文章摘要
深势科技推出公开测试版的玻尔·科学空间，这是专为科研人员与AI协同打造的桌面端环境。它能接管科研链路中的繁琐事务，科研人员只需提问与确认结果。该平台涵盖科研调研、执行、成果输出等环节，由四大核心技术模块支撑，具有多元价值。此外，深势科技发起“玻尔107计划”，推动科研协同发展。

很多科研人员都会发现，真正投入到创新性研究的时间，远比想象中更少。一个新课题启动时，最先面对的从来不是灵光乍现的研究假设，而是一连串琐碎又耗神的准备工作：分散在不同数据库、表格、文件夹与实验记录里的文献与数据需要逐一翻找、对齐；藏在论文细节里的关键方法和实验条件要反复辨别整合；好不容易形成有潜力的假设后，又会被环境配置、参数调试、反复试错拖住进度；等到终于跑出初步结果，还要花费大量精力清洗数据、制作图表、解释结论。

也就是说，科研人员最宝贵的时间本该用来提出更具突破性的问题、理解更深层的科学机制、做出更重要的发现，却常常被搜索、整理、验证、复现和沟通这类重复性的“体力劳动”消耗殆尽。那么，有没有工具能够把这些被占用的时间还给科研人员？近日，深势科技给出了自己的解决方案——正式推出公开测试版的玻尔·科学空间，这是一款专为科研人员与AI科学家协同工作打造的桌面端环境。它向下对接本地与云端的科学数据、计算资源与实验设施，向上将面向不同学科的AI专家直接嵌入完整科研流程中。从调研、假设、验证、复现、成图到审稿，整条科研链路下来，研究者只需要做好两件事：提出问题，以及确认结果，其余所有繁琐的事务性工作，都可以交由这个平台接管。

科研调研：从信息收集到高质量研究起点

面对一个新的研究课题，最难的从来不是“搜到更多论文”，而是从海量信息中分辨出哪些已经成为领域共识、哪些仍存在争议、还有哪些问题尚未被解答。在玻尔·科学空间中，科研人员可以通过自然对话提出研究问题，平台内置的全科科研专家SciMaster会围绕问题自动检索全球文献与专利，不仅能理解论文中的文字、图表、分子结构与公式，还能生成结构化的调研结果。

在此基础上，系统会自动梳理研究领域的共识、争议与空白地带，帮助科研人员提出有依据、可验证的研究假设。当假设具备推进价值时，AI专家还能结合现有研究、可用数据与实验条件，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标准，让科学调研不再停留在简单的信息收集，而是成为高质量判断与后续科研行动的坚实起点。

科研执行：让假设从讨论落地到验证

从提出假设到完成验证，往往是科研中最耗时的环节。科研人员不仅要选择合适的模型与方法，还要完成数据获取、软件安装、环境配置、参数设置、任务运行、故障排查与结果分析，一旦失败还要重新调整参数反复尝试。在玻尔·科学空间中，AI专家可以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，自动执行计算、模拟与数据分析，并在关键节点对结果进行校验。科研人员只需要围绕科学问题持续提出下一步需求，无需在多个工具与工作环境之间反复切换。

平台针对生物、医学、药物研发与材料科学等领域，内置了BioMaster、PharmMaster、MatMaster等学科专属AI专家，支持各类真实科研任务。以生物信息学研究为例，这类工作常常需要在论文、公共数据库、代码仓库与分析软件之间反复切换，真正耗时的不仅是运行代码，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，以及判断结果是否具备可信的生物学意义。

  • 论文分析复现：BioMaster可以理解论文中的研究方法，关联GEO等公共数据与作者代码，完成数据获取、环境部署、代码调试与结果核查，将公开论文转化为可实际运行与复用的科研资产。
  • 单细胞数据分析：围绕同一科学问题组织数据处理、RNA velocity分析等流程与科研绘图，保留前期结果并支持基于结果追加后续分析。
  • 基因变异解读：围绕TP53等基因变异，跨ClinVar、UniProt、PDB、AlphaFold等多个数据源完成实体对齐、证据核验、统计分析与可视化，生成带有来源与证据等级的结构化结果。

通过将分散的数据查询与计算步骤整合成可检查的分析链路，BioMaster让科研人员能够将更多精力放在判断结果、理解机制与设计后续研究上。

药物研发涉及靶点调研与立项、专利格局分析、作用机制研究、构效关系分析、结构解析、分子设计与成药性评估等多个环节，各环节所需的信息、模型与工具各不相同，研究结论还需要在上下游任务之间持续传递。以ITK靶点抑制剂的立项与开发为例，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。

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，让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”。

成果输出：让研究成果严谨可追溯

研究完成后，科研人员还要面对最后一道关卡：

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。

平台背后的核心技术支撑

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。这一环境由四大核心技术模块支撑：

规模化科研要素整合

Science Navigator连接超过2亿篇文献与专利，使AI能够从持续更新的科学知识中检索证据；DeployMaster精选部署超5万个经典科学计算工具，并与深势科技自研的“深势·宇知”模型和工具，如DPA、Uni-Mol、Uni-AIMS等大模型，及Uni-FEP、Uni-Dock等计算工具体系形成密切配合，使模型与软件可以根据任务被即时调用；在湿实验的执行阶段，Uni-Lab-OS已经能够连接超150个大类、1800款仪器设备，并正在连接更广阔的实验仪器生态，未来会让数据、样品、操作与结果整合进入统一闭环的研究链路。这些丰富、适配智能体的科研要素，为AI执行真实科研任务提供基础。

多模态知识理解与组织

Uni-Parser可高效处理论文、图表、分子结构、公式、表格及实验记录等多模态科学信息。针对文本、数学公式和表格三类结构化内容，其解析准确率均超过98%；同时，系统还能有效识别图表、流程图、分子式与化学反应式等复杂视觉信息，实现分散数据的统一化、可溯源与机器可读转化。科学导航与大知识模型LKM进一步组织文献、专利、数据与研究记录之间的实体关系、证据来源和研究脉络，使AI能够围绕一个科学问题理解已有共识、关键分歧与研究空白。

智能体编排与长程执行

SciX智能体框架将研究目标拆解为可执行步骤，协调知识、模型、软件、算力和实验资源，并在关键节点进行检查与校验；在任务阶段性受阻时也能够自动诊断与矫正，拥有极高的任务容错率。Sandbox为任务提供批量、隔离和可恢复的运行环境，并支持在异构计算资源之间进行调度，在累计启动约185万次的统计窗口内创建成功率达到98.8%。AI因此能够从一次研究对话进入完整科研工作流，持续执行调研、假设推演、计算模拟、结果分析与成果输出。

协同进化机制

每一次检索、阅读、计算调用和实验执行，都构成当前问题的处理过程；科学家的修正、计算结果、实验数据与失败经验，也共同构成“科学训练场”，为工具、智能体和人类经验的积累和训练提升提供长期养料，为后续更好地完成科研任务提供重要反馈。随着更多流程被执行、校验和复用，经过验证的方法可以沉淀为可复用的能力与工作流，借助EvoMaster智能体的自学习和自进化机制，平台也会“越来越懂你”，帮助科研组织把任务经验充分沉淀到整个工作体系中，减少重复配置与重复试错。有关玻尔·科学空间以上技术成果的更多进展，将于不久的未来陆续跟大家见面。

平台的多元价值

玻尔·科学空间既可以作为科研人员调用知识、数据和工具的统一工作台，也可以成为科研团队组织AI科学家、复用研究流程与沉淀科研经验的协作环境。

  • 对于科研人员，它减少跨数据库检索、环境配置、工具切换和结果整理所占用的时间，使研究过程更多由科学问题而非工具操作驱动。
  • 对于课题组和研发团队，它帮助关键方法、参数、过程与结果形成可追溯记录，使经过验证的分析流程能够被检查、复用与迭代。
  • 对于科研机构与企业研发组织，它为连接内部数据、计算资源、专业工具和领域经验提供统一环境，支持人类科学家与AI科学家在真实任务中协同。

科研效率不断提升的同时，一个更根本的问题也愈发重要：当更多研究过程可以由AI协助完成，哪些科学问题最值得被优先探索？基于此，深势科技发起“玻尔107计划”，面向全球科研人员征集具有重要科学价值与探索潜力的问题，并依托玻尔·科学空间及AI科学家的能力，为入选问题提供从科学调研、假设推演、计算模拟到结果验证的科研支持，推动有价值的科学问题从提出走向持续探索。

深势科技希望联合全球科研人员，持续发现值得长期投入的重要问题，探索人类科学家与AI科学家协同推进科学发现的新路径。让重要的问题被看见，让有价值的想法获得验证，让AI科学家参与解决真正值得解决的科学问题。

能够持续执行科研任务的AI科学家正在快速发展。未来的科学发现，也将越来越多地来自人类科学家与AI科学家的深度协同。但人类科学家的好奇心、判断力与创造力不会被AI取代。AI更适合承担那些繁琐、重复但不可或缺的工作，把更多时间还给科学家——提出更重要的问题，理解更深层的机制，探索尚未被解释的现象。让每一条证据都不被遗漏，让每一个想法都有机会被验证，让每一次探索都更接近发现。

玻尔·科学空间致力于搭建人类科学家与AI科学家共同工作的科研环境，让科学研究拥有一个可以持续思考、持续行动、持续验证和持续进化的空间。

立即体验玻尔·科学空间：https://www.bohrium.com/bohrscience

以上内容不代表本平台立场，仅供读者参考