解语樱木

7月17日，2026世界人工智能大会在上海开幕。大会召开之前，一场为期五天五夜的“百题马拉松”直播刚刚结束。上海科学智能研究院牵头建设的“Golab物质科学智能研发工厂”，在不需人员介入的情况下，独立完成了135项真实科研任务，完整打通了科研全流程闭环。

这不是实验室里的小规模演示。团队同时运行了100个干实验任务，并选取部分课题进入自驱动实验室开展真实物理实验。课题覆盖药物发现、催化剂设计、材料研发、电解液筛选等方向。五天运行期间，AI工具调用正确率达到100%。干实验方面，原计划运行102题，实际完成135题，题目总完成率99%。在催化剂优化任务中，系统首轮便将活性提升约15%，第二轮学习后将某项反应活性推升至文献方案的约6倍。

过去一个课题组需要数月才能完成的运算和验证量，如今被压缩到几天内自动执行。

这个“工厂”到底长什么样？

这套系统围绕三个核心要素构建：

作为 “大脑”的是“燧人”物质科学专用大模型。它融合了量子力学与统计热力学双重底层机理，基于超过1亿条第一性原理计算数据训练，在50余种热力学性质预测任务中达到业界最优水平。上智院AI科学家曹风雷打了个比方：“之前的大模型只学到结构信息，相当于大一大二学生能判断结构对不对，但要想做得更好，必须学量子力学、统计力学等研究生甚至博士生阶段的知识。”

作为 “双手”的自驱动实验室一期于今年6月在上海漕河泾建成投运。它首次实现了AI计算与自动化实验设备的零人工介入、直接联动。团队重点攻克了行业公认的难题——合成后处理环节的自动化，比如分离和提纯。近3000平方米的二期实验室已启动建设，计划2027年初在青浦区投入运行。

串联“大脑”和“双手”的是 “浑天绫”技能包。它将算法、数据、算力、实验四类要素标准化为可组合的生产单元。系统自动编排干湿实验完整链路，实验全量数据——包括传统研发中常被丢弃的失败案例与负向数据——被结构化回流至模型。系统还会留存所有失败案例，由大模型分析原因、沉淀为知识，就像人类形成肌肉记忆。

复旦大学校长助理、上海科学智能研究院理事长吴力波在发布会上说，这个AI超级科研工厂将原本分散的计算数据、科学仪器与实验能力整合打通，构建成一套可协同、可复用的公共科研能力底座。“这种数据驱动模型、模型反哺实验的闭环，打破了学科边界，让高价值科学问题在交叉领域加速涌现。”

[color=rgba(0, 0, 0, 0.9)]

为什么这件事值得关注？它不只是技术演示，更是一个产业信号。

长期以来，物质科学研发受困于周期漫长、试错成本高的瓶颈。根据DeepMind公司材料探索图形网络模型的数据，在模型预测的38万种稳定材料中，仅有736种完成实验验证，验证率不足0.2%。AI虽然能单日产生海量预测，却需要人类用10年甚至更长时间才能完成全面验证。问题根源在于，AI的介入往往是单点式的——能计算不一定能做实验，能预测不一定能合成。

上智院AI科学家曹风雷总结了当前AI科研的三大痛点：

第一，只有结构，没有机理。 多数科学模型仅能输出分子结构，却无法解释背后的物理化学机制。“只停留在表观结构层面，回答不了‘为什么’，模型就无法判断真正的优化方向。”

第二，只有设计，没有合成。 多数AI只能完成虚拟设计，但无法衔接真实合成环节。合成是物质研发的核心瓶颈，传统工艺高度依赖人工操作，导致大量优质AI设计方案无法落地。

第三，只有单点，没有全流程。 科研设备逐步实现了自动化，但整体科研链路仍靠人工拼接。单点智能无法串联成体系智能，无法形成“设计-制备-测试-学习”的闭环。

Golab工厂的突破在于，它同时解决了这三个问题。它让AI从一个“只会出主意的参谋”，变成了“既能想方案又能动手干”的全能选手。

这正是全球AI产业正在发生的一个深层变化。“计算—执行—反馈—迭代”的技术闭环，正在成为全球科技公司从技术验证走向商业落地的共识路径。特斯拉靠全球数百万辆车构建真实路况数据闭环；宇树科技打通“真机采集—模型训练—真实部署”完整闭环；Anthropic发布Claude Science，将“基础模型+多智能体+工具编排”方法论平移到科研。科学智能正在复刻自动驾驶和具身智能走过的路——从“能想”到“能干”，从“单点”到“闭环”。

这背后是上海的一盘大棋。

2026年7月7日，就在Golab工厂发布的同一天，上海宣布启动实施科学智能 “百团百项”工程。目标是两年内支持不少于100个科研团队和100个项目，通过强化算力、语料、模型、工具链、干湿实验室等共性要素供给，提升“从0到10乃至100”的创新转化效率。项目申报通知明确要求，团队须由AI科学家、领域科学家、工程师三类人才共同组成——这已经打破了传统单一学科团队的组织边界。

上海科学智能研究院成立于2023年9月，是上海市统筹布局的重要科技创新平台。近三年时间，从成立研究院到发布国内首个零人工介入的超级科研工厂，上海在科学智能这条赛道上跑出了自己的节奏。

[color=rgba(0, 0, 0, 0.9)]

对行业来说，这件事可能意味着什么？

最直接的影响是科研效率的量级提升。王雯莉是上智院研究员、格物智研联合创始人。她回忆起自己硕士期间的日常感慨：“大量时间都在等待，只能看看文献或者做些无关的事，无形中浪费了很多时间。”在传统科研模式下，实验人员的大量时间被重复性操作挤占。而Golab工厂要做的是让 “科学家只需要提出一个idea，从模型设计、实验方案生成、实验执行到数据回流，整个流程都可以自动完成。”

更深层的影响是科研组织方式的变化。曹风雷表示，这套体系正在探索面向科学智能的 “OPC模式”（One Person Company，一人公司） 。一位科学家或一个小团队，就可以承担从前端研发到实验验证的完整科研闭环。在传统模式下，跨领域研究的门槛极高；而在这套体系里，跨领域迁移的门槛大幅下降。

目前，这套体系已在生物医药、能源材料、日用化工等多个行业方向开展验证性应用。在生物医药领域，团队与药企合作优化药物选择性，仅用半年就将靶点选择性从7倍提升至1600多倍；针对难成药靶点，筛选候选分子的速度从数月变成了一两天；在新能源领域，电解质研发项目短时间内就让电池使用寿命提升数倍。

当然，挑战也很现实。这套体系的适用范围目前仍聚焦物质科学领域。从“能跑通”到“能普及”，从“特定场景”到“通用能力”，还有很长的路要走。但方向已经清晰——科研正在从“人驱动”加速转向“智能驱动”

版权声明

“特别声明：以上作品内容(包括在内的视频、图片或音频)为用户上传并发布，本平台仅提供信息存储空间服务。 Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user , the platform merely provides information storage space services.”

本文地址: https://www.amtbbs.org/thread-18346-1-1.html