一、问题：科研进入“高密度信息时代”，效率与可靠性面临双重压力 近年来，全球科研产出快速增长，文献与专利规模持续攀升，数据类型从传统文本扩展至基因序列、蛋白结构、表型组学、材料谱图等多模态形态，科研人员检索、筛选、复现与验证环节的时间成本显著上升；同时，跨学科交叉加速，数据异构、工具分散、流程割裂等问题愈发突出，导致“想法提出快、落地验证慢”的矛盾更加尖锐。如何在确保科研严谨性与数据安全的前提下，提高科研组织效率，成为科研基础设施升级的重要议题。 二、原因：工具型辅助难以覆盖科研闭环，自主协作能力成为新需求 业内人士指出，传统科研辅助工具多停留在“按指令执行”的阶段，往往只能解决单一环节任务，难以对复杂科研活动进行连续规划、动态决策与过程记录。科研工作不仅需要计算能力，还需要对研究目标、实验条件、数据质量与方法选择进行持续权衡，并形成可追溯的决策链条。随着自动化实验设备、云端数据资源与学科模型库不断丰富，科研对“能统筹、会协同、可追溯”的系统性能力提出更高要求，推动科研智能体从“工具集合”向“流程伙伴”演进。 三、影响：从文献到实验的链路被打通，科研组织方式有望重塑 发布会上亮相的科研智能体“大圣”由上海科学智能研究院联合复旦大学推出。研发团队介绍，该系统以多模态基础模型为核心，可直接处理DNA序列、蛋白质结构等复杂科学数据，并集成超过300个经过验证的科研工具包，覆盖生命科学、物质科学等20余个应用场景。在ncRNA分类任务中，该系统实现96.3%的准确率，显示出较强的生物信息处理能力。 与以往单点工具不同，“大圣”强调科研全流程管理：可记录研究假设、关键决策路径、失败经验与数据版本，支持多智能体并行分工协作，并通过内置安全机制兼顾数据合规与过程严谨。现场演示中，该系统连接机械臂和自动化移液设备，实现实验平台24小时运行，效率较传统模式提升约3至4倍，表明了“计算—实验”协同的潜力。 在空间计算上，天算实验室验证了从地面数据互联到星上计算的闭环能力，对应的气象模型已轨运行一段时间，显示该类系统在远端部署、实时处理等场景的扩展可能。 四、对策：以平台化资源与标准化赛事推动能力迭代，夯实“可用、可信、可扩展”底座 支撑“大圣”运行的星河启智平台同步完成升级，平台现拥有400余个科学模型、22PB级结构化数据以及5亿篇文献专利资源。数据显示，近半年平台模型与工具数量增长约100%，数据规模扩张约80%，入驻科研团队增长12倍，服务网络覆盖更广泛科研群体。通过“模型库+数据湖+工具链”的平台化组织方式，科研团队可在统一环境中调用资源、沉淀流程，并降低跨机构协作成本。 为检验并推动智能体能力边界，相关上还启动AI4S智能体挑战赛，要求参赛系统在尽量少人工干预条件下，完成从文献解析、方案生成、计算验证到实验验证的科研闭环，并产出具有发表价值的成果。赛事以高标准牵引能力提升，有助于形成可比较、可复现的评测体系，推动科研智能体从“能用”走向“好用、常用”。 五、前景：人机分工或将重构科研范式，关键在于安全、规范与高质量验证 业内普遍认为，科研智能体的价值不止于提速，更在于改变科研组织方式：人类研究者更聚焦提出原创假设与关键判断，系统承担高强度的检索、复现、参数扫描、流程记录与部分实验执行等基础工作。以心肌病基因研究为例，系统可自动完成文献检索、代码获取、数据分析与模型优化，推动基因调控模型更精细化；在表型组学等信息密集领域，可从海量文献中筛选关键进展并形成定制简报；在药物研发场景中，对难成药靶点的筛选与评估亦显示出潜在产业价值。 同时也应看到，科研智能体的广泛应用需在数据安全、伦理合规、方法透明与可复现性上建立更严格的制度与技术保障：包括关键结论的独立验证机制、全链路审计与追溯、重要数据与模型的访问控制，以及面向不同学科的标准化工作流。只有在“可验证、可追责、可复现”的框架下，科研效率提升才能转化为可信的科学增量。
"大圣"系统的研发是人工智能与科学研究融合的重要成果，展示了我国在智能化领域的创新能力。随着应用推广，我国科研体系有望实现跨越发展。这个实践不仅为解决关键技术难题提供了新思路，也为全球科研变革贡献了中国方案。未来如何优化人机协同、释放创新潜力，将成为科技改革的重要方向。