科研是 AI 最早實現廣泛落地的行業之一。

在 ChatGPT 掀起這一輪生成式 AI 熱潮之前，甚至可以追溯到上一輪由機器學習主導的技術浪潮中，AI 就已被用于氣候模型參數校準、分子動力學模擬加速等科研任務。尤其在 2018 年前后，DeepMind 推出的 AlphaFold 在蛋白質結構預測方面實現突破，不僅引發了醫藥行業的技術革命，更被《自然》雜志評價為「解決了生物學五十年來的重大挑戰」。

近年來，生成式 AI 的進步推動了新一輪科研范式的變革。進入 2024 年后，隨著推理模型和 Agent 架構的快速發展，AI 正在從「能讀會寫」進一步邁向「能動手干活」，科研場景也迎來了智能體技術的全面介入。

近日，深勢科技與上海交通大學等聯合發布的 SciMaster，它被定義為「通用科研助手」——不僅能理解科研問題、拆解任務，還能在調研、計算、模擬、寫作等多個環節自動調度工具、協同執行任務，完成一整套完整的科研流程。

SciMaster丨來自：深勢科技

更值得關注的是，隨著「讀、寫」能力進一步增強，這樣一款原本面向科研場景構建的智能體，正在顯現出「能力外溢」的特征。 像我這樣的科技媒體作者，還有行業研究員、教育工作者、專業內容創作者，也可以將它納入自己的工具箱。這些群體未必具備科研背景，但由于日常工作中同樣面臨知識構建、內容組織、復雜信息處理等需求，SciMaster 恰恰能在這些環節提供真正的幫助。

正因如此，正式發布后，SciMaster 很快引起關注，在閑魚上一個邀請碼被炒到近千元。我也在與深勢科技團隊溝通后，要來一個測試資格，得以親自上手體驗。

SciMaster 邀請碼在閑魚上以將近 1000 元的價格出售丨來自：閑魚

從「AI for Science」到「AI for Everyone's Science」，這是我在實際體驗了幾天之后，得到的最直接、也是最深的感受。

可以「讀、算、做、寫」的 AI 科學助手

過去十年，AI 被廣泛應用于科研。但它的角色往往局限于「環節優化工具」：比如用 AlphaFold 預測蛋白質結構，用大模型查找論文、翻譯文獻、整理數據等。這些能力有用，卻始終只是局部增強。真正「做科研」的能力，仍被視為人類研究者的專屬領域。

SciMaster 正在挑戰這一范式。它并不是一個傳統意義上的「科研工具」，而更像是一種全新的「AI 科研助手」——具備自主開展研究的能力，能夠在完整科研流程中獨立承擔起結構化任務。

它的特別之處，在于兩種能力的疊加：一方面，它連接了超過 1.8 億篇高質量論文和眾多科研工具、平臺，為獲取、調用科研資源打下堅實基礎；另一方面，它基于推理模型構建了科研任務的組織與思考能力，能夠像研究者一樣理解一個科學問題，并圍繞目標任務制定研究路徑、調研驗證、階段性匯報。

SciMaster 的執行鏈路丨來自：深勢科技

SciMaster 的能力路徑可以被概括為四個字：讀、算、做、寫——這是所有科研人員日常工作的主軸。 它當前的強項集中在「讀」和「寫」這兩個最接近認知與語言的階段，而「算」和「做」的行動力則在通過工具接入與任務編排不斷演化。

在「讀寫」兩項能力上，SciMaster 已體現出成熟的科研能力。 可以把它看作是深勢科技此前推出的玻爾科研平臺的延續與升級。玻爾已經實現了文獻調研、內容總結與報告生成的基本能力，解決了科研初期的「寫作瓶頸」。而 SciMaster 更進一步，它不僅能理解任務背景，還具備任務拆解和策略生成的能力，能動態組織信息、調節路徑，并以結構化方式完成科研產出。

比如我向 SciMaster 提出這樣一個問題：「主流量子計算架構（如離子阱、超導）有哪些發展瓶頸？」它的回答并不是直接生成一段答案，而是按科研范式展開調研工作。首先搜索該領域近三年專業綜述，確保信息具備系統性與前沿性；其次拓展跨學科語義關聯，如物理學、工程領域等，檢索潛在影響因子；最后對候選文獻進行語義抽象與解析，梳理出關鍵結論與共識性判斷，最終生成一份具備來源追溯、理論結構、突破路徑的報告。

對于一個科學問題，SciMaster 的研究過程丨來自：極客公園

這個過程中，SciMaster 展現出了「研究員式的思維能力」：它不會憑空生成答案，而是構建路徑、組織知識、迭代優化，真正具備了科研策略意識。正因如此，它在知識密集行業中也展現出「超科研」價值：無論是行業研究員、政策制定者還是媒體記者，借助它，都能像擁有一個隱形科研拍檔，快速上手復雜議題、生產高質量分析內容。

如果說「讀寫」能力已相對成熟，那么「算做」環節代表的是這個產品的未來，其真正打開了 SciMaster 的延展空間。 它沒有試圖用語言模型去替代數值計算或實驗操作，而是構建了一個「智能體框架」，調度外部能力組件，比如集成在玻爾 Uni-Lab 廣場的實驗設備和系統等，將科研任務流程串聯成一個可執行閉環。

玻爾 Uni-Lab 智能實驗室操作系統丨來自：bohrium.com

這種機制，在實際科研場景中已開始落地。例如在新藥立項階段，藥企往往需要判斷一個靶點是否具備研發價值。以往這個環節依賴專家經驗、人工文獻篩選和實驗驗證，如今 SciMaster 可以通過結構預測、作用機制推演、文獻整合與臨床數據分析，輔助評估「是否值得投入資源深入研發」。

深勢科技曾提到，一家藥企客戶使用 SciMaster，在短短幾天內完成了一個抗腫瘤靶點的可行性分析報告，覆蓋已有藥物機制、專利壁壘、空間分布與潛在藥效等內容，原本可能需要一個小團隊耗費數周完成。

類似的閉環也在材料領域發生。深勢科技已與宜賓新能源新材料數智創新中心的干濕閉環實驗系統實現云端聯動。研究者只需輸入目標性能，系統即可調用專屬知識庫、Uni-ELF 配方大模型與自動實驗工站，自動完成從方案推薦到驗證迭代的研發過程。這一機制使配方交付效率提升了 10 倍。

需要特別強調的是，SciMaster 并不是「萬能科研機器人」。 它更像是一個分布式科研系統的協調中樞，通過調度知識、算力、工具和設備，為科研工作者提供系統級支持。 它不直接取代研究員的判斷力，而是讓人類可以更專注于真正的科研決策，而非信息堆砌與冗雜操作。

所以，與其說它是「超級科學家」，不如說它正在成為一個「結構化科研體」——具備組織、規劃、執行科研任務的系統性能力，協助人類完成從提出問題到初步驗證的閉環研究。這種定位，也更契合它當前的發展階段：它不是智商 300 的超級 AI 科學家，而是一個「可以協作的優秀 AI 助手」。

而未來，隨著更多垂直知識庫、仿真工具、實驗接口與物理設備的接入，這個「科研助手」將變得越來越強。它未必能取代人類科學家，但有可能重塑科研的方式：不再靠投入時間和人力推進進展，而是在系統協作中，提高整個研究體系的效率。

這就是 SciMaster 未來最大的意義——它不是工具，而是一個新形態的「科學合作者」。

它不僅屬于實驗室，也屬于更廣義的「知識工作者」

從深勢科技此前的產品「玻爾」，到現在的 SciMaster，其并不只為科學家服務。它的結構化思維、專業理解和問題拆解能力，正在向科研圈層之外自然溢出。

玻爾主要面向科研早期的信息整理和知識整合，解決「不會查、寫太慢」的問題。而 SciMaster 在此基礎上，引入了推理模型、任務規劃能力與跨工具協同機制，已從一個查文獻、寫綜述的智能工具，成長為具備科研路徑構建與模擬驗證能力的「科學助手」。它不僅能「幫科學家做科研」，也逐漸體現出在更廣泛人群中的實際價值。

作為一名科技媒體從業者，我在內容生產中也面臨「類科研」問題：比如涉足一個新的前沿技術領域的選題，需要厘清其發展脈絡、判斷不同技術路線的優劣、提煉出有邏輯的觀點。這些工作，與科研相比雖然不需建模實驗，卻同樣依賴結構化思考和知識系統構建能力。

我最近正在研究 AI 芯片和 AI 基礎設施領域。帶著這種需求，我圍繞「AI 芯片領域的技術差距與基礎設施挑戰」這一主題，寫了一個簡單的 Prompt，讓 ChatGPT 和 SciMaster 分別生成一份面向入門者的分析報告。兩者的表現風格與能力各具特點：

AI 芯片研究報告節選 左：SciMaster 右：ChatGPT 丨來自：極客公園

ChatGPT 的最大優勢在于邏輯表達流暢，具備對用戶指令意圖的快速響應能力。例如我提出希望了解「英偉達與其他芯片公司的差距」，它不僅羅列了不同廠商的架構對比，還進一步推薦了可學習的文獻方向，延伸建議我可以采訪的行業專家和關注的行業重要會議，其提供的結果非常契合我的真實需求和工作方式。

而 SciMaster 則呈現出一種更「學術化」的思維方式。它沒有急于回答問題，而是先解析任務結構，并選擇使用不同工具協同執行：先用網絡和文獻搜索工具查找基礎信息，再聚合文獻數據，并進行量化對比。最終給出的內容引入了多個專業來源（如 IDC、arXiv、Nature），并通過 Python 腳本完成芯片算力與帶寬的精度對比。 其呈現的結果更專業，論點使用了大量的數字支撐，來源也能夠進行追溯，內容看起來更加專業。

SciMaster 還具備編輯思維鏈的能力丨來自：深勢科技

正是這種「以科研思維做任務」的能力，使得 SciMaster 在許多高要求的信息分析任務中具備更大的潛力。例如，未來它若能進一步擴展對專業數據庫、仿真工具、行業知識庫的調用能力，對于獨立研究者、小型研究機構，甚至政策制定部門來說，都是一種「低門檻專業支持系統」。相比傳統 AI 助手，它不僅能「寫出一份報告」，更有能力在關鍵推演路徑、數據來源驗證上，提供「像科研一樣嚴謹」的結果。

從我的實際體驗出發，目前的 SciMaster 還遠不是「通才型」的 AI 科學家，它并不能完全取代專家判斷，也不具備強大的自適應交互能力。但它已經是一種清晰的、功能明確的 AI 合作者雛形——不只是為科研服務，也適用于更多在信息密集環境中工作的人們：內容創作者、行業研究員、教育工作者，甚至是企業知識管理部門。

隨著未來更多工具、知識庫和執行接口的接入，它所代表的「科研智能體范式」，也許將在實驗室之外，為更多非科研行業帶來生產力的提升。這不僅關乎 AI 如何做科研，更關乎我們如何用科研方法做更科學的事。

?

SciMaster Reports丨來自：深勢科技

結語

無論是模擬科研流程，還是輔助復雜內容創作，SciMaster 展現出了一種新的 AI 工作方式：不是簡單地生成結果，而是圍繞問題本身組織信息、拆解路徑、調度工具，完成一個更接近「科研范式」的思考閉環。

它的意義，不止于打造一個「更會寫報告」的工具，而在于讓智能體協作這一新范式，在科研這類高門檻場景中率先落地，并自然延展至更多非科研人群的知識工作中。

當然，從目前的表現看，它距離「超級 AI 科學家」還有空間——基礎模型仍需提升理解力和任務建構能力。但作為科研協作體的雛形，它已能在「讀、算、做、寫」各環節中提供結構化、專業化的支撐。

也許我們可以換一個角度看待這類智能體：它不是來替代科學家，而是讓更多人擁有像科學家一樣思考和解決問題的能力。SciMaster 的出現，也許正標志著「AI for Science」從實驗室走向更廣泛現實場景的起點。