未来 AI4S 的研发竞争，不仅需要算力和模型，更需要能够连接计算、实验与真实世界数据的科研基础设施。当 AI 智能体开始“进入湿实验室”，科学研究正在从“提出假设”迈向“持续验证与反馈”的新阶段。
2024 年 4 月，美国 Xaira Therapeutics 由顶尖资本与科学家联合孵化，成立之初即以 10 亿美元融资和 27 亿美元估值备受关注。由知名风投 ARCH Venture 和 Foresite Labs 联合孵化的 Xaira，正在通过构建内部数据生成能力、AI 模型以及一套名为“X-Suite”的完整系统，尝试覆盖药物研发的多个关键环节。从 X-Cell、X-Design、X-Patient 到 X-Scientist、X-Automate，AI 制药公司的竞争正在逐渐从单点模型能力，走向更完整的研发系统能力。
今年以来，越来越多的大模型公司也开始深入具体科研和药物研发场景。一个明显的变化是：AI 的角色正在从“辅助分析工具”，逐步走向真实研发流程中的参与者——提出假设、设计方案、分析数据，并开始与真实实验发生连接。而 AI 科研的下一阶段，真正需要解决的，也许已经不只是“模型能不能提出一个好答案”。AI 提出的假设，如何进入真实世界？真实实验产生的数据，又如何重新回到下一轮 AI 研究？这正成为 AI4S 进入深水区之后最关键的问题之一。
近日，一家来自中国的新锐 AI4S 公司结束低调，走到台前。北京壹索智能科技有限公司（以下简称“壹索智能”，Isoplex Intelligence）发布 ——一款实现自进化干湿闭环的 AI 科研工作空间，现已面向用户开放。自 9 月 15 日开启公测以来，Sciland 累计注册用户和新建研究迅速过万，产品已部署于三十余家科研和药物研发机构。壹索智能以科学世界模型为核心，探索如何让模型理解科学状态、推演干预结果，并从生命科学出发，连接人工智能、科研数据与实验实践。
壹索智能 Sciland 科研工作空间产品界面
Sciland 以干湿实验闭环、自进化机制与开放科研生态为核心，连接文献检索、数据分析、计算设计与自动化实验等环节，将计算与真实实验纳入统一研究空间。与传统 AI 工具完成一次分析、输出一份结果不同，Sciland 希望建立的是一套能够持续运行的科研系统：计算产生假设和候选，实验提供真实世界反馈，新的证据再进入下一轮研究；与此同时，经过验证的研究方法和系统经验可以沉淀下来，推动后续研究能力不断改进。这意味着，AI 科研的目标开始从“更快地产生答案”，走向：“提出假设——真实验证——反馈修正——持续自主进化”这一科学研究新范式。
01
AI 智能体“杀入”湿实验室：计算预测与真实验证的“双向奔赴”
AI 智能体正在离开纯粹的数字世界，开始进入真实实验室。
就在 Sciland 发布的同期，Nature 发表了斯坦福大学 James Zou 教授题为 《AI agents enter the ‘wet lab’》 的 News & Views 文章。文章讨论了最新的 AutoDNA 系统，并指出，这类 AI 系统开始缩小“提出实验”与“执行实验”之间长期存在的鸿沟，标志着 AI 智能体正开始进入“湿实验室”。
这一变化之所以重要，是因为过去几年，AI 在科学研究中的能力主要集中在计算侧：分析数据；检索文献；预测结果；设计候选分子。
但对于科研而言，计算世界中的一个“好答案”，并不意味着它已经成立。一个 AI 可以在几分钟内设计出一个候选分子，但真正验证它，可能需要数周甚至数月的实验工作。更重要的是，实验成功与失败产生的真实数据，也决定了下一轮研究应该往哪里走。科学研究真正的闭环，不发生在模型输出的那一刻，而发生在真实世界给出反馈之后。
Sciland 的核心思路，正是将计算预测与真实实验纳入同一研究流程。在一个完整的研究过程中，计算产生的候选与预测可以进一步进入实验验证环节。根据研究设计，候选分子或科学假设被转化为相应的实验方案，由实验体系完成验证；实验结果随后重新返回原有研究课题，与此前的预测进行对照。如果实验结果符合预期，系统获得新的验证证据；如果实验失败，失败同样不会被简单丢弃，而是作为新的研究信息，帮助定位原有计算中的问题。
Sciland 技术报告中，将实验失败进一步记录和分类，例如：蛋白未表达；聚集沉淀；靶标未结合；曲线拟合失败。这些失败结果会重新对应到此前的假设、候选和计算过程，用于调整下一轮研究设计。这意味着，实验在这里不再只是 AI 研发流程的“最后一道验证”。实验结果本身，也成为 AI 下一轮研究的输入。
壹索智能自动化实验室机械臂与实验工位实景
在计算端，Sciland 也并非停留在简单“调用模型”的层面。根据 Sciland 技术报告，其对 11 个专业计算模型与工具、5 条预设多步工作流进行了真实硬件测试，覆盖多肽与蛋白、00抗体以及小分子等药物研发场景。在单张 H800 上，不同工作流从进程启动、模型加载、推理，到结果回收和完整性校验的端到端耗时为 44.4 秒至 135.3 秒。
← 左右滑动查看完整表格 →
图：NVIDIA H800 节点上多步生物医药计算工作流的性能与资源实测。 (A) 5 套预设多步工作流的端到端分步执行耗时构成；(B) 各专业计算套件运行期间的显卡显存与进程内存占用峰值对比。
对于 AI 科研平台而言，这些数字的意义不仅在于“速度”。更重要的是，AI 需要真正进入一个能够被验证、被追溯的科研流程：计算负责提出可能性，实验负责回答真实世界。通过计算与实验之间的持续往返，Sciland 希望让每一轮研究都建立在已有研究材料、真实实验结果与可追溯证据之上，形成从预测到验证、再到优化的持续循环。
02
科研自进化：把一次研究的经验，变成下一次研究的能力
科研的价值不仅在于得到一次结论。
更重要的是：这次研究过程中学到了什么，能不能让下一次研究做得更好？
Anthropic 与 BigHat 披露的抗体优化研究中，团队一度怀疑，沿用的热稳定性与聚集指标会误导候选评价。Claude 与研究人员重新分析原始数据，提出新的指标和实验方案调整，再由 BigHat 科学家完善、执行验证。
这里发生的变化，已经超出了替换一个候选分子。用于判断候选好坏的“尺子”，也接受了实验的检验。这类调整，是科研经验中很有价值的一部分。一个团队知道某种评价在什么条件下可靠、某条流程在哪里容易出错，下一次研究就可以少走一段弯路。若这些判断始终散落在个人记忆、讨论记录和临时修改的代码里，换一个任务，仍可能从头摸索。
Sciland 的自进化机制，要把经过验证的改进保留下来，作用于后续研究。按技术报告，改进可以落到研究方法和工具调用，也可以落到系统自己的代码和接口，甚至落到判断研究做得好不好的标准上——真实课题中暴露的方法漏洞，会被写成新的评测样本和审核检查项。系统变强的同时，考核它的那把尺子也在持续变得更加严格。
这里有一项重要的产品取舍：经验的价值，不能只用保存了多少来衡量。方法带着来源和适用条件进入后续任务，修订经过验证后再采用，积累才有可能转化为能力。一次失败如果促成了有效的方法调整，它留下的价值就可以延续到这项研究之外。
不过，Sciland 所说的“自进化”并不是简单让系统自行修改后直接上线。根据技术报告，系统改进需要经历一套明确流程：现象观测 → 根因剖析 → 泛化审视 → 就地更新 → 回放与回归验收。只有同时具备“可泛化性”和“泛化价值”的问题，才会进入系统级改进，而不是把某一个具体课题的结论直接推广到所有研究中。
改动上线前要过两道关：先用当初出问题的那个真实案例重跑一遍，确认根因真的解决了；再跑一遍全部回归测试，确认原有能力没有被改坏。技术报告列出的回归测试共 1,155 项，全部通过之后，还要人工核实才能生效。
Sciland技术报告记录了三次已经走完这套流程的改进。而展示的完整改进均非某一次研究的参数，而是系统自己的代码和核验规则。对研究者来说，在Sciland中的研究体验将内化其失败经验，持续优化研究质量与体验。
干湿闭环由此与自进化接在一起。实验产生的新数据用于修正当前设计，研究中验证有效的改进则继续作用于方法和系统。Sciland 希望积累的，正是这种能够影响后续执行的科研能力。
Sciland 自进化机制：研究反馈经过改进验证，作用于方法复用与系统更新。图片来源：壹索智能。
03
一站式科研工作空间：整合专业能力，连接开放科研生态
Sciland 将研究设计、专业计算、结果分析与成果交付组织在同一工作空间，支持文献检索、计算分析、独立审查与报告生成。研究者无需在多个工具之间反复切换，即可围绕同一课题组织研究流程。研究材料、计算结果、代码与图表随课题保留，相关结论及其依据可以追溯，支持研究在已有进展的基础上持续推进。
在专业计算层面，Sciland 覆盖蛋白、多肽、抗体和小分子等药物研究场景，支持生成、预测、评估与筛选。研发人员既可以直接调用单个模型或工具，也可以根据研究目标组合多步计算、调整流程与参数。
随着更多专业模型、工具与方法接入，研究者能够在统一的工作空间中组合和使用不断扩展的科研能力。而在连接计算与实验的过程中，一个更现实的问题也随之出现：不同的 AI 系统、实验室和自动化设备，如何真正实现数据交换？
为此，Sciland 提出了 LAEP（Laboratory–Agent Exchange Protocol），建立实验任务与结果数据之间的统一交换方式。在这一框架下，研究人员的验证方案可以进一步转化为标准化实验任务，并与实验编排、自动化实验设备执行和结果回传进行衔接。
Sciland 通过 LAEP 衔接 Iso-LabOS 与自动化实验室，实验结果返回原研究。图片来源：壹索智能。
对于整个行业而言，这类接口和协议的重要性正在不断上升。正如 Nature 最新报道所呈现的趋势，未来的 AI 实验室不再只是某一个模型、某一台设备的简单组合，而需要让 AI、实验流程和多种实验设备真正协同工作。AutoDNA 已经展示了 AI 原生实验室协调多种仪器完成复杂分子生物学实验的可能性。
Sciland 所探索的，则是从 AI 科研工作空间出发，让研究假设、计算预测、实验任务与实验反馈形成可持续连接。当 AI 真正开始“进入湿实验室”，科研系统的竞争，也将从单一模型能力，逐渐走向“模型、实验与真实数据如何形成闭环”。
04
开放科研生态：从一个工具，走向持续验证的科研网络
在连接计算与实验的基础上，Sciland 进一步向开放科研生态延伸。模型、Skill 与工作流的持续接入，将不断扩充平台的专业计算能力；实验室、仪器厂商及产业伙伴，则可以探索将现有实验设施和自动化实验能力接入研究流程，逐步拓展真实实验验证的覆盖范围。
Sciland 开放验证网络建设示意：通过 LAEP 连接研究需求与实验能力。图片来源：壹索智能。
未来，更多研究者、专业模型、科研工具与实验能力将有机会进入同一个科研网络。更多科学假设可以在其中被提出、计算、验证和修正。从这个角度来看，AI 科研平台未来的价值，或许不只是：帮助一个研究者更快完成一次研究。而是逐渐建立一种新的科研基础设施：让不同的计算能力连接真实实验，让不同主体共享可验证的方法，让研究结果持续进入下一轮科学发现。
“
科学智能的下一次跨越，在于把计算能力的增长转化为科学发现能力的增长。壹索智能希望将不断进步的模型、自动化实验室和研究者的判断组织起来，使这套能力跨越单个课题与单个实验室，成为更多人可以共同建设、持续进化的科研基础设施。
苏彬彬 壹索智能创始人兼 CEO
目前，Sciland 已面向用户开放体验。未来，平台将持续向科研人员、模型开发者、实验室及产业伙伴开放接入通道，逐步覆盖更多科研场景与实验能力，让跨主体的协同科研更加高效。
当 AI 智能体开始从屏幕中的“数字世界”，走向真实的湿实验室，科学研究也正在进入新的阶段：AI 不再只是提出答案。它开始提出假设、组织研究、进入实验、接受真实世界的反馈，并根据新的证据重新开始下一轮探索。
从“计算智能”走向“真实世界验证”，或许才是 AI4S 下一次真正的跨越。
相关文章
津公网安备12011002023007号