在顶尖材料实验室里，研究员面临的困境常令人唏嘘：当人工智能每天能推演上百种新材料配方时，人工实验却需要耗费整整一年才能完成验证。这种效率鸿沟背后，暴露出AI for Science领域亟待解决的结构性矛盾——数字推演与实体实验的严重脱节。
人工智能技术正以惊人速度迭代，大模型参数规模持续扩张，智能体处理标准化任务的能力显著提升。但当我们将目光投向核心科研领域，技术瓶颈却清晰可见：主流大模型在NatureBench测评的90项真实科研任务中，仅有17.8%能超越原始论文成果，科研任务整体完成率维持在3%左右。这种冷热不均的发展态势，揭示出AI在处理无标准答案、验证周期漫长的原创科研时存在的根本性局限。
上海AI实验室主任周伯文指出，当前大模型普遍缺乏"科学元认知"能力。这些系统虽能调用海量知识，却无法识别知识边界；可以生成逻辑自洽的推演，却难以提出可证伪的科学假设；擅长文本概率拟合，却无法通过真实世界反馈修正认知。这种能力缺陷源于科研场景的特殊性——与编程领域秒级反馈的迭代特性不同，基础科研试错成本高昂，验证周期长达数月，失败数据公开度极低，导致模型训练严重依赖公开的成功案例。
行业面临的双重困境正在制约技术突破：一方面，AI生成的海量科研方案因实验验证滞后而堆积成山；另一方面，科研过程中的试错经验、实验参数等核心资产随着项目结束不断流失。这种状况使得AI科研长期停留在效率优化层面，难以实现范式革新。上海AI实验室推出的"书生·端砚"科学发现平台，正是针对这些痛点设计的系统性解决方案。
该平台突破性地构建了"读-算-做"一体化闭环系统。通过具身自主实验体系，AI生成的科研假设可自动完成多维度仿真筛选，再由自动化实验设备承接落地测试，实测数据实时回流至模型进行迭代优化。多智能体协同核验机制确保全流程自主运转，消除人工跨平台数据搬运的冗余环节。这种设计使蛋白质工程领域的迭代周期从数天压缩至分钟级，验证通过率提升超300%；在量子计算领域更创下60毫秒搭建2024原子无缺陷阵列的纪录。
平台更革命性的创新在于科研资产结构化沉淀体系。所有实验参数、运行代码、成败数据、推演日志均按专业标准自动归档，形成可复用、可迭代的动态知识库。特别是行业长期忽视的失败数据和无效参数得到完整留存，为模型训练提供了稀缺的负样本。这种设计使科研工作从"单次试错"转向"复利增长"——每次实验的反馈都能成为新假设的起点，持续驱动AI科研能力进化。
目前，"书生·端砚"已在蛋白质工程、量子计算、脑科学等六大前沿领域落地应用。该系统通过打通数字推演与实体实验的关键链路，重新定义了AI在科研中的角色定位：不是替代科学家的思考，而是作为协作伙伴加速假设验证，系统化沉淀科研判断。当每次实验的失败数据都能转化为模型进化的养分，AI科研正从标准化工具向探索未知领域的智能体演进。
