)。

它試圖回答一個更核心的問題：面向?qū)I(yè)嚴(yán)謹(jǐn)?shù)目茖W(xué)探索，一個超級科研合伙人究竟需要具備怎樣的高能動性與系統(tǒng)級專業(yè)能力？

為什么 AI4S 需要

「系統(tǒng)+專業(yè)+高能動性」，

而不是更多「點狀執(zhí)行」？

如果把過去兩年的 AI4S 進(jìn)展粗略分層，會看到一個非常典型的演進(jìn)路徑：先是模型能力躍升，再是工具數(shù)量爆發(fā)，而現(xiàn)在，瓶頸正在向更深一層轉(zhuǎn)移。

在采訪中，復(fù)旦大學(xué)人工智能創(chuàng)新與產(chǎn)業(yè)研究院副院長、上智院科研副院長兼星河啟智平臺負(fù)責(zé)人程遠(yuǎn)提到一個一線觀察：科學(xué)家并不缺工具，缺的是把能力真正「用起來」的組織能力。尤其是在面向?qū)I(yè)科學(xué)探索時，科學(xué)家需要的不僅是零散的工具，更是一套具備推理、決策與實驗閉環(huán)能力的專業(yè)科研智能體體系。

這背后，是科研場景與通用 AI 使用場景之間一條被長期低估的分界線。與通用辦公或內(nèi)容生成任務(wù)中的短鏈路、低耦合不同，真實科研更加復(fù)雜。

一個看似簡單的研究問題，往往會迅速展開成一條長達(dá)數(shù)月甚至數(shù)年的復(fù)雜路徑：文獻(xiàn)檢索 → 假設(shè)提出 → 數(shù)據(jù)處理 → 模型構(gòu)建 → 仿真 → 濕實驗 → 回流修正，而且可能隨時分叉、回滾、重來。

更關(guān)鍵的是，科研流程同時帶有三重硬約束：一是模態(tài)原生（結(jié)構(gòu) / 序列 / 場），不是文本友好輸入；二是流程長周期強(qiáng)耦合，項目級連續(xù)研究靠短上下文很難撐??；三是結(jié)果必須回到物理世界校準(zhǔn)：「算得對」不等于「是真的」。

三者疊加，科研需要的是能專業(yè)面向科學(xué)探索、主動組織流程的高能動性系統(tǒng)。

這正是「大圣」被定義為「超級科研合伙人」的出發(fā)點。以「大圣」為核心載體，星河啟智平臺構(gòu)建了多模態(tài)科學(xué)基礎(chǔ)模型、群體記憶、專家級科學(xué) Skills 與自驅(qū)動實驗室等一系列專業(yè)前沿的智能體協(xié)作研發(fā)能力。

「大圣」四大能力拆解：

認(rèn)知、行動、記憶、驗證

認(rèn)知：真正理解科學(xué)，而不是文本

高能動性的前提，是模型真的「看懂科學(xué)」。

過去相當(dāng)一部分通用大模型的技術(shù)路徑，本質(zhì)上是把一切輸入「文本化」：分子結(jié)構(gòu)轉(zhuǎn)成字符串，蛋白序列壓成 token，譜圖展平成向量，然后交由語言模型統(tǒng)一處理。

這一路徑在很多任務(wù)上確實帶來了可觀進(jìn)展，但在嚴(yán)肅科研中，這條路線開始暴露硬傷：當(dāng)三維結(jié)構(gòu)被壓成一維序列時，其空間結(jié)構(gòu)信息已經(jīng)損失，模型學(xué)到的，很可能只是「像科學(xué)的文本」，而不是科學(xué)本身。

但科研里，恰恰不能丟的是空間關(guān)系與物理約束。

基于這一判斷，「大圣」體系的第一塊基石，并不是更大的語言模型，而是一個面向科學(xué)原生數(shù)據(jù)構(gòu)建的多模態(tài)基礎(chǔ)模型：「神珍」。

它試圖解決的核心問題可以概括為一句話：讓模型直接在科學(xué)模態(tài)空間里思考，而不是繞道語言。

在架構(gòu)設(shè)計上，「神珍」采用了三點關(guān)鍵策略：

• 支持結(jié)構(gòu)、序列、場信息的原生輸入。
• 輸出直接對齊科學(xué)結(jié)果形式。
• 在系統(tǒng)內(nèi)部實現(xiàn)多種模態(tài)科學(xué) token 對齊（包括語言模態(tài)）。

簡單說，自然語言更多負(fù)責(zé)調(diào)度，而深度的推理盡量留在科學(xué)表示空間完成。

從公開結(jié)果看，這一路線已給出早期信號：在 ncRNA 分類任務(wù)中準(zhǔn)確率達(dá) 96.3%，在 RNA Switch 生成任務(wù)中設(shè)計精準(zhǔn)度約 90%+，并完成 Toehold Switch 的實驗閉環(huán)。

這些結(jié)果的意義不只在于指標(biāo)本身。更關(guān)鍵的是，它們驗證了一件事：當(dāng)模型不再被限制在文本空間時，AI4S 的能力上限開始被重新打開。

行動：從 Tools 到科研級 Skills

看懂只是第一步?？蒲幸痪€更現(xiàn)實的問題是：AI 能不能把事穩(wěn)定做成？

這正是許多科研團(tuán)隊在過去最真實的落差來源：工具很多，但它們之間彼此依賴復(fù)雜，真正「能自動化跑通全部流程」的能力并不多。

星河啟智給出的答案，是把 Tools 升級成科研級 Skills。

兩者差別的本質(zhì)是：Tool 類似于固化的函數(shù) / 工具調(diào)用；而 Skill 本質(zhì)上是一種可被 AI 理解且能自適應(yīng)調(diào)整 / 調(diào)度的基礎(chǔ)能力。

具體而言，一個完整 Skill 除了包含一個工具外，通常需要內(nèi)含：標(biāo)準(zhǔn)化輸入輸出約定、工具調(diào)用邏輯、以及超參數(shù)的含義及范圍等等。換句話說，從 TOOL 到 SKILL 更像從「各司其職的手工作坊」到「環(huán)環(huán)相扣的車間流水線」的變化。

從工程角度看，把 AI 能力封裝成科研級 Skills，至少要同時跨過三道隱形門檻：

• 遵循學(xué)科的基本規(guī)律和邏輯。
• 路徑必須被真實場景驗證過。
• 結(jié)果上可評估、可復(fù)現(xiàn)、可驗證。

也正因此，程遠(yuǎn)在采訪中強(qiáng)調(diào)，「大圣」的 Skills 體系是圍繞真實科研流程一點點沉淀出來的，而不是從通用 Agent 生態(tài)直接遷移。

在系統(tǒng)層，「大圣」將這些能力模塊化為可調(diào)度 Skills，并交由多智能體按需編排：拆解科研任務(wù)路徑 → 匹配可用 Skills 組合 → 調(diào)度算力與模型資源 → 并行推進(jìn)子任務(wù) → 根據(jù)中間結(jié)果動態(tài)調(diào)整路線。

截至目前，平臺已沉淀300+ 可復(fù)用科研 Skills，覆蓋四大學(xué)科群與 20 余類科研場景，并已在部分真實項目中實現(xiàn)規(guī)模化應(yīng)用。

值得注意的是，過去 7 個月間，星河啟智平臺模型與工具數(shù)量實現(xiàn)翻倍增長，入駐科研團(tuán)隊增長達(dá) 1200%，顯示出科學(xué)智能生態(tài)正在進(jìn)入加速擴(kuò)張階段。

從一些早期落地案例看，這套體系已經(jīng)開始體現(xiàn)出產(chǎn)業(yè)價值：例如在新型補(bǔ)鋰劑分子研發(fā)等任務(wù)中，相關(guān)流程實現(xiàn)了千萬級直接轉(zhuǎn)化，并吸引了進(jìn)一步資本投入。同時在人文社科領(lǐng)域，通過構(gòu)建首個萬題級早期中華文明評測集，并在此基礎(chǔ)上打造多個學(xué)科智能體，有效賦能了人文社科研究與通識教育。

視頻鏈接：https://mp.weixin.qq.com/s/o1EzduR-wWGjXGJSGvwGOw

如果回到更宏觀的視角，「大圣」真正試圖接管的，不是「工具調(diào)用」，而是科研中的系統(tǒng)性重復(fù)勞動。

記憶：科研不是一輪對話

當(dāng)系統(tǒng)真正進(jìn)入科研深水區(qū)，一個更隱蔽但更致命的問題會浮現(xiàn)出來：它能不能記得住整個研究過程？

這是通用 Agent 在科研場景中最容易被低估、卻最先暴露瓶頸的一環(huán)。

與短鏈路任務(wù)不同，科研天然是跨月甚至跨年的連續(xù)演進(jìn)，伴隨多假設(shè)并行探索和大量失敗路徑回滾。傳統(tǒng)對話式記憶很難承載這種項目級復(fù)雜度。

更關(guān)鍵的是，一旦進(jìn)入多智能體并行科研，傳統(tǒng)記憶方案會迅速暴露結(jié)構(gòu)性問題：假設(shè)互相污染、失敗經(jīng)驗難沉淀、歷史難以結(jié)構(gòu)引用、長期認(rèn)知容易漂移。

換句話說，問題已經(jīng)不是「記不記得住」，而是：如何治理一整個不斷分叉、生長、回滾的科研認(rèn)知樹。

「大圣」的選擇是借鑒軟件開發(fā)中 Git 版本的管理思想，引入多分支群體記憶架構(gòu)，其核心可以概括為三點：

• 精準(zhǔn)長期記憶（避免認(rèn)知坍塌，實現(xiàn)記憶回滾）：以成熟理論為主干認(rèn)知，完整留存多路徑演進(jìn)軌跡，確保長周期科研認(rèn)知不漂移、不遺忘，并支持隨時溯源與路徑回滾。
• 多主體保護(hù)（共識與非共識雙向保護(hù)）：每條創(chuàng)新假設(shè)在獨(dú)立分支并行演進(jìn)，實現(xiàn)記憶與數(shù)據(jù)的安全隔離；既穩(wěn)固已驗證的共識基線，又讓非共識觀點能在獨(dú)立空間中完成從計算到驗證的孵化。
• 優(yōu)勢認(rèn)知整合（沉淀成功經(jīng)驗，吸收失敗教訓(xùn)）：失敗分支完整保留全過程的探索經(jīng)驗與優(yōu)勢認(rèn)知，結(jié)合其他分支啟發(fā)新方向；成功經(jīng)驗則通過可控合并機(jī)制融入主干，實現(xiàn)群體認(rèn)知的持續(xù)升級與跨場景復(fù)用。

這種設(shè)計，本質(zhì)上是把科研過程從「對話歷史」，升級成了可治理的群體認(rèn)知系統(tǒng)。

團(tuán)隊的目標(biāo)很明確：讓科研過程第一次具備類似軟件工程的屬性：可追溯、可回滾、可復(fù)用、可演進(jìn)。

該架構(gòu)已在上海市科學(xué)智能百團(tuán)百項超寬禁帶半導(dǎo)體研發(fā)項目中落地驗證，支撐十余個專業(yè)智能體有序協(xié)同與多路徑并行探索。

驗證：讓模型全面鏈接物理世界，上天入體

對 AI4S 來說，檢驗其能否真正落地的黃金標(biāo)準(zhǔn)之一是：能不能回到物理世界被驗證。

這幾乎是所有科學(xué)智能系統(tǒng)共同面對的「物理現(xiàn)實」，模型可以在云端秒級生成上萬候選，但濕實驗的驗證成本始終難以壓縮。

在采訪中，程遠(yuǎn)也明確指出，科學(xué)智能如果停留在「云上跑通」，其價值是有限的；只有當(dāng) AI 模型的預(yù)測結(jié)果能夠被物理實驗持續(xù)校準(zhǔn)，系統(tǒng)才可能形成真正可靠的科學(xué)認(rèn)知閉環(huán)。

這正是「大圣」在第四層能力上重點補(bǔ)齊的一環(huán)。為此，「大圣」把計算與實驗拉進(jìn)同一條閉環(huán)：模型云端高通量預(yù)測 → 智能化濕實驗 → 數(shù)據(jù)回流 → 模型強(qiáng)化更新。

整個過程盡可能減少人工串行等待，將原本割裂的計算的軟階段與實驗的硬階段壓縮進(jìn)同一條可迭代流程中，形成軟硬一體的科學(xué)智能閉環(huán)，讓 AI 在真實物理世界的不斷反饋里持續(xù)進(jìn)化。

經(jīng)過團(tuán)隊驗證，這套自動化編排已將上智院的部分科研流程效率提升約 3 倍，并顯著減少無效實驗。

更進(jìn)一步，「大圣」在驗證層的野心并不只停留在單一實驗室自動化，而是提出了一套更完整的科學(xué)全域覆蓋，團(tuán)隊稱之為「上天入體」：一頭深入生命科學(xué)實驗體系（如 siRNA 設(shè)計提升成功率、減少無效濕實驗），一頭延伸到地球 / 太空觀測，用實時數(shù)據(jù)持續(xù)修正模型。

目前，上智院已與復(fù)旦大學(xué)、之江實驗室完成「空地數(shù)據(jù)互聯(lián) - 伏羲模型上天 - 星上計算」閉環(huán)鏈路驗證，并在軌運(yùn)行一個月，接下來計劃與業(yè)界伙伴合作共建 AI 氣象星座。

這一步的象征意義很明確：AI4S 不再只是「在電腦里做科學(xué)」，而是開始系統(tǒng)性接入真實世界。

當(dāng)認(rèn)知、行動、記憶與驗證四層逐步閉合，「大圣」指向的，也不再只是一次模型升級，而更像是一種面向科研流程的操作系統(tǒng)級躍遷。

「Scientists in the loop」不是口號

當(dāng)然，程遠(yuǎn)在采訪中也反復(fù)強(qiáng)調(diào)一點：自動化 ≠ 無人化。尤其是在異常數(shù)據(jù)、新規(guī)律跡象或關(guān)鍵路徑選擇出現(xiàn)時，系統(tǒng)會主動觸發(fā)科學(xué)家介入審核。

這種設(shè)計背后的判斷非?？酥?，也非?，F(xiàn)實：AI 適合高通量探索、AI 擅長重復(fù)勞動、AI 可以加速收斂。

但真正的科學(xué)洞察、異常意義判斷以及研究方向轉(zhuǎn)向，仍然需要人類科學(xué)家在環(huán)。

它重新劃分了一種更清晰的協(xié)作邊界：AI 負(fù)責(zé)規(guī)?；剿髋c執(zhí)行，科學(xué)家負(fù)責(zé)關(guān)鍵判斷與最終把關(guān)。

也正是在這個意義上，「大圣」被團(tuán)隊比喻為科研取經(jīng)路上的「孫行者」：不是替代唐僧，而是作為具備高能動性的超級合伙人，它不僅擁有強(qiáng)大的執(zhí)行力，更具備中心化決策與推理能力，能夠調(diào)度多智能體協(xié)同執(zhí)行。

這套高能動性恰恰源自「大圣」嚴(yán)密的系統(tǒng)級專業(yè)底座：以科學(xué)多模態(tài)基礎(chǔ)模型為「大腦」保障推理，以驗證過的科學(xué) Skills 為「法器」執(zhí)行任務(wù)，以多智能體的群體記憶為「識海」支撐長周期研究，最終通過「上天入地」的自驅(qū)動實驗室全面鏈接并驗證物理世界，形成科研閉環(huán)。

為什么這不是一夜能復(fù)制的？

當(dāng)一個科研智能體開始深入接管流程、調(diào)用算力、觸達(dá)實驗，問題就不再是「能力夠不夠強(qiáng)」，而是：科研機(jī)構(gòu)，敢不敢把關(guān)鍵任務(wù)交給它。

這在 AI4S 領(lǐng)域尤為敏感。

與通用辦公不同，科研數(shù)據(jù)天然高敏：未公開實驗結(jié)果、核心配方、臨床數(shù)據(jù)、潛在知識產(chǎn)權(quán)，每一項都對應(yīng)真實風(fēng)險成本。

在采訪中，程遠(yuǎn)提到，很多企業(yè)和高校最初的顧慮并不在模型性能，而在一個更基礎(chǔ)的問題：數(shù)據(jù)一旦進(jìn)入系統(tǒng)，是否還可控？

給高能動性的「大圣」套上「金箍」

隨著智能體從被動問答走向主動執(zhí)行，風(fēng)險模型也在發(fā)生變化。

過去的大模型，大多數(shù)風(fēng)險集中在「說錯話」；而高能動性科研智能體，一旦具備任務(wù)調(diào)度與實驗編排能力，風(fēng)險迅速外溢：是否會越權(quán)訪問數(shù)據(jù)？是否會誤觸高成本實驗？是否會造成知識資產(chǎn)泄露？是否能完整追溯決策路徑？

為此，「大圣」在系統(tǒng)層引入了一套可信計算與安全協(xié)作機(jī)制，核心思路很直接：

• 數(shù)據(jù)不外流：原始數(shù)據(jù)盡量留在本域處理。
• 能力可審計：所有 Agent 調(diào)用全程可追溯。
• 環(huán)境可試錯：提供 Sandbox 支持隔離驗證。

用團(tuán)隊的話說，就是給越來越強(qiáng)的「大圣」，先戴好金箍、配上緊箍咒，再放它上場。

跨組織協(xié)作，信任如何被生產(chǎn)

一旦進(jìn)入真實科研協(xié)作，問題會進(jìn)一步復(fù)雜。很多前沿研究本質(zhì)上是跨機(jī)構(gòu)、跨企業(yè)完成的，瓶頸往往不在技術(shù)，而在信任邊界。

對此，星河啟智補(bǔ)了兩層基礎(chǔ)設(shè)施：

• A2A（Agent-to-Agent）服務(wù)化協(xié)作：合作方以 Agent 服務(wù)形式提供能力，實現(xiàn)「能力可用、數(shù)據(jù)不出域」。
• Agent on Chain 可確權(quán)記錄：關(guān)鍵任務(wù)拆解與執(zhí)行軌跡上鏈存證，讓協(xié)作過程可驗證、可追責(zé)。

這一步的指向已經(jīng)很明確：當(dāng)科研進(jìn)入多智能體時代，信任必須被系統(tǒng)化生產(chǎn)。

更難復(fù)制的，其實是「真實科研飛輪」

真正拉開差距的，往往是另一層更慢變量的積累：真實科研生態(tài)綁定。

截至目前，星河啟智平臺已沉淀：400+ 科學(xué)模型與工具；22PB 高價值數(shù)據(jù)資產(chǎn)；上千科研團(tuán)隊協(xié)作網(wǎng)絡(luò)。

這些資產(chǎn)并不是簡單堆疊出來的，而是在真實科研任務(wù)中反復(fù)打磨形成的能力網(wǎng)絡(luò)。

模型能力可以被快速追趕，但深度嵌入科研流程的系統(tǒng)與生態(tài)，很難一夜復(fù)制。

結(jié)語：

跨越工具屬性，

重構(gòu)科研生產(chǎn)關(guān)系

在發(fā)布會上，立足星河啟智平臺，上智院和復(fù)旦同步發(fā)起了第四屆世界科學(xué)智能大賽的創(chuàng)新賽道——AI4S 智能體 CNS 挑戰(zhàn)賽，將目標(biāo)直指一項前所未有的硬核考驗：要求智能體在完全無人工干預(yù)的條件下，跑通頂刊級科研閉環(huán)。

如果說過去兩年的 AI4S 競爭還主要停留在「模型能力」層，那么以「大圣」為代表的新一代科研智能體，正在把競爭維度推向更重的系統(tǒng)層與基礎(chǔ)設(shè)施層。

當(dāng) AI 第一次被要求在零干預(yù)條件下跑通頂刊級科研閉環(huán)，人類在科研體系中的位置，是否正在被重新定義？

從采訪釋放出的信號來看，團(tuán)隊的判斷相當(dāng)克制。他們依然反復(fù)強(qiáng)調(diào)一個前提：Scientists in the loop 是結(jié)構(gòu)設(shè)計，而不是過渡方案。

但技術(shù)演進(jìn)的張力，恰恰也正在這里悄然積累。

一方面，具備長周期記憶、多智能體協(xié)同與干濕閉環(huán)能力的系統(tǒng)，正在系統(tǒng)性吞噬科研流程中的重復(fù)勞動；另一方面，人類科學(xué)家的角色，也在從「親自完成每一步」，緩慢轉(zhuǎn)向「定義問題與最終裁決」。

這或許意味著，AI4S 正在從一場工具層面的效率革命，悄然邁入一次更深層的變革：科研生產(chǎn)關(guān)系的重排。

如果這一路線持續(xù)推進(jìn)，那么未來驅(qū)動前沿突破的核心引擎，或許將演變?yōu)橐环N全新的深度共生關(guān)系：具備頂層洞察力的科學(xué)家，加持一套不斷進(jìn)化的系統(tǒng)級高能動性科研智能體。

而「大圣」，則是這場長周期變化中，剛剛顯形的一個早期信號。