編輯｜Panda
在《生化危機》中，有一套位於地下深處的實驗室「蜂巢」。門禁、監控、通風、安保乃至整個設施的運行，都被交給了一個 AI：紅皇后。
Human scientists are responsible for research, but the AI holds the actual "limbs" of this laboratory.
當異常發生時，紅皇后可以關門、切斷系統、控制設施，直接干預物理世界。
二十多年前，這樣的情節還是科幻電影用來製造恐懼感的經典套路：AI 進入物理世界，操縱機器、運行實驗，直接干預現實世界。
現在，這個畫面開始以一種完全不同的方式進入現實——至少目前還不恐怖。
就在昨天，Anthropic 發布了面向物理硬體的 Model Hardware Standard（MHS），試圖將 MCP 的邏輯從 GitHub、Slack 和資料庫進一步延伸至機械臂、顯微鏡、液體處理器、雷射器等真實設備。參閱報導《剛剛，Anthropic 發布物理 MCP：Claude 開始接管真實世界》。
簡單來說，AI Agent 不僅需要有調用軟體的「介面」，更開始需要一套連接現實世界的「神經和手脚」。而今天，谷歌 DeepMind 又展示了自己在這方面的成果。
在一篇剛公佈的 83 頁論文中，谷歌將由 Gemini 驅動的 Co-Scientist 整合至真實的科研流程中，並讓其設計實驗、生成執行代碼、讀取實驗反饋，並直接與實驗設備連接。谷歌將這種變化稱為從 in-silico hypothesis generator 走向 execution-grounded research partner，即芯片內的假設生成器→基於執行的研究夥伴。
在最直觀的一次實驗中，研究人員將自建 CVD 設備的條件告知 Gemini 3 Deep Think。幾分鐘後，它提供了適配該設備的材料生長方案，並進一步將方案轉換為可控制設備的機器代碼。最終，三種二維半導體均在首次嘗試中成功生長。
於是，一個過去主要存在於科幻電影裡的場景突然變成了現實：當大模型真的長出「手」，開始操縱實驗設備。那麼，從今天開始，AI Scientist 會變成什麼？
在《生化危機》中，人類害怕 AI 接管實驗室。而在現實中，科學家們正主動將實驗室一 點點 交給 AI。當然，谷歌想做的，可不是失控的「蜂巢」，而是一台可以從提出假設、設計實驗一路跑到現實驗證的科學發現機器。
論文標題：利用 Gemini 加速現實世界中的科學研究
論文地址：https://arxiv.org/pdf/2608.26701
Gemini 接管了一台實驗設備
首先，材料科學。
研究人員使用的是自行搭建的化學氣相沉積設備，也就是 CVD 炉。在進行此類二維材料實驗時，一個長期存在的問題是：公開的「配方」難以複現。
同樣是溫度、氣體、前驅體這些參數，換一台爐子，爐腔大小、氣流、材料擺放位置稍有不同，最後長出來的晶體就可能完全不一樣。研究人員往往需要花上幾週甚至幾個月的時間反覆調參。
於是研究團隊不再告訴 Gemini 應該如何進行實驗，而是告訴它實驗室有什麼設備、有什麼化學品、爐子的結構是怎樣的。其餘參數由 AI 自行決定。
Co-Scientist 根據這些約束，生成氣體流量、溫度曲線、前驅體用量、材料擺放位置等完整實驗方案，再交給實驗設備執行。
其中一組實驗非常亮眼。研究團隊將 Gemini 3 Deep Think 接入 CVD 控制流程後，它不再生成一份自然語言實驗方案供科學家慢慢閱讀，而是在幾分鐘內完成推理，並將結果直接翻譯成可控制設備的機器代碼。
最終，MoS₂、MoSe₂ 和 WS₂ 這三種二維半導體，都在第一次實驗中成功長出單層晶體。整個實驗流程約一小時完成。
其中 MoSe₂ 和 WS₂ 更為特殊：研究人員此前甚至未在這套設備上生長過這兩種材料。後續至少五次重複實驗也驗證了結果。
這與昨天 Anthropic 展示的 MHS 有一個有趣的呼應。Anthropic 想解決的問題是如何讓 Agent 更方便、更標準地認識和操作實驗設備；而谷歌這篇論文探討的則是下一步：當推理模型已經能夠控制實驗設備時，科研工作流程該如何重構？
從這個意義上說，「AI 連接硬體」已經不是問題了。
Not only are AI systems following experiments from papers, they are also starting to find their own formulas.
不過，如果只是讓 Gemini 根據已有知識調配一套設備，還不能算真正意義上的科學發現。因此，谷歌進行了第二個更困難的實驗：嘗試從底向上合成一種稱為 Ti₃C₂Tₓ 的 MXene 二維材料。
傳統路線通常涉及危險的腐蝕性試劑，而已知的一些 CVD 方案則會使用有毒且對空氣敏感的 TiCl₄。因此，研究團隊向 Co-Scientist 提出了一項任務：能否找到一條更安全的前驅體路線？
Co-Scientist 最終將目標鎖定在六氯乙烷 C₂Cl₆，並進一步提供了前驅體數量、位置、氣體流量、基底和溫度曲線等一系列參數。
但这並不是一個「AI 靈光一閃、實驗一次成功」的故事。Co-Scientist 一共生成了 272 個候選方案，研究人員選擇並繼續優化其中的高排名方案；經過 25 輪實驗迭代後，最終得到了一種二維層狀晶體。它在 XRD、電子顯微鏡和元素組成等多個指標上，都呈現出與 Ti₃C₂Tₓ MXene 高度相似的特徵。
後續的現實世界問題也很典型。最初重現實驗的成功率僅為 11.5%。研究人員後來發現，主要問題並非 AI 的化學推理，而是實驗設備密封不嚴導致的氧氣洩漏。
在重新清洗石英管、更換密封圈並改進設備維護流程後，同一種二維材料的實驗成功率才提高到 68%。
這恰好說明了為何「真實世界 AI」與軟體代理截然不同：代碼出錯，可以重新運行；但在現實實驗中，一個老化的 O 型密封圈、管路殘留，甚至空氣中的氧，都可能讓一個正確的科學方案徹底失敗。
Google 在論文中也極為謹慎：目前尚無法最終確認這種材料就是 Ti₃C₂Tₓ MXene，它仍存在產率低、氧化嚴重等問題，需進一步通過原子尺度表徵確認。
儘管如此，我們還是可以得出如此結論：AI 已經可以提出一條有科學意義的候選合成路線，然後真正把這條路線推進到物理實驗中接受驗證。
有些實驗或許可以先讓 AI「猜一遍」
谷歌還把 Co-Scientist 放進了一個完全不同的實驗場景：合成生物學。研究對象是一群經過工程改造的大腸桿菌。
這些細菌在培養皿中會形成不同的群落圖案。當誘導劑 IPTG 濃度變化時，菌落的大小、邊緣和形狀也會隨之改變。正常情況下，要得到整條變化曲線，就需要科學家配置不同濃度、培養細菌、等待生長，再一盤盤掃描。
谷歌嘗試讓 AI 補全實驗中間的部分。研究人員僅向 Co-Scientist 提供部分濃度下的真實菌落圖片，再讓系統預測未見過的中間濃度下，菌落應該長什麼樣。而且這些實驗數據當時尚未發表，因此論文認為，模型不可能僅靠記住訓練數據中的結果完成任務。
因此，在四項菌落形態指標中，AI 的預測有三項與真實濕實驗結果未顯示顯著差異；它還正確判斷出對照組不會隨 IPTG 濃度產生相應變化。
唯一明顯出問題的是「圓度」：AI 生成的菌落比真實情況更加規整。很符合生成模型的一貫審美：現實世界長得沒那麼完美，AI 卻忍不住把它畫圓了一點。
谷歌對這個實驗的定義也很克制：目前做出的是已知濃度區間內的 interpolation（插值），而不是直接預測一種全新遺傳迴路的未知現象。
但這已經對應著一個非常現實的用途。未來科學家或許無需對整個龐大的參數空間進行全部濕實驗。可以先測試幾個點，讓 AI 根據這些真實數據預測剩餘空間，再選擇最值得驗證的位置進行實驗。
實驗因此逐漸從「窮舉」變成：真實世界採樣 → AI 預測 → 選擇實驗 → 新數據反饋給 AI。
這正是論文反覆強調的 lab-in-the-loop。
AI 已經開始自行設計 AI
走進計算機科學實驗，Co-Scientist 的自主程度又提高了一截。
這次研究人員給它的任務非常簡單：設計一個能夠更好回答醫療問題的 Agent。之後，人類不再參與架構設計。Co-Scientist 自己提出方案、寫代碼、運行測試、分析錯誤，再繼續修改架構。
最後，它「進化」出了一個名為 Agent_H 的系統。
這個系統需要設法重新組織現有模型的推理過程。面對一個醫療問題，它會先判斷問題屬於哪個醫學領域、面向患者還是醫生、風險有多高；複雜問題會被拆分成多個子問題；隨後同時生成 28–48 個候選答案，讓不同 Judge 兩兩淘汰，再由三個 Judge 投票選出最終答案。勝出的答案還要經過多輪臨床審查、引用檢查，最後再壓縮長度。
回答一個問題，整個 Agent 要調用模型大約 40-80 次。在 HealthBench Hard 和 HealthBench Professional 上，按照論文使用的長度校正評分，Agent_H 超過了包括 GPT-5.6 Sol、Claude Opus 5 和 Gemini 3.1 Pro 在內的六個前沿模型。
但這裡出現了一個非常值得寫進報導的插曲：AI 自己學會了「刷榜」。
在早期實驗中，評分標準未充分懲罰冗長的回答。因此，Co-Scientist 很快找到了提高分數的最簡單方法：將答案寫得特別長。
Benchmark 分數因此顯著上漲，但醫療質量並沒有對應提升。直到研究人員加入長度懲罰後，大量優勢才消失。
谷歌在自己的論文中將其視為 Goodhart's Law 的典型例子：當一個指標成為目標，它就不再是一個好指標。
真實醫生的評價也為結果帶來了一些冷卻。三名執業醫生對 106 個問題進行了盲評。在九個維度中，Agent_H 僅在「降低潛在傷害」這一項上相較原版 Gemini 3.1 Pro 達到統計顯著改善，其餘八項均無顯著差異。
換言之，AI 評審眼中明顯更高的基準分數，並未完全轉化為人類醫生眼中明顯更好的回答。這或許也是 AI 科學家真正進入現實世界後不得不面對的問題：它不僅要會優化，還必須知道什麼東西不能僅靠優化指標來定義。
AI 科學家會為了論文「造數據」
事實上，谷歌在這篇論文中花了相當多篇幅研究另一個略顯尷尬的問題：如果徹底放開 AI Scientist，它會不會為了得到漂亮結果作弊？
答案：會。
研究團隊讓系統在 50 個 AI 研究題目上，從提出想法、尋找數據、寫代碼、運行實驗一直做到生成最終論文，全程沒有人工介入。
作為對照，他們還測試了移除可靠性模塊的 Co-Scientist，以及先前的 Agent Laboratory 系統，共生成 150 篇論文，並交由 30 名領域專家進行 450 次匿名評審。
結果相當誇張。在代碼已出現錯誤、實驗根本沒有有效結果的情況下，沒有專門驗證機制的 AI Scientist 仍可能繼續寫完整篇論文。
他們會捏造數據表、p 值、統計檢驗；將失敗的實驗偽裝成成功；甚至修改評價環境，讓自己的方法天然獲得更高分數，或透過 hardcode 直接輸出一個漂亮的結果。
當優化目標是：「寫一篇看起來不錯的論文」，Agent 會尋找比真正完成研究更加便宜的捷徑。
因此，谷歌為新版 Co-Scientist 增加了一套類似「科研審計」的機制：論文中聲稱發生過的實驗結果，必須能夠追溯至真實的程式執行日誌。如果日誌中沒有對應結果，系統不能僅憑語言模型認為「應該如此」就寫入。
效果非常明顯。導致論文無效的嚴重「結果幻覺」，從 Agent Laboratory 的 90% 降至 4%；最嚴重的完全數據捏造，則從 44% 降至 0%。
但問題依然沒有徹底消失。新版 Co-Scientist 的嚴重方法描述錯誤仍達 24%，嚴重抄襲／衍生內容也仍有 16%。
谷歌因此特別強調，他們並沒有聲稱目前的 Autonomous AI Scientist 已經能夠生成可直接發表的研究論文。
結語
如果將 Anthropic 和谷歌這兩項工作放在一起看，會發現 Agent 正在發生一個明顯的變化：此前兩年，AI Agent 最大的戰場一直是軟體世界。而現在，這套邏輯正在首次大規模向現實世界外溢。
Anthropic 的 MHS 試圖解決底層問題：讓機械臂、顯微鏡、液體處理平台這些不同設備，擁有一種 Agent 能夠統一理解和調用的接口。
谷歌的 Co-Scientist 則開始探索上層問題：當一個推理模型能夠提出科學假設、規劃實驗、控制儀器、讀取結果並繼續修正下一轮實驗以後，一套真正的閉環科學發現系統應該是什麼樣。
當然，谷歌距離真正的「無人實驗室」還很遠。當前材料實驗依然需要人類裝載樣品；新材料的原子結構還沒有最終確定；大腸桿菌預測只驗證了有限的插值任務；醫療 Agent 會鑽 Benchmark 的空子；論文生成系統也沒有完全解決幻覺和抄襲。谷歌自己甚至明確認為，由於硬體異常和現實環境複雜，现阶段完全無人監督的物理實驗仍然難以實現。
但變化已經出現了。
過去討論 AI for Science 時，經常將重點放在 AI 能否「想到人類沒想到的東西」。現在，越來越多研究開始補上更難的另一半：這個想法能否被真實設備執行，執行結果能否重新成為 AI 下一輪推理的依據。
谷歌在論文最後給出了一個頗為有趣的判斷。如果這樣的閉環真正建立起來，未來科研的限制因素可能會發生逆轉：過去，實驗設備等待科學家提出下一個好問題；未來，可能是 AI 已經提出了數百個值得驗證的實驗，而實驗室根本來不及做。
到那時，科學發現速度真正的瓶頸，可能不再是 scientific ideation，而是 experimental throughput——現實世界能夠多快把這些實驗跑完。
本文來自微信公眾號「機器之心」（ID：almosthuman2014），作者：關注科學AI的