图片来源：北京戴纳实验科技股份有限公司官方网站
过去的科研，是科学家跟自然的一场“消耗战”。爱迪生试过1000多种灯丝，居里夫人从几吨沥青矿里提炼出零点几克镭。而今天，在北京一些先进的“AI4S”（AI for Science，人工智能赋能科学研究）实验室中，人工智能和机械臂接过了这些烦琐的任务，正在自动记录数据，总结和发现新的科学规律。
这里的AI不只回答问题，还提出问题；不只消化数据，还生产数据，而最终目的，是加速科学发现，定义产业未来。
在《北京市加快推进人工智能赋能科学研究实施方案（2026—2028年）》刚刚发布的当口儿，新京报贝壳财经记者走进北京“AI4S”实验室现场，发现AI不再只是聊天工具，而是已经“上岗”当起了科学家。记者通过现场走访发现，北京正在押注的“AI4S”，是一场比效率革命更深一层的科研范式变革。
“AI科学家”是如何“动手”做实验的
7月2日，新京报贝壳财经记者来到了北京某AI自主实验室，现场体验了“AI科学家”是如何“动手”做实验的。
进入实验室内，记者发现室内被若干个全封闭的“实验台”柜体占满，仅留下了约供一人行走的通道，研究人员表示，这是因为实验完全自动，所以“只需要一个人就够”。
具体来看，“实验台”柜体正面是一整块密封的透明玻璃，像一个巨大的展示柜，顶部灯带把舱内照得雪亮，可以看到烧杯、试管等实验设备一应俱全，但里面并没有研究人员，取代人类进行操作的，是一个不断运转，有半人高的机械臂。
当贝壳财经记者走近“实验台”柜体时，发现机械臂正在吸取移液枪头，就像一个正在穿绣花针的纺织女工，穿针（取枪头）时很慢，但“装配”上枪头后，立刻行云流水般开始了下一个动作——机械臂把移液枪头精准地伸到了另一侧的棕色试剂瓶上方吸液，之后再把吸取好的液体转移到样品瓶里。贝壳财经记者发现，该机械臂没有普通工业机械臂那种生硬的顿挫，动作平稳丝滑，整个过程几乎看不出液面的晃动。
负责实验设计的研究人员告诉贝壳财经记者，眼前所看到的是传导液的配制流程，“大概20到30秒就能配一瓶，如果换成人手来操作，相比标准化机械臂操作是存在误差的，这种标准化操作对于AI4S的数据收集来说至关重要。”
比效率更关键的，是这套系统的产出方式。研究人员告诉贝壳财经记者，系统会在实验过程中找到材料与性能之间的对应关系。
他把这个实验室的产出概括为三层：通过实验让AI能够自主发现基础科学规律；实现新材料创制，通过高质量数据反哺模型，让模型创造新知识；以及端到端的逆向设计，全流程兼容适配，直接得到能上应用验证的结果。
研究人员用一句话概括了对“AI科学家”的期待，“过去是人类给AI灌输知识，把AI当工具用，未来我们想做到AI反过来教人类。”
从“磐石”到大科学装置：北京为什么能在AI4S上跑得更快
中国科学院自动化研究所研究员李林静接受记者采访。新京报贝壳财经记者罗亦丹/摄
如果说具体领域自主实验室的研究领域垂直且“专”，那么中国科学院自动化所的磐石·科学基础大模型就更加基础和泛化，其目的是为所有学科提供AI的“底座”。
7月2日，贝壳财经记者走进中国科学院自动化所，看到墙上贴着“集中力量，形成拳头，进行突破”的标语。
磐石·科学基础大模型研发骨干，中国科学院自动化研究所研究员李林静对贝壳财经记者表示，团队并没有从头训练一个像豆包、千问那样的通用大模型，而是选择了两条腿走路。1.0版本是在开源通用大模型的基础上，用科学数据和文献做继续后训练；正在推进的2.0版本则要训练一个全新的模型，把文本和波、谱图、电磁场等科学模态的表示统一成一套词表、一套Token体系。目前“磐石”已经完成8个领域的学科适配训练。
科学大模型和普通问答模型的差别，从对话逻辑上就已显现。李林静对贝壳财经记者表示，通用大模型是一问一答，但科学家在做前沿研究时，很多问题本身就没有现成答案，“科学大模型需要按照科学家的提示，调用各种计算工具、对接实验仪器的数据，一步步往下分析，本质上是和科学家一起共同探索未知的过程。”主交互界面还是文字，但周边配套的窗口能同时跑实验、做分析、展示数学公式与化学式，甚至直接呈现蛋白质三维结构。
科研最忌“幻觉”。李林静对贝壳财经记者表示，团队从两个层面压住模型幻觉——一是用更专业的科学数据训练模型，从模型层面降低幻觉；二是在传统Transformer架构之外，加入专门的逻辑验证模块，如果生成内容不符合科学逻辑就判定错误、重新生成；此外整个科研过程仍是人机交互，人类会全程监督。
加速效果已经开始显现。对于磐石·科学基础大模型面向不同学科的效果，李林静直言，开放性比较强的任务比较适合用大模型；如果是已经定义得很清楚、经典算法已经解决得很好的问题，就没必要用大模型。此外，不太依赖真实实验、以计算为主的领域，使用AI可以带来“几个数量级”的效率提升。而对于AI能否最终完全代替人类科学家这个AI4S领域的“终极问题”，他给出的答案冷静而克制——如果这条路是100米，现在大概只跑了20到30米，但进程会很快。
北京之所以能在这场赛跑中站到前排，原因也藏在李林静的话里。他对贝壳财经记者表示，北京集聚了中国科学院、清华、北大等中国最顶尖的科研机构，大科学装置全国最多，不管是科研人才还是AI人才都是全国最好的。他特别提到，怀柔的大科学设施集群是AI4S最稀缺的“高质量增量数据”来源，比如北京正负电子对撞机一秒钟就能产生1TB的数据。
数据、算力、人才、装置——这四张牌，北京不缺其中任何一张。而当一个城市同时握住这四张牌，它做AI4S的方式，注定不会只满足在跑几个模型、发几篇论文。
从“科学家的工具”到“科研合作伙伴”：一场科研范式的深水区变革
“传统的实验模式是一个不断试错的过程，非常依赖科研人员个人的知识储备、精力和时间。而AI +新材料自主实验室，是完全不同的模式，我们把智能体、模型、数据融合为一体，AI可以自主提出假设、自主设计实验、自主收集数据、自主优化迭代，形成完整的科研闭环。如果说以前实验室是科学家的工具，那么现在的自主实验室，已经成为和科学家一起做科研的合作伙伴。”一名北京AI4S科研团队带头人告诉记者。
他认为，自动化能够提高科研的效率，智能化可以解决实验设计问题，而自进化实验室，能够自主延伸研究方向，“我们这个模式的最终目标，是加速科学发现，定义产业未来。”
那么，AI4S里的“AI”和大众日常所使用的豆包、DeepSeek等最大的区别在哪？
在该带头人看来，AI4S和普通AI应用之间隔着一条鸿沟。他把当下的AI比作“互联网的存量阶段”——DeepSeek、ChatGPT等问答模型跑得很快，但都在消化已有的存量数据，“真正要获得增量知识，就必须和物理世界交互。AI4S的核心模式，就是要和物理端交互来获得增量数据。人工智能已经走完了互联网存量数据的上半场，现在已经进入了与物理世界交互、获得增量知识的下半场。这就是两者最核心的差异。”
这条“下半场”的路径，也和北京最新的政策合上了拍。6月30日，中共北京市委教育科技人才工作领导小组印发《北京市加快推进人工智能赋能科学研究实施方案（2026—2028年）》，从自主实验室建设、标杆场景应用、科学模型构建、科学数据供给、创新生态营造五个方面系统部署，目标是到2028年建成辐射全球的科学智能创新中枢；方案覆盖高能物理、量子科技等基础研究和新材料、医药健康、生命科学、生物育种等六大标杆领域，构建“设施承载、模型驱动、数据支撑、场景牵引、生态保障”的全链条格局。
中国科学院院士、北京科学智能研究院学术委员会主任鄂维南表示，《实施方案》统筹模型、科学数据中心、算力、自主实验室等全链条基础设施，紧扣国家人工智能发展战略，推动各类创新资源协同联动，既能为多领域前沿研究提供完整支撑，也能为全国科学智能基础设施建设提供北京示范。
当前，北京不仅把AI当作产业化的加速器，还把它当作科研范式重构的入口。有专家对贝壳财经记者表示，产业界做的是“今天”的事，应用型研发机构做的是“明天”的事，而高校做的是“后天”的事，北京在AI4S领域布局得比其他城市更多——比起把AI塞进更多商业场景，谁能率先用AI找到新的科学规律、创造新的知识，谁才是在定义下一个十年的赛道。
从北京AI自主实验室里那只20秒配一瓶传导液的机械臂，到中国科学院自动化所墙上“集中力量，形成拳头，进行突破”的标语，再到北京政策文件里的“全链条推进体系”，三个画面指向同一件事：当AI从聊天工具走向实验台，从存量数据走向增量知识，从代替手指走向替科学家提出问题，一场比效率革命更深的变革，正在北京的AI4S实验室里发生。
新京报贝壳财经首席记者 罗亦丹
编辑 岳彩周
校对 穆祥桐