深势科技让AI直接跑科研

深势科技近期推出面向科学研究的 AI 科研工作台，试图把科研从“人找文献、写代码、配环境、跑实验、整理结果”的分散流程，改造成由 Agent 统筹执行的连续工作流。

**AI 科研工作台是将文献理解、科学计算、实验规划和实验执行整合到同一环境中的科研智能体平台。**在这个平台里，科学家不再需要先决定该查哪些数据库、调用哪个模拟软件、如何编写任务脚本，而是可以直接描述研究问题，再由 AI 拆解目标、检索资料、选择工具、执行计算，并在需要时连接实验资源。

这不是又一个“帮你总结论文”的聊天机器人。深势科技真正想解决的，是 AI for Science（AI4S）长期卡住的下一步：让模型不仅能读懂科学知识、预测分子性质或生成实验方案，还能把方案变成可执行的计算任务和实验任务，最终拿到真实反馈。

从“回答问题”转向“完成任务”

**传统科研软件是工具集合，Agent 化科研工作台则是以研究目标为入口的任务系统。**两者的差异，不在于界面是否加入了一个聊天框，而在于 AI 是否能够跨越多个工具完成一条可追踪的工作链路。

过去，一位研究人员要研究某种新型电池材料，通常需要先搜索论文和专利，确认候选材料及合成路线；随后整理结构、反应条件和已有实验数据，再调用分子模拟、量子化学或材料计算工具；得到候选结果后，还要手动制定实验方案、安排仪器、填写实验记录，最后将结果重新整理回数据库。

每一步看起来都不难，但中间存在大量隐性工作：论文里的结构式可能是一张图片，实验条件散落在补充材料中，计算软件依赖特定版本，参数需要手工转换，不同实验设备的数据格式也不一致。科研人员真正花时间的地方，往往不是提出假设，而是把假设翻译成机器和实验室都能执行的指令。

深势科技此次推出的工作台，核心思路是让 Agent 接管这层“翻译和编排”。用户可以给出一个相对高层的问题，例如筛选满足某些性能约束的分子、比较不同催化剂体系，或者寻找某一类材料的合成路径。系统再将问题拆成多个子任务，分别连接文献资源、科学模型、计算节点和实验设备。

这里的关键变化是：科研 Agent 是能够调用科学工具、处理中间结果并根据反馈调整下一步动作的智能体，而不是只生成文字答案的对话模型。

“读、算、做”被放到同一条链路上

深势科技将这套能力概括为“读—算—做”三部分。它们分别对应科学知识获取、计算推演和真实或自动化实验执行。

读：从搜索论文到提取可计算知识

**AI 科研中的“读”是把论文、专利和实验记录转换成结构化、可调用的科学知识。**这一步并不等同于普通的全文问答。

普通问答可以回答“这篇论文研究了什么”，但科研任务往往需要更细的内容：作者究竟使用了哪种前驱体，浓度和温度是多少，反应持续了多长时间，图表中的性能数据对应什么样品，某个分子结构如何转换成计算模型。对于 AI 来说，这些信息不仅要被找出来，还必须和化学式、分子结构、反应条件、实验步骤等对象建立关联。

深势科技此前已经围绕科研文献、分子信息和科学资源推出玻尔相关产品，并积累了面向不同学科的知识组织能力。此次工作台的方向，是进一步让这些“可检索知识”进入后续的计算与实验环节，而不是停留在搜索结果页。

这也是 AI4S 产品和通用 AI 搜索之间的分界线。通用搜索的终点是给用户一组答案，科研工作台的终点则应该是生成下一步可以执行的任务，并且能够说明依据来自哪篇文献、哪个数据集或哪个模型。

算：让模型选择并运行科学工具

**科学计算是利用数值模拟、机器学习模型或专业软件，对候选假设进行定量验证的过程。**在 Agent 化工作流里，AI 不只负责推荐一个模型，还要判断什么问题适合用什么工具，以及如何配置运行环境。

深势科技已经推出多个 AI4S 模型，包括面向物理世界的 DPA 分子模拟大模型、面向化学世界的 Uni-Mol 3D 分子构象模型，以及面向生物领域的 Uni-RNA 核酸结构模型。这些模型可以承担性质预测、结构建模、分子构象分析等任务，但单个模型并不能覆盖完整科研流程。

例如，候选分子筛选可能需要先用机器学习模型进行高通量预测，再用更高精度的量子化学方法复核，之后还要评估合成可行性和实验成本。一个能够工作的 Agent，必须知道什么时候追求速度，什么时候切换到精度更高但成本更高的计算；还要能处理计算失败、参数不收敛、输入结构不合法等现实问题。

这部分也是深势科技此前推进科学软件自动部署工作的基础。科学软件的难点通常不只是“有没有代码”，而是依赖是否完整、运行环境是否一致、输入输出格式是否明确，以及换一台机器后能否复现。对于普通用户来说，装好软件已经是门槛；对于 Agent 来说，如果工具不能稳定执行，所谓自动规划就只能停留在文本层面。

据深势科技此前公开介绍，其 Deploy-Master 方向围绕科学软件的发现、环境构建和执行验证展开，覆盖 91 个科学与工程领域，并对超过 5 万个工具进行自动化部署验证。这个数字的意义不在于工具越多越好，而在于为 Agent 建立一层“可执行工具底座”：模型知道的不只是某个软件的名字，还知道它是否真的能运行、需要什么输入，以及输出如何被下一步任务接收。

做：把计算结果推向实验室

**科研流程中的“做”是将 AI 生成的假设或方案转化为可操作的实验步骤，并通过真实实验获得反馈。**这通常是 AI4S 最难打通的一环。

计算结果可以快速复制，实验却受到材料、设备、人员、环境和安全规范的共同影响。一个看起来合理的合成路线，可能因为试剂不可得、设备不支持、操作窗口过窄或步骤风险过高而无法执行。因此，实验 Agent 不能只生成一份漂亮的实验 protocol，还需要理解实验室的资源约束，并对步骤进行校验、排程和记录。

深势科技在公开产品体系中已经布局 Uni-Lab 等实验室集成能力，用于连接软硬件实验资源、管理科研任务和调度异构计算节点。此次 AI 工作台的价值，正在于把这些能力从相互独立的产品模块，进一步组织成面向研究目标的流程。

在理想状态下，系统可以完成这样的闭环：先从文献中找出已有路线，再结合用户约束筛选候选方案；随后调用科学模型预测关键性质，使用计算工具缩小范围；接着根据实验室现有设备和试剂生成执行计划；实验完成后自动读取仪器数据，判断结果是否支持原假设，并决定下一轮是调整参数、替换候选物，还是回到文献重新寻找解释。

这才是“科学家只管提问题，AI 负责跑实验”这句话真正对应的技术含义。它并不意味着人类科学家被完全移出流程，而是把人的主要工作从重复性操作转移到问题定义、假设判断、关键节点审核和结果解释上。

深势科技的优势：不是单一模型，而是系统集成

**AI4S 平台的竞争力不只取决于模型参数规模，更取决于模型、工具、数据和实验反馈能否形成闭环。**这是深势科技与单纯模型厂商、通用办公 Agent 的主要区别。

| 对比维度 | 通用 AI 助手 | 单一 AI4S 模型 | 深势科技 AI 科研工作台 | |---|---|---|---| | 主要入口 | 自然语言对话 | 特定预测或模拟任务 | 科研问题与项目任务 | | 文献能力 | 摘要、问答、检索 | 通常不是核心能力 | 文献、专利、结构与实验条件抽取 | | 科学计算 | 依赖用户手动调用工具 | 聚焦单一模型或学科 | 编排模型、模拟软件与计算资源 | | 实验连接 | 基本不具备 | 通常不具备 | 面向实验室资源和任务流程集成 | | 反馈机制 | 对话上下文 | 输入输出闭环 | 计算结果、实验结果回流任务链 | | 可复现性 | 依赖用户自行整理 | 取决于工具实现 | 强调环境、参数、任务和结果记录 |

深势科技的产品矩阵覆盖科学导航、科学计算、药物研发、实验室集成和科学智能体。公司此前也将“玻尔科研空间站”和 SciMaster 定位为贯穿文献研究、科学计算及干湿实验的科研平台和助手。从这条路线看，新工作台并不是突然增加一个产品，而是把已有模型和工具进一步向统一入口、统一任务流推进。

这条路线的正确性在于，科研本来就不是单模型问题。AlphaFold 类模型可以解决结构预测，分子模拟模型可以提高计算效率，语言模型可以帮助理解论文，但如果它们之间没有任务状态、数据格式和实验反馈的连接，研究人员仍然需要手工做“胶水工作”。AI 科研工作台要做的，正是把这些胶水工作产品化。

真正的瓶颈：Agent 能不能对结果负责

不过，工作台把流程串起来，并不意味着科研自动化已经完成。科研 Agent 的最大挑战不是提出一个看似合理的方案，而是让每个结论都能追溯、验证并在失败后定位原因。

第一是科学事实的可靠性。文献解析可能出现单位识别错误、结构式映射错误或上下文误读。一个普通聊天场景中的小错误，到了药物合成或材料实验中，可能直接导致数天时间和昂贵试剂的损失。因此，系统需要给出来源、置信度和关键证据，而不是只输出一段流畅说明。

第二是工具调用的可靠性。科学软件常常存在版本依赖、输入格式复杂、运行时间长和结果不稳定等问题。Agent 必须具备任务重试、错误诊断、参数记录和资源调度能力，不能把“程序报错”简单转写成一句“请稍后重试”。

第三是实验安全与权限管理。涉及化学、生物和高能设备的任务，不可能完全交给一个无约束的自动 Agent。哪些步骤可以自动执行，哪些步骤必须由专业人员确认，哪些试剂和参数需要触发安全审查，都应该在产品层面固化下来。

第四是结果评价。实验成功不等于假设成立，实验失败也不一定意味着路线错误。Agent 需要区分仪器异常、样品制备问题、环境扰动和真正的科学反例，否则它可能在错误方向上不断自我强化。

因此，深势科技这次发布更像是科研基础设施的一次升级，而不是“AI 科学家已经独立发现新规律”的终局演示。它最现实的价值，是把研究人员每天反复进行的资料整理、任务配置、工具调用和结果归档，变成可标准化、可审计、可复用的系统能力。

对科研人员意味着什么

**AI 科研工作台首先会改变科研工作的分工，而不是立刻取代科学家。**在短期内，它最适合三类场景。

• 高通量筛选： 需要同时评估大量分子、材料或参数组合的任务，适合让 Agent 负责候选生成、批量计算和初步排序。
• 文献密集型研究： 涉及跨学科论文、专利和补充材料的方向，可以利用 AI 完成信息归并和证据链整理。
• 流程相对标准化的实验： 已经具备自动化设备、明确操作规范和结构化数据记录的实验室，更容易接入闭环。

对于科学家来说，新的工作方式可能是先提出一个可验证的问题，再设定约束条件和评价指标，让 Agent 生成多条路线；研究人员不必亲自执行每一步，但需要判断哪些假设值得投入真实资源。

这会提高科学家的“问题带宽”，但也会提高对问题定义能力的要求。没有清晰的目标、边界条件和失败判据，Agent 只会更快地产生更多无效结果。换句话说，AI 可以压缩执行成本，却不能替人类决定什么问题值得研究。

这场竞争才刚进入下一阶段

**深势科技此次发布的核心信号，是 AI4S 的竞争正在从“谁的模型更强”转向“谁能把模型接入真实科研流程”。**过去几年，行业重点集中在科学大模型、分子结构预测和文献问答；接下来，工具执行、实验室连接、数据闭环和结果复现会成为更硬的指标。

这也是“读—算—做”模式值得关注的原因。只要 AI 仍然停留在“读”和“算”，它就更像科研副驾驶；只有当实验执行和反馈真正接入，系统才有机会变成科研生产基础设施。深势科技能否把这套工作台从演示流程推进到稳定的真实项目，还要看三件事：接入的实验设备数量、任务执行成功率，以及 AI 方案与人工方案相比能否在时间、成本或命中率上给出可量化收益。

目前，公开资料尚未给出这款工作台在真实实验项目中的统一成功率、任务延迟、单位任务成本或相较人工流程的具体提升幅度。因此，现阶段更适合把它看作一个正在成形的科研 Agent 平台，而不是已经成熟的全自动实验室。

但方向是明确的：科学家不应继续被迫充当文献检索员、环境运维员、脚本搬运工和实验记录员。如果 AI 能够把“提出问题”到“获得可复现证据”的中间环节真正接管，科研人员的时间才有可能重新回到假设、判断和创造本身。

结语

深势科技把 AI 科研工作台推向“从提问到实验执行”的全流程，解决的是 AI4S 落地中最容易被忽略、却最决定成败的一层：系统连接能力。

模型负责理解和推理，工具负责计算，实验室负责验证，平台则负责把四者组织成一条有状态、可追踪、能反馈的任务链。未来衡量这类产品的标准，不会只是回答是否流畅，而是能否稳定调用工具、准确记录证据、处理失败并在真实实验中持续产生有效结果。

这条路还远没有走完，但相比“让 AI 写一份实验方案”，让 AI 真正参与实验执行，显然更接近科研智能化的核心问题。

参考来源

1. 对话深势科技张林峰、孙伟杰：AI for Science，从开始到现在 —— 介绍深势科技在 AI4S、玻尔科研空间站、SciMaster 及“读—算—做”科研闭环方面的产品思路。
2. 深势科技官网公开资料 —— 介绍 DPA、Uni-Mol、Uni-RNA、Uni-Lab、SciMaster 等 AI4S 模型与科研产品布局。由于本文参考来源展示规则限制，未附外部站点链接。