SciMaster

在 ChatGPT 带来的生成式 AI 浪潮之前，AI 早已悄然进入科研领域。

早在 2018 年，DeepMind 的 AlphaFold 实现了蛋白质结构预测的突破，被《自然》称为“解决了生物学五十年来的重大挑战”。此后，AI 在气候建模、分子模拟、材料设计等任务中持续发挥价值，但其角色始终是“辅助工具”——加速某个环节，却难以主导完整流程。

如今，这一局面正在改变。

2024 年，随着推理模型与智能体（Agent）架构的成熟，AI 正从“能读会写”迈向“能动手干活”。近日，深势科技联合上海交通大学等机构推出的 SciMaster，正是这一趋势下的代表性成果。

它不再是一个单一功能的工具，而是一个被定义为“通用科研助手”的智能体——能够理解问题、拆解任务、调用工具、执行计算、撰写报告，完成从提出问题到初步验证的完整科研闭环。

不只是“查文献”，而是“做研究”

过去十年，AI 在科研中的应用多为“点状优化”：

• 用大模型翻译论文
• 用算法加速数据清洗
• 用预训练模型预测分子性质

这些能力有用，但本质仍是人类主导、AI 执行。真正的研究路径设计、逻辑推演、跨任务协同，仍依赖研究者个人经验。

SciMaster 的突破在于：它开始具备“研究员式的思维”。

它不直接给出答案，而是：

• 拆解科学问题
• 制定研究路径
• 调研文献、调用计算资源
• 验证假设、生成阶段性报告

这个过程，不再是“问答”，而是“研究”。

“读、算、做、写”：科研工作的完整闭环

SciMaster 的能力可概括为四个字：读、算、做、写。

其中，“读”与“写”已相对成熟，而“算”与“做”则代表了其未来延展性。

它没有试图用语言模型去“模拟”物理实验，而是构建了一个调度中枢，将外部工具串联成可执行流程。

真实场景落地：从新药研发到材料设计

1. 新药立项：几天完成团队数周工作

在药物研发中，判断一个靶点是否值得投入，传统流程依赖专家经验、人工筛选文献与初步实验验证，耗时数周。

使用 SciMaster 后，某药企客户在几天内完成了一份抗肿瘤靶点可行性分析报告，涵盖：

• 已有药物机制
• 专利壁垒分析
• 蛋白空间结构
• 潜在药效预测

原本需小团队协作的任务，如今由 AI 助手高效组织完成。

2. 材料研发：配方交付效率提升 10 倍

深势科技已与宜宾新能源新材料数智创新中心合作，实现“干湿闭环”实验系统联动。

研究者只需输入目标性能（如能量密度、循环寿命），系统即可：

• 调用专属知识库
• 使用 Uni-ELF 配方大模型生成候选方案
• 自动调度实验工站进行验证
• 迭代优化配方

整个过程无需人工干预，配方交付效率提升 10 倍。

它不是“超级科学家”，而是“结构化科研体”

需要明确的是：SciMaster 并非万能机器人。

它不会取代研究员的判断力，也不具备完全自主的创造性。它的核心价值在于：

将科研从“人力密集型”转变为“系统协同型”。

它像一个分布式系统的“协调中枢”，整合知识、算力、工具与设备，让人类可以专注于真正的决策环节，而非信息堆砌与重复操作。

与其称它为“超级科学家”，不如说它是一个“结构化科研体”——具备组织、规划、执行科研任务的系统性能力。

能力外溢：从实验室走向更广义的知识工作

SciMaster 的意义，不仅限于科研场景。

它的结构化思维、专业理解和任务拆解能力，正在向科研圈层之外“能力外溢”。

例如，作为一名科技媒体作者，当我提出“英伟达与其他芯片公司的差距”这一问题时：

• ChatGPT 给出流畅回答，推荐文献与会议
• SciMaster 则先解析任务结构，再协同执行：
  • 用文献工具查找基础数据
  • 聚合 IDC、arXiv、Nature 等专业来源
  • 用 Python 脚本对比算力与带宽
  • 输出带引用的专业分析

结果更严谨、论据更扎实、来源可追溯。

这种“以科研思维做任务”的能力，使其在以下群体中也极具价值：

• 行业研究员：快速生成深度分析报告
• 政策制定者：基于数据推演政策影响
• 教育工作者：构建课程内容与案例库
• 内容创作者：生产高可信度专业内容

从“AI for Science”到“AI for Everyone's Science”

深势科技的路径清晰可见：

• 早期产品 玻尔：解决“不会查、写太慢”的问题，聚焦科研初期
• 当前产品 SciMaster：引入推理模型与任务规划，实现全流程协同

它不再只为科学家服务，而是成为一种“低门槛专业支持系统”。

未来，随着更多垂直知识库、仿真工具、实验接口的接入，这种“科研智能体范式”可能在实验室之外，为更多行业带来生产力跃迁。