2026年10月，OpenAI公开了七百余篇由内部AI模型生成的数学研究手稿，部分结果附有可供计算机核验的形式化证明。同月，瑞典查默斯理工学院的“AI科学家”系统在酿酒酵母上实现了从假设生成到实验验证的闭环，极少人工干预。更早一些，BitMiracle AI Lab的科研智能体让1个Claude Opus 5.5指挥136个GPT 6 Astra，用11天破解了一道1974年提出的化学猜想。AlphaProof Nexus一口气解决了9个埃尔德什开放问题，其中两个困扰数学家超过50年。
从“能不能做出发现”的角度看，科研Agent在2026年已经跨过了一道曾经被认为属于人类专属领域的门槛。但橡树岭国家实验室在同年7月发布的社区路线图中，用一句话划出了这个领域真正的分界线：“产生一个候选发现不再是困难的部分，验证它才是。这种不对称性现在对自主科学的限制，超过了原始模型能力。 ”
生成能力的爆发是真实的。验证的结构性瓶颈同样是真实的。而数字孪生与“专家级产出平民化”，正是围绕这条分界线展开的两种截然不同的回应。AI4S从“能不能发现”到“能不能进入研发预算”
资本市场对AI4S的定价，在2026年完成了一次性质转变。此前几年，AI4S的故事围绕“AI能不能找到一个更好的分子”展开，估值锚定在技术潜力上。2026年的问题变成了：AI能不能真正进入企业的研发预算，成为持续使用的生产工具。
数据给出了方向性的答案。晶泰科技2026年上半年收入3.8至4.0亿元，其中AI4S智慧解决方案收入超过1.8亿元，同比增长超过120%。AI制药领域，字节跳动分拆的Anew Labs完成2.9亿美元首轮独立融资，Isomorphic Labs完成21亿美元B轮融资，并以400至500亿美元估值洽谈新一轮。生成式AI在材料科学领域的市场规模预计从2026年的约22亿美元增长至2030年的70亿美元。国盛证券的测算更为激进：AI4S在各行业企业研发支出中的渗透率达到10%时，全球市场规模将达595亿美元。
更值得注意的信号来自产业链的结构性变化。长江证券的判断精确地捕捉到了当前的产业节奏：“设计端扩张与验证端扩产正在同时发生”。模型玩家的能力验证场正在从Coding转向科研工作流——GPT-6在Terminal-Bench Science 0.1上取得SOTA，成本比对照组节省27%，覆盖生命科学、物理科学、地球科学、数学科学和工程科学五大领域。Anthropic推出Claude Science，预置几十项科研连接器；英伟达发布BioNeMo Agent Toolkit并联合赛默飞将智能体延伸至实验室硬件设备。科研工作流过去需要多轮对话人工衔接的“文献调研→提出假设→跑模拟→核对数据→给出建议”链条，理论上已经能被一个Agent串起来跑完。
但产业链的瓶颈也在同步迁移。金斯瑞加入礼来AI/ML药物发现平台TuneLab提供湿实验服务，百普赛斯从蛋白试剂供应商向“AI蛋白设计+实验验证+生物制造应用”延伸，近3亿美元募资重点投向高通量湿实验设施。模型越强、设计通量越大，后端实验验证和数据回流的重要性越高，产业研发瓶颈则进一步向真实实验验证迁移。Coding之后，AI4S之所以被视为“下一个能算清ROI的场景”，恰恰因为科学研究同时满足三个条件：工作足够昂贵、适合AI反复执行、结果可以被客观验证。但“可以被客观验证”是一个理论条件，它的实现依赖于验证基础设施的供给速度，而后者远远落后于生成能力的扩张速度。为什么“产生发现”不再是困难的部分
要理解验证为什么成为结构性瓶颈，需要先看清科研Agent的“可验证性”与编程、知识工作之间的本质差异。
编程Agent的验证是即时且完备的：编译器判断语法，测试套件判断行为，CI/CD流水线在每一次提交上自动运行。知识工作Agent的验证是延迟但可审核的：一份报告的事实和逻辑可以由一个有经验的审核者在合理时间内判定。科研Agent的验证则是延迟、昂贵且不完整的。一个AI预测的分子能否合成，需要湿实验；一种材料是否达到性能要求，需要制备、表征和可靠性测试；一个数学证明是否成立，需要同行评审或形式化验证，而形式化验证本身需要数周到数月的人工投入。
李国杰在2026年8月的分析中对此的表述是精确的：AI在可形式化、可验证、高度重复的科学任务上效率远超人类，但“制约AI4S发展的障碍还包括验证不完备和科研目标漂移”。验证瓶颈的根源被概括为“科学问题的半可判定性”。新华网的报道给出了一个触目惊心的数字：AI4S领域大量AI预测结果得到实验验证的不到0.2%。
更麻烦的是，验证的缺失并不总是以“未验证”的形式暴露出来。橡树岭的路线图记录了一个标志性事件：一个旗舰级的发现结果被更正。Nature 2026年报道的三个里程碑式AI系统——Empirical Research Assistant（ERA）、The AI Scientist和MIRA——展示了从软件开发到论文撰写再到临床决策的自主能力，但同时也暴露了“幻觉引用、错误代码、重复图表、物理上不可能的结果，以及难以复现的输出”。一项对八十个“AI科学家”系统的调查得出了一个比任何单项失败都更重要的结构性结论：“最可靠地预测一个系统产出的认识论地位的，不是它的自主性或架构，而是封闭其循环的评估器的强度。” 只有极少数系统产出了在其生成组件之外被验证的发现，而这些系统集中在评估器“廉价、可并行、机器可读”的领域——算法、形式数学、无机材料、电催化、脂质和材料发现，以及窄带的合成化学。在其他所有领域，主导的评估器是“LLM-as-judge”，这意味着大多数“AI科学家”的产出是候选，而非发现。
这解释了为什么科研Agent的商业化呈现出一种分裂的图景。在设计端，模型能力的提升可以直接转化为调用量和收入——晶泰的AI4S解决方案收入翻倍、Anew Labs和Isomorphic的融资规模、Claude Science的入口卡位，都是生成能力商业化的证据。但在验证端，实验通量和数据回流的速度构成了一个物理上限。长江证券对此的判断是冷静的：“产业研发瓶颈则进一步向真实实验验证迁移”。当候选通量越大，高质量的湿实验验证与数据越成为新瓶颈。数字孪生在“生成”与“验证”之间插入一个可计算的中间层
如果验证的物理瓶颈无法被绕过，那么一个自然的战略回应是：在生成与物理验证之间，插入一个可以被计算验证的中间层。数字孪生——尤其是科研场景中的“群体数字孪生”和“患者特异性肿瘤数字孪生”——正是这一逻辑的产物。
APOD（Agentic Population ODE Discovery）是2026年最清晰地展示这一逻辑的案例。它是一个语言模型Agent，在开放式搜索空间中迭代地推理生物学知识和拟合诊断，自主发现群体数字孪生——描述药物在群体层面动态行为的微分方程系统。在放射性配体治疗中，APOD提出的血小板动力学数字孪生能够从第一周期的数据预测血小板减少症，并模拟替代给药方案以降低预测的毒性风险。这个案例的意义不在于“Agent又发现了一个方程”，而在于验证的对象从“物理实验”迁移到了“留出数据上的预测表现” 。一个数字孪生的“正确性”可以通过它在未参与拟合的数据上的预测精度来判定——这是一种可计算、可复现、可并行的验证，不需要等待湿实验的周期和成本。
OncoTwin Sentinel代表了同一个方向的临床化延伸。它从传统的分析流水线演化为一个可检查的Agent工作流，构建了一个受治理的多模态研究孪生，用于研究合成的耐药肿瘤克隆并评估纳米颗粒递送策略；Twin Simulator比较24小时内肿瘤递送与肝肾蓄积。Neovivum与欧洲合作伙伴开发的智能病理扫描仪则为胰腺癌构建患者特异性肿瘤数字孪生，以预测治疗反应，并于2026年进入EMA突破性医疗器械认定通道。Google让智能体进入湿实验室的实践则展示了另一种混合路径：Agent先在模拟中筛选，再进入物理实验，针对FAP受体的蛋白结合剂在几轮实验内就达到了个位数纳摩尔的亲和力——这通常是多轮实验室优化之后才有的水平。
数字孪生在科研Agent经济中的位置，可以用一个精确的框架来定位。它不是验证的替代品，而是验证的“预筛层”和“加速层” 。物理验证的瓶颈是实验通量，而实验通量受限于设备、耗材、人力和时间。数字孪生的价值在于：在进入物理验证之前，用计算的方式淘汰掉那些在留出数据上表现不佳的候选，从而把有限的实验通量集中在最有希望的候选上。一个数字孪生如果能在留出数据上可靠地预测毒性风险，它就把“验证”的一部分从湿实验转移到了计算——这不是消除了验证瓶颈，而是把瓶颈从“实验供给”部分转移到了“数据供给和模型保真度”。
但数字孪生也有它自己的“可验证性阶梯”位置。一个在留出数据上表现良好的孪生，仍然需要在物理实验中被最终确认。APOD的预测需要被前瞻性临床试验验证，OncoTwin的递送策略需要被动物模型和人体试验验证。数字孪生能做的，是提高进入物理验证的候选的质量，而不是替代物理验证本身。这意味着它的商业价值高度依赖于它所服务的物理验证管线的规模和成本结构：在药物研发中，一个能减少30%无效湿实验的孪生具有巨大的经济价值；在材料科学中，一个能预测合成可行性的孪生同样有价值，但“可制造、可表征、可应用”的最终验证仍然需要中试和产业认证的完整周期。专家级产出平民化是工具下沉的真实边界
“专家级产出平民化”是科研Agent叙事中最具感召力、也最容易被过度诠释的部分。2026年的现实是：工具的下沉是真实的，但“专家级判断”的下沉远未发生。
工具层面的下沉已经形成了规模。中国科学院南海海洋研究所开源的SciAssistant基于华为盘古大模型深度搜索框架，通过Planner、Information Seeker和Writer三个Agent协作，可自动生成万字以上的专业报告。北大元空联合实验室开源OpenAI4S，采用MIT协议允许无限制商用和二次开发。香港大学黄超团队开源的AI-Researcher已被NeurIPS 2025接收为Spotlight，内建Benchmark覆盖扩散模型、向量量化等五个方向，产出“媲美顶会论文的研究成果”。国家超算互联网上线科研专属智能体SClaw，集成科研Skill、大模型路由、科学数据库和知识库，限时免费1000万Tokens。中科院计算机网络信息中心等联合开源的ResearchClaw则把AI科研助理装进了Overleaf。YC孵化的OpenScience提供了Claude Science的开源平替，主Agent规划、子Agent并行、Reviewer审核。
这些工具的共同特征是：它们降低的是“执行科研工作流”的门槛，而不是“判断科研价值”的门槛。一个没有受过训练的用户可以用SciAssistant生成一份万字综述，但这份综述的质量取决于Agent检索到的文献质量、它对领域共识的识别能力，以及它是否能区分“已确立的结论”和“有争议的假设”。LLM-as-judge作为评估器的普遍使用，意味着这些工具的产出在认识论上处于“候选”地位，而非“发现”。南华师范大学应光国在评论三个Nature级AI系统时的判断同样适用于平民化工具：“AI科学家可以极大地扩展我们探索想法和进行实验的能力，但科学判断、伦理责任和人类监督仍然至关重要”。
更微妙的是责任的不对称性。当一个专家使用Agent生成一份报告时，专家有能力和权威对报告中的主张进行判断和背书；当一个非专家使用同一个Agent时，报告的“专家级外观”与“专家级可靠性”之间的差距就变成了一个风险敞口。这正是我们在卷五第32篇AI-5-32: 企业级知识工作agent中讨论的知识工作Agent“可问责性”问题在科研场景中的放大版：工具让非专家能够产出一个看起来像专家产出的东西，但它没有让非专家获得判断这个东西是否正确的 sécurité。专家级产出平民化的真正含义，不是“人人都能做科研”，而是“科研工作中的执行片段可以被更广泛的人触达，但判断和问责仍然集中在有资格的人手中”。科研Agent在可验证性阶梯上的位置
把科研Agent放回卷五逐步展开的“可验证性阶梯”上，它处在最陡峭、也最危险的一段。
编程Agent的验证是自动的，因此生成能力的提升可以直接转化为交付量的增长。知识工作Agent的验证是可审核的，因此工业化集中在“可被验证的工作片段”上。漫剧的验证是统计性的（播放量、付费），因此量产能力越强，分发端的竞争越惨烈。科研Agent的验证是半可判定的、物理上昂贵的、且失败模式高度隐蔽的。一个幻觉引用、一段错误代码、一个物理上不可能的结果，可能在“看起来合理”的外表下存活很长时间，直到某个后续实验或复现尝试才被暴露。
这解释了为什么橡树岭的路线图将“信任、验证和可复现性”从交叉关切提升为一等维度，并规划了一条两年的路径：第一年集中在接口、协议采用和验证脚手架，第二年目标联邦、零信任协调和治理。这也解释了为什么“评估器的强度”而非“系统的自主性”成为预测产出质量的最可靠变量。科研Agent的竞争，在2026年已经从“谁能生成更多候选”转向了“谁能以更低的成本、更高的通量、更可审计的方式验证候选”。金斯瑞的湿实验设施、晶泰的机器人实验室、APOD的数字孪生、形式化验证工具（Lean、DRAT证明检查）——这些看似分散的投入，指向的是同一个瓶颈。
李国杰对未来五年的预判为这个瓶颈提供了一个时间尺度。在药物研发中，AI有望将部分发现阶段从5至6年压缩到2至3年，发现阶段成本降低40%至60%，但完整研发仍需8至12年；到2035年前后，获批新药中由AI主导发现和设计的比例有望提升到20%以上。在材料科学中，AI预测的稳定晶体可能已有数十万种，但到2030年前后真正进入中试或产业化的将主要集中在电池电解质、固态离子导体、催化剂等高价值领域，完整周期通常仍需5至10年。生成侧的加速是数倍到数十倍的，验证侧的加速是个位数百分比的——这个不对称性，就是科研Agent经济在2026年的真实约束。科研Agent的终局不是“替代科学家”，而是重新划分“可计算”与“不可计算”的边界
科研Agent在2026年的进展是真实的：它能够串起过去需要多轮人工衔接的科研工作流，能够在数学和化学中产出可被形式化核验的构造，能够在数字孪生中把一部分验证从湿实验迁移到计算。但它的边界同样是真实的：产生候选发现不再困难，验证候选发现仍然是整个系统中最昂贵、最缓慢、最不可自动化的环节。
专家级产出平民化的终局，不是一个“人人都是科学家”的世界，而是一个科研工作的“可计算片段”被工具化、被下沉、被更广泛的人触达，而“不可计算片段”——提出正确的问题、判断结果的意义、承担伦理和社会的责任——仍然集中在受过训练的人手中的世界。这个划分线的位置，不取决于模型能力的下一个版本，而取决于验证基础设施的供给速度：数字孪生能多可靠地把物理验证的候选池收窄，自动化实验室能多快地把实验通量提上去，形式化验证能多便宜地把数学和算法领域的“候选”转化为“已证”。在这些基础设施成熟之前，科研Agent最诚实的自我描述，不是一个“自主科学家”，而是一个大幅扩展了候选空间、同时把瓶颈更尖锐地暴露在验证端的加速器。而科学，从来不是在候选空间最丰富的时候进步最快，而是在验证最可靠的时候。
OCR:IMG:A图片