在科学研究领域，一场由技术驱动的变革正悄然兴起。具身智能，这一将人工智能嵌入物理实体、使其在真实世界中感知、学习并决策的新兴理念，正逐步从理论走向实践，为科研范式带来深刻转变。当具身智能与科学研究深度融合，便催生出一种全新的科研模式——面向科学研究的具身智能（EAI4S），它有望突破传统科研在效率、可重复性和知识积累上的瓶颈，重塑科学发现的方式。
机器人实验室的发展，是具身智能在科研领域探索的重要脉络。2004年，Ross D. King团队在功能基因组学领域取得突破，他们开发的机器人科学家系统首次在物理世界中实现了科学发现的全流程闭环——从自动生成假设到实验验证。这一成果证明，机器能够独立承担科学研究的完整链条。五年后，Adam系统的出现进一步推动了这一领域的系统化与工程化。它不仅编码了科学推理的循环机制，还强调实验过程的可读性、数据的完整记录以及结果的可追溯性，为机器人科学家的通用技术架构奠定了基础，涵盖知识表示、假设生成、实验设计、机器人执行及迭代学习等关键模块。
随着实验自动化平台的成熟和机器学习方法的渗透，机器人实验室的发展进入第二阶段——自驱动实验室。这一阶段的焦点转向如何在资源有限的情况下高效探索复杂的实验空间。主动学习和贝叶斯优化等技术的引入，使系统能够根据实验反馈动态调整策略，提升探索效率。2020年，移动机器人化学家系统的问世成为这一范式的里程碑。它在真实实验室环境中连续自主运行多天，能够独立选择实验条件、执行操作并调整决策，展示了自驱动实验室在长期稳定运行和复杂决策上的潜力。然而，这一阶段的系统仍面临工程瓶颈，如系统集成的可靠性、自动化执行的稳健性以及数据与流程的标准化溯源问题。
近年来，大语言模型和工具增强智能体架构的崛起为机器人实验室注入了新的活力。语言模型被引入作为科研工作流的高层组织与编排机制，能够将研究目标转化为具体实验计划，协调软件工具与物理仪器，统一管理端到端流程。这类系统在任务灵活性、跨领域泛化能力和流程重组方面显著优于早期单一任务设计的系统，标志着机器人实验室向更智能、更灵活的方向迈进。
尽管取得了显著进展，但现有系统仍存在本质局限。它们多依赖自动化执行和数值优化，缺乏对真实实验环境中物理不确定性、概念抽象和科学机理的深度理解。要迈向真正的面向科学研究的具身智能，需在三个关键方向实现突破：一是构建具身世界模型与实验技能学习体系，通过多模态感知与动作模型刻画实验环境动力学特征，支持操作技能的复用与组合；二是提升因果关系与科学机理的推理能力，从单纯优化实验结果转向发现因果结构和机理解释，形成具有解释力和迁移能力的知识；三是开发可验证的自主运行与科学操作系统，确保智能体架构具备安全约束和审计能力，实现实验动作、数据与溯源信息的统一规范，保障科研结果的可信性与可重复性。
当前，全球科学发现能力呈现显著不均衡，这种差距并非源于科学思想或人才储备，而是深植于实验基础设施获取能力的结构性差异。数据显示，全球超85%的科学论文来自高收入和中高收入国家，低收入地区科研产出占比极低。面向科学研究的具身智能为缓解这一问题提供了新路径。通过将隐性实验经验转化为可复用的具身技能，并借助闭环运行机制和标准化流程，相关系统有望在有限投入下提升科研效率。若坚持开放和可负担原则，科研基础薄弱地区可跨越传统重资产实验室建设路径，更有效地参与前沿研究。这一理念与联合国教科文组织的开放科学原则高度契合，旨在通过共享科研基础设施缩小全球知识生产差距。
要使面向科学研究的具身智能真正发挥广泛影响，需在技术路线和制度设计上坚持三项原则：开源导向，通过开放核心系统、模型和实验技能促进科研群体协作，避免重复建设；标准化建设，统一实验动作、硬件接口、数据格式和溯源机制，为跨平台协作和结果验证提供制度基础；可负担性设计，确保技术不仅服务于顶尖实验室，更能成为普惠的公共技术能力。中国在这一领域具备独特优势——完善的制造体系、突出的工程化能力和丰富的科研应用场景，使其有能力将实验室原型推进为可规模化的技术体系。通过支持平台建设、参与国际标准制定以及推动开源技术与国际合作，中国有望在新一轮科研范式变革中成为全球技术与公共能力的重要供给者。
