极悦平台=AI长身体，直接做实验！自主通用科学家，科研界的Scaling Law来了
你能想象未来的诺贝尔奖颁奖典礼上，站在领奖台上的不是人类科学家，而是一个机器人吗？
极悦平台想象一个没有人类研究员的实验室，只有AI系统和机器人不知疲倦地分析数据、设计实验、操作仪器、发现规律、撰写论文，甚至提出改变科学范式的突破性理论。
这不是科幻电影中的场景，而是科学研究可能的未来图景。
近日，来自多伦多大学、意大利技术研究院、清华大学、浙江大学、罗格斯大学、哈佛大学、佐治亚理工学院和伦敦大学学院等国际顶尖研究机构的科学家们发表了一篇前瞻性论文，深入探讨了AI与机器人科学家如何颠覆传统科学研究的范式，并首次提出科学发现可能遵循全新的扩展定律（Scaling Law）。
论文链接：https://arxiv.org/pdf/2503.22444
上图展示了科学发现范式的演化路径，从传统的人类中心研究，到人类与AI/机器人协作的共同科研，再到最终实现的自主通用科学家(Autonomous Generalist Scientist, AGS)。这一演进过程不仅是科研工具的升级，更是科学发现方法论的革命性转变。
随着AGS系统的发展，科学研究将突破两大界限：
物理界限——机器人科学家能够在极端环境（如太空、深海、高辐射区）开展人类无法直接进行的实验；
知识界限——AI能够整合跨学科知识，打破专业壁垒，发现人类难以察觉的关联和规律。
这种科研范式的转变，可能像工业革命之于手工业、计算机之于信息处理一样，从根本上改变科学知识的生产方式和速度。
当AI大脑邂逅机器人躯
虚拟与物理的二元科研世界
当下AI科学家的研究正处于蓬勃发展阶段，但多数都以agent形式存在，主要专注于编程相关的学科，如机器学习研究、生物信息学分析等。这些系统在虚拟世界中展现出色的能力，却无法触碰现实世界。
以DeepMind的AI Scientist和OpenAI的系统为例，它们能够出色地完成数据分析、模式识别、假设生成等任务，有些甚至能够自主设计和执行计算实验。
Lu等人开发的「The AI Scientist」展示了AI系统如何通过大规模预训练和代码生成能力，实现对科学发现的自动化。该系统能够解析问题，生成研究方案，执行计算代码，甚至分析结果并得出结论。
然而，这些AI系统存在明显的局限性。它们主要局限于预定义的计算域内，虽然能执行算法、优化参数和分析数据，但缺乏全面的「计算机使用能力」(computer-using proficiencies)。人类研究者能够流畅地在各种计算环境间切换，而当前的AI系统无法复制这种通用性。它们在导航复杂的科学文献库时显得力不从心，难以应对各种异构接口、认证要求和组织结构。
此外，它们无法有效利用专业科学软件生态系统，包括计算建模环境、分析工具和仿真框架，这些都需要细致的配置和跨平台集成。
AI系统最大的局限在于完全缺乏物理实验能力，这从根本上限制了它们的科学研究范围，排除了大量需要与物理现象直接交互的实证科学领域。
这一限制在生物学、医学和工程学等领域尤为明显，这些领域的研究往往需要手工实验和精确的物理操作。
而另一方面，当前实验室中的机器人大多是为特定任务定制的，灵活性有限。它们可以在特定参数范围内高效运行，但面对实验异常、意外行为或设备故障时往往束手无策。
现有机器人执行的是预定义的程序序列，很少具备实验即兴创新或协议适应的能力。尽管机器人学习领域取得了进展，但现有系统在不同实验环境中的泛化能力仍然有限。
该表清晰地展示了不同科学领域在虚拟与物理操作需求方面的显著差异。从自然科学到社会科学，每个领域都需要虚拟分析和物理实验的结合，但比例各不相同。
以物理学为例，其研究需求涵盖从理论建模（虚拟）到精密仪器操作（物理）；化学研究依赖分子建模和反应预测（虚拟），同时需要实际的合成和表征（物理）；生物学则需要生物信息分析与实验室操作相结合。表中右侧的V/P比例展示了不同学科对计算方法与实验方法的相对依赖程度，这直观地说明了为什么科学研究需要AI与机器人的结合——单一系统无法满足完整科研过程的需求。
这种虚拟与物理操作的双重需求，凸显了将AI代理的认知能力与机器人的物理操作能力结合起来的必要性。
科学研究涵盖虚拟和物理操作的二元景观，两个领域对于全面的科学探索都至关重要。
自主通用科学家（AGS）的架构与运作
面对这一挑战，研究者提出了自主通用科学家（Autonomous Generalist Scientist, AGS）的概念，将AI代理的认知能力与机器人的物理操作能力无缝结合，创建一个能够自主管理整个研究生命周期的系统。
AGS系统由五个核心功能模块组成，通过集成的交互和反思机制增强其能力。如该图所示，这些模块分别为：
文献综述：该模块通过模拟人类与学术数据库和期刊平台的交互，自主进行全面研究分析。与依赖API的系统不同，它能够导航各种数字环境来搜索、访问和管理相关文献，甚至突破订阅障碍。这使AGS能够获取传统AI系统难以接触的最新研究成果。
提案生成：在文献分析之后，该模块制定全面的研究提案，阐明精确的问题陈述、明确的目标和创新假设，以推进该领域的发展。它开发详细的方法论框架和实验方案，为虚拟模拟和物理实施优化，建立明确的研究路线图。
实验执行：这一模块协调研究过程的实验阶段，涵盖精确规划、资源优化和试验执行，跨越虚拟和物理环境。配备先进的机器人和AI技术，系统执行物理操作，收集经验数据，并进行虚拟实验。此外，它通过对实时结果和反馈的持续分析，动态优化实验设计。
论文准备：实验完成后，该模块将发现综合为可发表的手稿。它执行全面的数据分析，解释结果，并制定实质性结论。系统按照标准学术惯例组织文档，并进行内部质量评估，参与同行评审机制，确保学术严谨性和发表准备度。
反思与反馈：该模块超越传统研究工作流，实现系统范围内的持续改进。它在功能组件之间建立通信渠道，实现实时调整，同时整合来自人类合作者和模拟同行评估的外部输入。通过对反馈的系统分析，系统优化假设、方法和实验方法，确保研究对新兴发展保持响应，并最大限度地提高科学产出的最终影响和质量。
AGS的大脑是整个系统的核心，其工作原理如下图所示：
AGS大脑的工作框架包含两个循环系统：外循环和内循环。外循环管理整体任务流程，包括感知环境信息、思考处理、知识学习和行动执行；内循环则负责系统的自我反思与优化。这种双层循环设计使AGS能够不断改进其推理和决策能力。
在感知阶段，系统收集各种形式的信息输入；思考阶段涉及记忆检索、知识整合和学习，形成对问题的深入理解；行动阶段则将系统的决策转化为具体操作，包括虚拟环境中的算法执行和物理环境中的实验操作。
同时，内循环通过自我反思机制，结合思维链（Chain of Thought）、思维树（Tree of Thought）等推理方法，持续评估和改进系统的推理过程和决策质量。这种设计使AGS系统不仅能够完成既定任务，还能通过经验累积不断进化，提升解决复杂科学问题的能力。
机器人科学家的演进与协同优势
机器人科学家的发展历程展现了从专用系统向通用平台的演化趋势，如下图所示：
从2004年的Robot Scientist到2009年的Adam，再到2019年的Mobile robotic chemist，机器人科学家已经经历了近20年的发展。早期系统如Robot Scientist和Adam主要专注于单一学科领域（如生物学），能力有限且需要大量人类指导。
而近年来，随着技术进步，我们看到了更为通用的系统出现，如Coscientist（2023）和ORGANA（2024）等。这些系统开始整合AI与机器人能力，展现出更强的自主性潜力。
该表详细对比了当前各种AI科学家和机器人科学家系统的能力。从中可以看出，大多数现有系统仍然是单域的，专注于特定学科。例如，Adam（2009）主要用于生物学，PaperRobot（2019）专注于生物医学，AI Scientist(2024)侧重于机器学习。当前只有少数系统如Coscientist能够结合API搜索和物理实验，但仍有很大局限。而未来的AGS系统有望在各个方面实现全面突破，成为真正的通用科学家。
AI代理与机器人在研究任务中展现出明显的互补优势。如上表所示，Agent擅长在虚拟环境中执行计算机使用、编程、数据分析和写作等任务，特别适合计算机科学、数学和生物信息学等领域；而机器人则在物理和虚拟环境中发挥作用，能够创建和使用工具，执行复杂的物理操作，适合医学、生物学、化学和太空探索等领域。
将两者结合，可以实现「1+1>2」的协同效应。AI代理可以规划实验流程、分析数据并生成假设，而机器人则负责实施物理实验、收集样本并操作设备。这种分工使研究过程更加高效，避免了单一系统无法克服的局限性。例如，在药物发现领域，AI可以预测潜在的分子结构和相互作用，而机器人则可以合成这些分子并测试其实际效果，相互验证、相互补充。
科学发现的新扩展定律
突破人类科研的固有限制
传统科学研究面临着源于人类本身特性的多重局限。首先是人力资源的限制——全球科研人员数量增长速度有限，且分布不均。
即使在科研人员最密集的国家，每百万人口中的研究人员数量也只在几千人左右。
其次是时间限制——人类研究者需要休息、娱乐和家庭生活，每天能够专注于研究的时间有限，通常不超过8-10小时，且精力和创造力会随时间波动。
更具挑战性的是认知和专业限制。
现代科研需要处理日益庞大和多维的数据，这些数据经常超出人类认知能力。
单个研究者往往只精通某一狭窄领域，难以整合跨学科知识。
即使是顶尖科学家，也难以同时精通物理学、化学、生物学和计算机科学等多个领域，这导致了知识孤岛效应，阻碍了跨学科创新。
此外，研究合作中的沟通障碍也是一大挑战。不同学科的研究者使用不同的术语、方法论和思维模式，这使得有效沟通变得困难。
这些合作努力经常遇到显著障碍，包括不同学科文化差异、特定方法论以及跨领域协调所需的大量时间和资源。
这些持续存在的障碍削弱了有效沟通、概念合成和建立连贯研究范式的能力。
相比之下，AI科学家和机器人科学家具有显著优势：
首先是规模优势——AI和机器人系统可以大规模复制，成本远低于培养人类科学家。一旦开发成功，可以快速部署数十万或数百万个实例，显著扩大研究规模。其次是持续工作能力——AI和机器人不需要休息，可以24/7不间断工作，大大提高研究效率。这种持续性使长期实验监测和数据收集变得更加可靠。
在知识整合方面，AI系统表现尤为突出。
训练于包含不同领域的庞大语料库上，这些模型在应用多学科知识方面表现卓越，从而显著增强科学研究。
生成式AI内在能力可以导航和桥接不同知识领域，使其特别适合跨学科研究。
此外，AI和机器人系统具有卓越的记忆能力和知识存储——它们可以存储和快速检索几乎无限量的信息，不会遗忘细节或历史实验结果。在跨学科整合能力方面，它们能够无缝连接不同领域的概念和方法，发现人类研究者可能忽视的关联。
最重要的是，AI和机器人科学家具有高度可复制性——成功的实验方法和发现可以立即与其他系统共享，确保研究成果的最大化利用，避免重复劳动。