从面向科学的人工智能到智能体科学：自主科学发现综述

摘要：

人工智能（AI）正在重塑科学发现，其角色正从专门的计算工具演化为自主的科研伙伴。我们将**智能体科学（Agentic Science）**定位为“AI for Science”范式中的关键阶段，在这一阶段，AI 系统从部分辅助走向全面的科学自主性。借助大语言模型（LLMs）、多模态系统以及一体化研究平台，智能体化 AI 展现出在假设生成、实验设计、执行、分析与迭代改进等方面的能力——这些行为曾被认为是人类独有的。本综述从生命科学、化学、材料和物理等领域出发，对自主科学发现进行了面向学科的系统性回顾，综合各学科的研究进展与突破。我们通过一个综合框架统一了此前分散的三类视角——过程导向、自主性导向和机制导向——并将其与基础能力、核心过程及领域特定实现联系起来。在该框架的基础上，我们：(i) 追溯 AI for Science 的演进，(ii) 识别支撑科学自主性的五大核心能力，(iii) 将科学发现建模为动态的四阶段工作流，(iv) 回顾其在生命科学、化学、材料科学和物理学中的应用，(v) 综合关键挑战与未来机遇。本研究确立了一个面向学科的自主科学发现综合视角，并将智能体科学定位为推动 AI 驱动科研进步的结构化范式。 关键词： 智能体科学，自主科学发现，自然科学，AI for Science，智能体化 AI，大语言模型

1. 引言

科学发现正经历着一场由人工智能（AI）快速演进所驱动的变革性转变，AI 的角色正在从专门化的工具转向科研合作者。这一进展标志着“AI for Science”范式中的关键阶段，即 AI 系统已从充当面向特定任务的计算“神谕”【121, 306, 339, 42, 87, 281, 351】逐步走向智能体科学（Agentic Science）的兴起（见图 1）【229, 220, 81, 274, 157】。智能体科学指的是“AI for Science”演化中的特定阶段——主要对应图 1 中的第 3 级（完全智能体化发现），其前身是第 2 级（部分智能体化发现）。在这一阶段，AI 作为自主科学智能体，能够独立提出假设、设计并执行实验、解释结果，并以更少的人类依赖性迭代完善理论【229, 22】。这种进展得益于诸如 Intern-Discovery 这样的综合平台（其提供了对多样化 AI 智能体和数据集的访问），以及 Intern-S1 等展现出深度科学推理能力的多模态模型。这一转变受到基础模型（尤其是大语言模型，LLMs）【82, 256, 351】的最新突破所推动。LLMs 在自然语言理解、复杂推理和工具使用方面提供了前所未有的能力【245, 348, 323, 338, 337】，从而催生出能够超越静态学习流程的 AI 智能体。这类智能体不再仅是被动的模型，而是作为动态的、目标驱动的实体，能够自主探索科学方法【311, 89, 178, 358】。从假设生成【307, 209】，到自主实验【22, 317】，再到合成数据集的构建【150】，这些智能体展现出曾被认为仅属于人类的涌现行为。 与现有综述的比较。 尽管该领域发展迅速，但关于如何理解与设计日益自主化的科学系统，目前仍缺乏统一的框架。现有综述大体可分为三类互补视角。过程导向的综述试图将 LLM 的能力映射到经典的 与现有综述的比较。 尽管研究进展迅速，但关于如何理解和设计日益自主的科学系统，仍缺乏统一框架。现有综述可沿三条互补轴线加以归类：过程导向的视角将 LLM 的能力映射到经典研究循环【172, 352, 39】；自主性导向的研究依据系统的主动性与责任划分等级【346, 293】；机制导向的分析则剖析支撑智能体行为的架构基元及其演化角色【220, 331, 81, 274】。尽管这些工作奠定了重要基础，但仍然碎片化——往往将工作流程、自主性分级或体系结构彼此割裂开来单独考察。 我们的贡献。 有别于既有综述分别从过程、自主性或架构单点切入，本文通过图 2 所示的综合框架对上述视角进行统一与拓展，将自主科学发现中的基础能力—核心过程—领域实现贯通起来。我们围绕生命科学、化学、材料与物理四大领域，给出面向学科的自主科学发现综述，系统综合各学科的研究进展与代表性成果。该统一视角将智能体科学从一个抽象阶段提升为贯穿“能力—过程—应用”的结构化研究范式。我们的具体贡献如下： 1. 绘制 AI for Science 的演进图谱。 我们追溯了从“计算神谕”到“自主科研伙伴”的演进，形式化地将智能体科学界定为 AI 系统展现自主性、目标驱动推理与迭代学习的阶段。 1. 科学智能体的“机理解剖”：五大核心能力。 我们识别并分析科学智能体所需的五项基础能力：(i) 推理与规划，(ii) 工具整合，(iii) 记忆机制，(iv) 多智能体协作，以及 (v) 优化与进化。针对每一项能力，我们回顾最前沿的实现（如【169, 25, 189, 32】）与领域特定挑战。 1. 智能体科学的动态工作流：四个核心阶段。 我们将科学发现建模为由智能体驱动的动态四阶段工作流：(i) 观察与假设生成，(ii) 实验规划与执行，(iii) 数据与结果分析，(iv) 综合、验证与进化。我们强调，智能体可以灵活、动态地组合这些阶段以解决复杂科学问题【12, 22, 74, 73】。 1. 跨自然科学的系统综述。 我们在自然科学四大领域（见图 4：生命科学、化学、材料、物理）系统回顾智能体系统，覆盖十余个细分方向，从药物发现【317】到材料设计【113】，展示了智能体科学的广泛适用性与领域特定创新。 1. 挑战与未来机遇。 我们综合该领域面临的主要技术、伦理与哲学挑战——包括可复现性、新发现的验证与人—智能体协作——并提出研究路线图，以引导稳健、可信且具影响力的科学智能体的未来发展。