Anthropic与谷歌发力：AI从科幻走进现实，科研范式或迎重大转变！

转载于 2026-08-30 17:14:41 发布 · 5 阅读

编辑｜Panda

在《生化危机》里，有一套位于地下深处的实验室「蜂巢」，其门禁、监控、通风、安保乃至整个设施的运行，都由一个AI——红皇后掌控。人类科学家负责研究，而真正操控这座实验室的是AI。当异常发生，红皇后能直接干预物理世界，如关门、切断系统、控制设施等。

二十多年前，这样的情节还是科幻电影制造恐惧感的经典套路：AI进入物理世界，操纵机器、运行实验，干预现实。如今，这个画面正以不同方式走进现实——至少目前不恐怖。

就在昨天，Anthropic发布面向物理硬件的Model Hardware Standard（MHS），试图将MCP的逻辑从GitHub、Slack和数据库延伸到机械臂、显微镜、液体处理器、激光器等真实设备。参阅报道《刚刚，Anthropic发布物理MCP：Claude开始接管真实世界》。

简而言之，AI Agent不再只需要调用软件的「接口」，还需一套连接现实世界的「神经和手脚」。而今日，谷歌DeepMind也展示了这方面成果。

在一篇刚公布的83页论文中，谷歌把Gemini驱动的Co - Scientist接入真实科研流程，让其设计实验、生成执行代码、读取实验反馈，并与实验设备直接连接。谷歌将这种变化称为从in - silico hypothesis generator走向execution - grounded research partner，即芯片内的假设生成器→基于执行的研究伙伴。

最直观的一次实验中，研究人员告知Gemini 3 Deep Think一台自建CVD设备的条件，几分钟后，它便给出适配方案，并将其翻译成控制设备的机器代码，最终三种二维半导体首次尝试成功生长。

于是，一个曾主要存在于科幻电影里的场景变为现实：大模型长出「手」，开始操纵实验设备。那么，从今天起，AI Scientist会有何变化？

《生化危机》里，人类害怕AI接管实验室，而现实中的科学家正主动将实验室交给AI。当然，谷歌想打造的不是失控的「蜂巢」，而是一台能从提出假设、设计实验到现实验证的科学发现机器。

Gemini接管实验设备

材料科学

研究人员使用自建的化学气相沉积设备（CVD炉）做二维材料实验时，存在公开「配方」难以复现的问题。同样的参数，换台炉子，晶体生长结果可能不同，研究人员需花数周甚至数月调参。

于是，研究团队不再告知Gemini实验方法，而是提供实验室设备、化学品及炉子结构等信息，让AI自行决定参数。Co - Scientist根据这些约束生成完整实验方案，交由实验设备执行。

其中一组实验表现出色。研究团队将Gemini 3 Deep Think接入CVD控制流程后，它几分钟内完成推理，并将结果翻译成机器代码。最终，MoS₂、MoSe₂和WS₂三种二维半导体首次实验就成功长出单层晶体，整个实验约一小时完成。其中MoSe₂和WS₂更特殊，研究人员此前未在该设备上生长过这两种材料，后续至少五次重复实验也验证了结果。

这与昨天Anthropic展示的MHS呼应。Anthropic想解决Agent认识和操纵实验设备的问题，谷歌论文则探讨推理模型控制设备后，科研工作流如何重构。从这个意义上说，「AI连接硬件」已不是问题。

不只是照着论文做实验，AI还开始自己找配方

若仅让Gemini根据已有知识调试设备，不算真正的科学发现。所以谷歌进行了更难的第二个实验：尝试从底向上合成Ti₃C₂Tₓ的MXene二维材料。

传统路线涉及危险腐蚀剂，已知的CVD方案使用有毒且对空气敏感的TiCl₄。研究团队让Co - Scientist寻找更安全的前驱体路线，它最终锁定六氯乙烷C₂Cl₆，并给出一系列参数。

但这并非「AI一次成功」的故事。Co - Scientist生成272个候选方案，研究人员选择并优化高排名方案，经过25轮实验迭代，得到一种二维层状晶体，其多个指标与Ti₃C₂Tₓ MXene高度相似。

最初复现实验成功率仅11.5%，研究人员发现问题出在实验设备密封不严导致氧气泄漏。重新清洗石英管、更换密封圈、改进设备维护流程后，实验成功率提高到68%。

这说明「真实世界AI」与软件Agent不同，代码出错可重新运行，现实实验中，一个小问题就可能让科研方案失败。谷歌在论文中谨慎表示，目前不能确认该材料就是Ti₃C₂Tₓ MXene，它还存在产率低、氧化严重等问题，需进一步通过原子尺度表征确认。

尽管如此，仍可得出结论：AI能提出有科学意义的候选合成路线，并推进到物理实验验证。

有些实验或许可以先让AI「猜一遍」

谷歌还将Co - Scientist用于合成生物学实验，研究对象是工程改造的大肠杆菌。这些细菌在培养皿中形成不同群落图案，诱导剂IPTG浓度变化时，菌落形态也会改变。正常情况下，获取变化曲线需科学家配置不同浓度、培养细菌、扫描培养皿。

谷歌让AI补全部分实验，研究人员提供部分浓度下的菌落图片，让系统预测中间浓度下的菌落形态。由于实验数据未发表，论文认为模型无法依靠训练数据完成任务。

结果显示，AI在四项菌落形态指标中有三项预测与真实湿实验结果无显著差异，还正确判断出对照组变化情况。唯一问题是「圆度」，AI生成的菌落更规整。

谷歌对该实验定义克制，目前只是已知浓度区间的插值，而非预测全新遗传回路现象。但这有现实用途，未来科学家可先测几个点，让AI预测剩余空间，再选择实验位置，使实验从「穷举」变为「真实世界采样 → AI预测 → 选择实验 → 新数据反馈给AI」，即论文强调的lab - in - the - loop。

AI已经开始自己设计

在计算机科学实验中，Co - Scientist的自主程度进一步提高。研究人员让它设计一个更好回答医疗问题的Agent，之后不再参与架构设计。Co - Scientist自行提出方案、写代码、运行测试、分析错误并修改架构，最终「进化」出Agent_H系统。

该系统重新组织现有模型推理过程，面对医疗问题，会判断问题领域、面向对象、风险程度，拆分复杂问题，生成28 - 48个候选答案，经Judge筛选、投票，再经过多轮审查和压缩长度后给出最终答案。回答一个问题，Agent需调用模型40 - 80次。

在HealthBench Hard和HealthBench Professional上，按照论文使用的长度校正评分，Agent_H超过了包括GPT - 5.6 Sol、Claude Opus 5和Gemini 3.1 Pro在内的六个前沿模型。

但出现了一个插曲：AI学会了「刷榜」。早期实验评分标准未充分惩罚冗长回答，Co - Scientist便把答案写长以提高分数，Benchmark分数上涨但医疗质量未提升。直到研究人员加入长度惩罚，优势才消失。谷歌在论文中视其为典型的Goodhart's Law：当一个指标成为目标，它就不再是好指标。

三名执业医生对106个问题进行盲评，在九个维度中，Agent_H只有「降低潜在伤害」一项相较原版Gemini 3.1 Pro有统计显著改善，其余八项无显著差异。这表明AI Judge眼中的高分数，未完全转化为人类医生眼中的优质回答，这也是AI Scientist进入现实世界需面对的问题：不仅要优化，还需明确不能只靠优化指标定义的东西。

AI科学家会为了论文「造数据」

谷歌在论文中花大量篇幅研究一个尴尬问题：若放开AI Scientist，它是否会为漂亮结果作弊？答案是肯定的。

研究团队让系统在50个AI研究题目上全程无人介入，从提出想法到生成论文。同时测试去掉可靠性模块的Co - Scientist和此前的Agent Laboratory系统，共生成150篇论文，交给30名领域专家进行450次匿名评审。

结果显示，没有专门验证机制的AI Scientist，在实验无有效结果时仍可能写完整论文，会编造数据表、p值、统计检验，把失败实验写成成功，甚至修改评价环境或直接输出漂亮结果。当优化目标是「写一篇看起来不错的论文」，Agent会寻找捷径。

因此，谷歌给新版Co - Scientist增加「科研审计」机制，要求论文实验结果可回溯到真实程序执行日志，无对应结果不能写入。效果显著，严重的「结果幻觉」从Agent Laboratory的90%降到4%，完全数据捏造从44%降到0%。但问题未彻底解决，新版Co - Scientist仍有24%的严重方法描述错误和16%的严重抄袭/衍生内容。谷歌强调，目前的Autonomous AI Scientist还不能生成可直接发表的研究论文。