科学家只管提问题，AI负责跑实验：深势科技把科研全流程搬进桌面

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 科学家只管提问题，AI负责跑实验：深势科技把科研全流程搬进桌面 思邈 2026-08-21 14:40:34 来源： 量子位 允中 发自 凹非寺 量子位 | 公众号 QbitAI 科学家真正花在“做科研”上的时间，可能远比你以为的少。 一个新课题摆在面前，起点从来不是灵光一闪的假设，而是一连串琐碎的准备工作—— 文献和数据散落在不同的数据库、表格、文件夹和实验记录里，得一个个翻、一点点对齐； 关键的方法和实验条件藏在论文的细节角落，光是辨别和整合就要耗掉大半精力； 好不容易攒出一个有潜力的假设，想验证，却又被环境配置、参数调试、反复试错死死拖住； 等终于跑出结果，还有一大摊数据等着清洗，图表等着制作，结论等着解释…… 换句话说，科学家最宝贵的时间，本该用来提出更大胆的问题、理解更深层的机制、做出更重要的发现——却常常消耗在 搜索、整理、验证、复现和沟通 这些“体力活”上。 那有没有办法，把这些时间还给科学家？ 今天， 深势科技 给出了自己的答案。 其正式发布的 玻尔·科学空间（公开测试版） ，是一个专为科研人员与AI科学家协同工作打造的桌面端环境。 它向下连接本地与云端的科学数据、计算和实验资源，向上把面向不同学科的AI科学家直接内置进科研流程之中。 调研、假设、验证、复现、成图、审稿，一整条科研链路走下来，研究者只需要负责两件事： 提问，和确认。 剩下所有的“体力活”，交给科学空间接管。 从科学问题出发，贯通科研任务全流程 01调研阶段：不止是信息收集，更是提供高质量的判断，和可执行的假设起点 面对一个新的研究课题，最难的不是“搜到更多论文”，而是从大量信息里分清：哪些已经成为共识？哪些仍有争议？哪些地方还没有人回答？ 在玻尔·科学空间，研究者可以通过对话提出研究问题。 玻尔·科学空间中的全科科研专家——SciMaster会围绕研究问题，自动检索文献与专利，理解论文中的文字、图表、分子和公式，并形成结构化调研结果。 在此基础上，系统进一步梳理研究共识、矛盾与空白，协助研究者提出有依据、可检验的研究假设。 当一个假设具备推进价值时，AI科学家还可以结合已有研究、可用数据和实验条件，生成可执行的实验设计方案，明确研究变量、技术路线、关键步骤与结果判定方式。 由此，科学调研不再停留于信息收集，而成为高质量判断和后续科研行动的起点。 02科研执行阶段：假设不停留于讨论，点击即可验证 从假设到验证，真正耗时的往往才刚开始。 研究者不仅需要选择合适的模型和方法，还要完成数据获取、软件安装、环境配置、参数设置、任务运行、故障处理和结果分析。失败了，还需要换一套参数重新来。 在玻尔·科学空间，AI科学家能够根据研究目标自动拆解任务，调用对应的数据、模型、软件与算力资源，执行计算、模拟和数据分析，并在关键节点检查结果。 研究者可以围绕科学问题持续提出下一步要求，而不必在多个工具与工作环境之间反复切换。 面向生物、医学、药物研发与材料科学等领域，玻尔·科学空间已内置BioMaster、PharmMaster、MatMaster等AI学科专家，支持不同类型的真实科研任务。 研究者只负责提出问题，AI科学家把验证跑起来。 BioMaster：让生物医学分析过程可执行、可追溯、可复用 生物信息学研究常常需要在论文、公共数据库、代码仓库和分析软件之间持续切换。 真正耗时的并不只是运行代码，还包括找到正确数据、还原分析方法、处理版本依赖、核对参数，并判断结果是否具有可信的生物学意义。 以三个典型任务为例： 论文分析复现： BioMaster可以理解论文方法，关联GEO等公共数据与作者代码，完成数据获取、环境执行、代码调试和结果核查，将公开论文转化为可以实际运行与继续利用的科研资产。 单细胞数据分析： 围绕同一个科学问题组织数据处理、RNA velocity等分析流程与科研绘图，保留前序结果，并支持研究者基于结果继续追加分析。 基因变异解读： 围绕TP53等基因变异，跨ClinVar、UniProt、PDB、AlphaFold等数据源完成实体对齐、证据核验、统计分析和可视化，形成带有来源与证据等级的结构化结果。 BioMaster将分散的数据查询与计算步骤组织为可检查的分析链路，使研究者把更多精力用于判断结果、理解机制与设计下一步研究。 PharmMaster：贯通从靶点调研到分子设计的研发链路 药物研发涉及靶点调研与立项、专利格局、作用机制、构效关系、结构分析、分子设计和成药性评估等多个环节。 各环节所需信息、模型和工具不同，研究结论还需要在上下游任务之间持续传递。 以ITK靶点抑制剂的立项和开发为例，PharmMaster可以做到以下几点： 围绕研究目标广泛收集资料，准确实现专利与竞争格局分析，加速立项调研与决策； 通过分子识别和上下文语义关联，完成SAR分析解读； 自动发起计算任务，完成起点分子筛选，并进一步开展共晶结构解析、逆合成拆解、新分子推荐以及活性与ADMET性质评估等工作，在分子发现、优化的流程中为研发人员提供全面的智力支持。 不同步骤不再是彼此割裂的单点任务和复杂工具组合，而是由同一研究目标驱动、能够持续推进的研发工作流。 研究者可以检查每一步的依据和结果，并据此调整设计方向，进入下一轮候选分子优化。 MatMaster：从性能目标出发组织材料设计与模拟 材料研发需要在文献证据、结构设计、性能预测与机理验证之间建立联系。 以高温介电薄膜为例，研究者需要系统梳理相关体系，理解结构与性能关系，再通过DFT、分子动力学等方法验证候选材料的稳定性与作用机理。 研究者可以在玻尔·科学空间中描述目标性能、工作温度和材料约束。 MatMaster据此完成领域调研、候选体系设计、计算模拟与结果分析，并给出值得进一步实验验证的材料方向及其依据。 由此，研究者的关注重点从“寻找一种满足要求的材料”，进一步走向“哪些体系值得优先验证，以及为什么”。 03成果输出阶段：写得靠谱，审到可信 研究完成后，还有最后一道关卡： 怎么把结果写清楚？引用是否可靠？数据与结论是否一致？面对审稿人的追问，证据是否站得住？ 在玻尔·科学空间，写作助手可以根据研究数据与分析结果，协助研究者梳理思路、组织论文结构、严谨成文，并输出LaTeX等可继续编辑的内容。 审查助手则围绕论文逻辑、引用来源、图表数据与支撑材料进行核验，提示需要进一步确认或补强的位置。 研究成果站在全世界、全时代积累的科学知识之上形成，也需要重新进入人类知识体系，接受检验、讨论与验证。 玻尔·科学空间通过写作与审查工作流，帮助研究者将计算和实验结果转化为结构清楚、证据可追溯、能够继续接受专业审视的科学成果。 为什么在玻尔·科学空间AI能够执行真实科研任务？ 让AI真正进入科研流程，关键不在于单纯增加模型参数或对话能力，而在于为其提供理解科学、组织任务、调用工具和接受验证的完整环境。 01规模化科研要素：连接知识、计算与实验资源 Science Nav