玻尔科学空间：AI赋能科研，释放科学家创造潜力
科研人员最珍贵的时间，本应用于提出突破性问题、解析深层科学机制、推动重要发现，却常常被大量繁琐的事务性工作消耗——从文献检索、数据整理，到环境配置、结果复现，再到沟通协调，往往占据了大部分精力。如今，一款面向多学科科研场景的AI科研工作台正式推出公开测试版，它将本地与云端的科学数据、计算资源、实验工具整合为统一的桌面环境，把面向不同学科的AI科学家深度嵌入科研全流程，让研究者只需专注提问与确认，其余的“体力活”都由平台接管。
在科研启动的调研阶段，很多研究者都会陷入“信息过载”的困境：面对海量文献，很难快速厘清领域内的共识、尚存争议的方向以及尚未被探索的空白。这款科研工作台内置的全科科研助手SciMaster，可以通过对话式交互接收研究问题，自动检索全球范围内的学术文献与专利资源，不仅能理解文本内容，还能解析论文中的图表、分子结构、数学公式，最终生成结构化的调研结果。基于这些结果，系统会进一步梳理领域内的研究共识、关键分歧与未解决的问题，帮助研究者提出有扎实依据、可落地验证的研究假设。当假设具备推进价值时，AI助手还可以结合已有研究基础、可用数据与实验条件，生成完整的可执行实验设计方案，明确研究变量、技术路线、核心步骤与结果判定标准。
进入科研执行阶段后，从假设到验证的过程往往充满繁琐的细节：研究者需要选择合适的模型与方法，完成数据获取、软件安装、环境配置、参数调试、任务运行、故障排查与结果分析，哪怕一次失败都需要调整参数重新开始。这款科研工作台的AI科学家可以根据研究目标自动拆解任务，按需调用对应的数据、模型、软件与算力资源，自动执行计算、模拟与数据分析，并在关键节点自动校验结果。研究者无需在多个工具与工作环境之间反复切换，只需围绕科学问题提出下一步需求即可。
针对生物、医学、药物研发与材料科学等不同领域，平台内置了针对性的学科AI专家：
- 生物医学分析专家BioMaster：生物信息学研究常常需要在论文、公共数据库、代码仓库与分析软件之间反复切换，真正耗时的往往不是运行代码本身，而是找到正确的数据、还原分析方法、处理版本依赖、核对参数并判断结果的生物学意义。BioMaster可以完成三类典型科研任务：一是论文分析复现，它可以理解论文中的研究方法，关联公共数据库与作者公开的代码，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；二是单细胞数据分析，围绕统一的科学问题组织数据处理、RNA velocity分析流程与科研绘图，保留前序分析结果并支持基于结果追加后续分析；三是基因变异解读，围绕TP53等目标基因变异，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。BioMaster将分散的数据查询与计算步骤整合为可追溯的分析链路，让研究者可以将更多精力用于判断结果、理解机制与设计下一步研究。
- 药物研发专家PharmMaster：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、分子设计与成药性评估等多个环节，每个环节所需的信息、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可以围绕研究目标广泛收集资料，完成精准的专利与竞争格局分析，加速立项调研与决策；通过分子识别与上下文语义关联完成SAR分析解读，自动发起计算任务完成初始分子筛选，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，为研发人员在分子发现与优化的全流程中提供全面的智力支持。不同的研发环节不再是彼此割裂的单点任务与复杂工具组合，而是由同一研究目标驱动的连贯工作流，研究者可以随时检查每一步的依据与结果，并据此调整设计方向，进入下一轮的候选分子优化。
- 材料设计专家MatMaster：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完整的逻辑链条。以高温介电薄膜的研发为例，研究者需要系统梳理相关研究体系，理解材料结构与性能之间的关联关系，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。在这款科研工作台中，研究者只需描述目标性能、工作温度与材料约束条件，MatMaster就可以据此完成领域调研、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，让研发从“寻找满足要求的材料”升级为“明确哪些体系值得优先验证，以及背后的科学依据”。
当科研工作进入成果输出阶段，研究者还需要面对另一项挑战：如何将研究结果清晰严谨地撰写成文，确保引用可靠、数据与结论一致，并能从容应对审稿人的质疑。这款科研工作台的写作助手可以根据研究数据与分析结果，协助研究者梳理研究思路、组织论文结构、完成严谨的文稿撰写，并输出LaTeX等可继续编辑的格式文件。同时，审查助手会围绕论文逻辑、引用来源、图表数据与支撑材料进行全面核验，提示需要进一步确认或补强的内容。通过这套写作与审查工作流，研究者可以将计算与实验结果转化为结构清晰、证据可追溯、能够接受专业审视的科学成果，让研究成果真正融入全球科学知识体系。
要让AI真正融入科研流程，核心不在于单纯增加模型参数或对话能力，而是为其提供理解科学问题、组织研究任务、调用专业工具并接受结果验证的完整环境。这款平台的技术底座主要由四个核心部分构成：
- 规模化科研要素连接：Science Navigator连接了超过2亿篇学术文献与专利资源，让AI可以从持续更新的全球科学知识库中检索可靠证据；DeployMaster精选部署了超过5万个经典科学计算工具，并与自研的“深势・宇知”系列模型以及Uni-FEP、Uni-Dock等计算工具体系深度整合，让模型与软件可以根据任务需求即时调用；在湿实验环节，Uni-Lab-OS已经可以连接超过150个大类、1800款仪器设备，并正在拓展更广阔的实验仪器生态，未来将实现数据、样品、操作与结果的全链路整合。
- 多模态知识理解与组织：Uni-Parser可以高效处理论文、图表、分子结构、公式、表格与实验记录等多模态科学信息，针对文本、数学公式与表格三类结构化内容的解析准确率均超过98%，同时还能有效识别图表、流程图、分子式与化学反应式等复杂视觉信息，将分散的科学数据转化为统一、可溯源且机器可读的格式。科学导航与大知识模型LKM则可以进一步梳理文献、专利、数据与研究记录之间的实体关系、证据来源与研究脉络，让AI能够围绕具体科学问题精准理解领域内的已有共识、关键分歧与未解决的研究空白。
- 智能体编排与长程执行框架：SciX智能体框架可以将整体研究目标拆解为可执行的具体步骤，协调知识、模型、软件、算力与实验资源，并在关键节点进行自动校验；当任务阶段性受阻时，框架还可以自动诊断问题并进行矫正，拥有极高的任务容错率。Sandbox环境为任务提供批量、隔离且可恢复的运行环境，并支持在异构计算资源之间进行调度，在累计启动超过185万次的统计窗口内，任务创建成功率达到了98.8%。依托这套框架，AI可以从单次研究对话切入完整的科研工作流，持续完成调研、假设推演、计算模拟、结果分析与成果输出。
- 协同进化机制：每一次文献检索、论文阅读、计算调用与实验执行，都会构成当前问题的处理过程；而研究者的修正意见、计算结果、实验数据与失败经验，共同构成了“科学训练场”，为工具、智能体与人类经验的积累提供长期反馈。随着更多流程被执行、校验与复用，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智能体的自学习与自进化机制，平台会逐渐适配不同研究者的使用习惯，帮助科研组织将团队的任务经验充分沉淀到工作体系中，减少重复的配置与试错工作。有关平台技术成果的更多细节，将在未来陆续对外公布。
这款科研工作台不仅可以作为科研人员调用知识、数据与工具的统一个人工作台，还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：
- 对于一线科研人员，它可以大幅减少跨数据库检索、环境配置、工具切换与结果整理所占用的时间，让研究过程真正由科学问题驱动，而非被工具操作绑架；
- 对于课题组与研发团队，它可以帮助团队将关键研究方法、参数配置、分析过程与最终结果形成可追溯的完整记录，让经过验证的分析流程可以被团队成员检查、复用与迭代；
- 对于科研机构与企业研发组织，它提供了统一的环境来连接内部数据、计算资源、专业工具与领域经验，支持人类科学家与AI科学家在真实科研任务中深度协同。
在提升科研效率的同时，一个更根本的问题也逐渐凸显：当更多研究流程可以由AI协助完成时，哪些科学问题最值得被优先探索？基于这一思考，相关团队发起了“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研究问题，并依托这款科研工作台与AI科学家的能力，为入选的问题提供从科学调研、假设推演、计算模拟到结果验证的全流程科研支持，推动有价值的科学问题从提出走向持续探索。该计划希望联合全球科研人员，持续发现值得长期投入的重要科学问题，探索人类科学家与AI科学家协同推进科学发现的全新路径，让重要的问题被看见，让有价值的想法获得验证，让AI科学家真正参与解决真正值得投入的科学问题。
能够持续执行完整科研任务的AI科学家正在快速发展，未来的科学发现将越来越多地来自人类科学家与AI科学家的深度协同。人类科学家的好奇心、判断力与创造力永远不会被AI取代，AI更适合承担那些繁琐、重复但不可或缺的工作，将宝贵的时间还给研究者，让他们可以专注于提出更重要的问题、理解更深层的科学机制、探索尚未被解释的自然现象。这款科研工作台致力于搭建人类科学家与AI科学家共同工作的科研环境，让每一条研究证据都不被遗漏，让每一个有价值的想法都有机会被验证，让每一次探索都更接近最终的科学发现，为科学研究打造一个可以持续思考、持续行动、持续验证与持续进化的专属空间。
