From Zebrafish to Aerospace Vehicles: An AI Platform Is Rewriting the Rules of Scientific Discovery

Full text · 原文 4,534 字

脑科学研究有一个著名的“不可能三角”。 你想研究复杂认知功能，就得用接近人类的动物模型。越接近人类，实验周期越长、成本越高。周期越长、成本越高，能验证的假设就越少。 小鼠实验按月算，猕猴实验按年算，人类临床研究按十年算。时间，是脑科学最昂贵的成本。 2026年7月17日，WAIC科学前沿论坛。上海人工智能实验室主任周伯文发布了一个叫「书生・端砚」的科学发现平台。对脑科学来说，这个平台给出了一条新路：用AI在斑马鱼身上“预演”本该在哺乳动物身上做的实验。 斑马鱼和人类基因同源性超过70%，神经回路结构和功能原理与哺乳动物高度保守。胚胎透明、发育快、可大规模并行实验——它是脑科学领域性价比最高的脊椎动物模型之一。 但传统研究有个死结：从鱼到人，中间隔着巨大的认知鸿沟。鱼脑的神经活动怎么映射到哺乳动物的行为决策？在鱼身上验证的发现，对人类研究有多大参考价值？ 「书生・端砚」给出的答案是，构建一个有真实解剖学依据的虚拟斑马鱼系统。 观看视频： https://mp.weixin.qq.com/s/x6WBr5uMLr3g7rNTKWFv4w 脑神经科学家和AI研究者在“书生”的帮助下，打造了全球首个基于脊椎动物斑马鱼底层架构的自主脑科学发现平台∑Brains-Lab，搭建了“脑—躯体—环境”全闭环数字仿真体系。这个数字脑不是凭空捏的—— 它首次建立了具有介观图谱约束的脊椎模式动物数字脑，神经网络连接有真实的解剖学依据。 效果怎么样？ 数字斑马鱼大脑的行为预测准确率超过69%；配套AI神经科学家智能体自主完成数字实验，分析结论与人类领域专家匹配度超75%。 系统可形成干湿一体科研闭环—— 在数字世界里完成假设验证，用真实实验确认，数据回流优化模型。而且这套系统可以从斑马鱼逐步泛化到小鼠、猕猴，最终到人脑，无需大量活体动物实验即可自主产出全新脑神经机理科学发现。 在数字斑马鱼上快速验证100个假设，筛选出最有希望的3个，再到更复杂的模型上重点攻关。这不是替代真实实验，是用AI把试错空间压缩到原来的几十分之一。 一场关于“元认知”的赌局 数字斑马鱼只是一个切口。 真正值得关注的是——「书生・端砚」已经在生命科学、关键材料、半导体、核聚变、量子、地球气象六大领域同时落地。 凭什么能横跨六个学科？ 周伯文在演讲里用了一个比喻：中国传统语境里的“书生”不是只会四书五经的应试者，而是琴棋书画、六艺皆精的通才。“端砚”则是书生产出影响力的载体。 但这个比喻背后，藏着一个更大的判断——元认知的能力。 这个能力被周伯文提到了决定性的高度。 指的是“对认知的认知”——也就是你对自己知识状态的理解和调控能力。 一个具备元认知能力的人，不仅能解决问题，还知道自己知道什么、不知道什么，以及该如何去获取不知道的东西。说白了：你知道自己不知道，并且知道怎么去把不知道变成知道。 科学也将达到元认知的时刻。他指出，当前 AI 科研的核心短板，并非知识储备不足，而是极度缺乏真实科研场景的失败样本与负反馈。 WAIC 2026科学前沿论坛的主旨演讲中周伯文抛了一组数据：过去一年半，AI编程成功率从不足5%飙到超过88%。但顶尖大模型在端到端科学研究任务上的完成率，过去18个月始终停留在3%左右。 一冷一热。 “Coding能被攻克，是因为反馈及时、边界清晰；而科学研究是开放任务，反馈周期长、失败率高。”周伯文说。 他的判断是：“科学研究是下一个Coding。” AI for Science不是通用AI的一个应用场景，而是突破AI智能上限的必经之路。 要跨越这3%到88%之间的鸿沟，具备元认知能力，AI需要做到三件事：从“数据驱动”到“世界交互”，从“及时反馈”到“长程推理”，从“模仿正确”到“善用失败”。 当这三个转变叠加，模型就会迎来所谓的 “科学元认知时刻”。 而「书生・端砚」就是为迎接这个时刻准备的闭环系统。这不止是工具堆叠，这是一套通过可信验证持续重构认知的闭环系统。 一个平台，五个齿轮 「书生・端砚」之所以能构建完整科学元认知闭环，核心依托五大底层要素深度协同、环环咬合，形成 “算力 — 数据 — 模型 — 智能体 — 自主实验” 全栈一体化基础设施。 五大层级各司其职、无缝流转。 算力层：依托DeepLink超智融合算力平台，联动全国各大超算、智算中心统一调度。 数据层：搭载Sciverse科学智能数据库，储备超2800万篇可直接用于模型训练的专业论文。 模型层：以397B参数的科学大模型Intern-S2-Preview为智能中枢，创新拆分记忆存储与推理运算，推理效率提升近四倍，仅397B参数就能在分子、材料预测任务上追平此前万亿参数模型。 智能体层：内置200余个跨学科专业智能体，能够自主拆解复杂科研任务。 实验层：通过具身自动化实验硬件，完成从数字推演到实物验证的最后一步。 五大要素环环相扣，让平台实现了“算力—数据—模型—智能体—自主实验”全栈要素的贯通。 但把这些技术名词翻译成科研人员的日常，意思很简单：你不需要再在多个不同的工具之间来回搬运数据了。 平台围绕一个研究课题，可串联起问题定义、文献调研、假设生成、方案设计、仿真计算、实验验证、结果分析、反馈修正与成果撰写全链条。 干湿闭环：真正的分水岭 五大要素的全栈贯通，解决了科研工具碎片化、数据流转低效的行业痛点。 但真正拉开「书生・端砚」与普通AI科研工具差距的，是它打通了干湿实验的完整闭环。 「书生・端砚」生成的虚拟筛选方案，能标准化转换为自动化设备执行指令。实验跑出来的数据，自动回流反哺模型。 形成“设定目标—模型设计—计算筛选—自动实验—结果判断—反馈再设计”的循环。 市面上绝大多数AI科研工具停在“干实验”环节—— 文献检索、代码生成、计算模拟。真实科研场景对AI的需求仍有一个大缺口：把AI的“想法”变成真实实验的“动作”，再把实验数据“喂”回给AI。 「书生・端砚」把这个缺口堵上了。 其本质是范式的跃迁——只有打通了湿实验，AI才算真正进入了科学发现的闭环。 观看视频： https://mp.weixin.qq.com/s/x6WBr5uMLr3g7rNTKWFv4w 安全：不是“附加项”，是“入场券” 效率的提升必须建立在平台的可信基础之上。 对生物医药、新材料等前沿领域而言，数据安全从来不是锦上添花的附加功能，而是 AI 进入科研核心场景的入场券。 「书生・端砚」平台将可信从 “附加项” 提升为平台建设的核心前提，平台在安全方面建了三道防线： 全流程数据留痕。构建研究全过程的可信数据链，从数据来源、处理步骤、模型调用到科研产物到最终结论全流程留痕，形成来源可靠、数据可溯、产物一致、结论有据。 多智能体交叉验证。通过多智能体对关键假设、方法和结论进行交叉验证，降低单一模型的偏差和幻觉风险。 守住数据、算力、权限边界。通过本地优先、计算隔离和外网访问控制，守住科研数据、算力和权限边界，让错误能够被发现、过程能够被复核、责任能够被追溯，让AI从答案生成器真正走向可以进入科研流程的可靠研究伙伴。 开放：不建壁垒，建接口 在筑牢安全边界、守住科研底线的同时，「书生・端砚」选择了一条与封闭生态截然不同的发展路径：不构建技术壁垒，而做万能接口。 平台推出了科学智能上下文统一协议（SCP），兼容各类科研智能体、软件工具与实验硬件。不构建技术壁垒，而是提供万能接口，连接全球科研模型、工具、数据、算力等各类资源。 这种开放协同的设计思路，让「书生・端砚」不再是一个孤立的工具平台，而是一个能够连接全球科研模型、工具、数据与算力的生态枢纽，让全球科研资源能够沿着同一条科学发现链路汇聚起来。 从“神之一手”到系统能力 架构设计的先进性，最终要靠真实的科研成果来验证。 从单点突破到规模化产出，「书生・端砚」正在把偶然的 “神之一手”，沉淀为可验证、可迭代、可规模化的系统能力。 蛋白质定向进化，提供了一个真实的验证。清华大学的张数一课题组花了四年改造一个基因调控蛋白，按照传统思路研究主要集中在核心功能区域，进展缓慢。「书生・端砚」引入后，仅两轮迭代就在一个传统上被认为无关紧要的“非功能区”锁定了，发现了一轮新的突变组合。 蛋白质功能较此前《自然》报道的最佳结果提升77% ，较野生型提高50倍。验证周期被压缩到原来的二十分之一。 注意一个细节：关键突变出现在传统认为的“非功能区”。AI发现的东西，超出了人类的既有认知边界。 周伯文对此的总结很直白：“端砚要做的，就是把偶然的‘神之一手’，变成可验证、可迭代、可规模化的科学发现能力。” 这不是孤例。「书生・端砚」已经在生命科学、关键材料、半导体、核聚变、量子、地球气象等核心领域落地，成为科研人员重构科学发现范式的得力助手。 在脑科学领域，除了斑马鱼数字脑，平台还建成了统一脑电与脑磁信号的大脑基础模型，实现跨设备、跨模态、跨任务、跨被试的统一神经信号建模，相关成果刊发于《细胞》子刊。 △统一脑电与脑磁信号的大脑基础模型 在地球科学领域，协助大气物理学家构建了Earth-o1大气世界模型，跳过了传统数值求解器，直接从卫星观测数据中学习地球系统的三维演化，在36小时预测窗口内，观测预报技巧超越传统数值模式15%，并支持任意时刻、任意位置的大气状态推演。 △Earth-o1大气世界模型 在空天飞行器领域，联合中国航天科技集团推出的“书生·扶摇”，让飞行器概念设计具备了小时级迭代能力——而传统流程按周计算。 △空天飞行器气动智能联合创新平台“书生·扶摇” 在电镀材料领域，联合厦门大学将原本数小时的高精度计算压缩至毫秒级，使电镀配方研发从“经验试错”转向“AI预测、实验验证”的高通量模式。 △先进封装电子电镀配方研发智能体 在量子计算领域，帮助物理学家打造了全球首套AI中性原子并行排布算法，将原子排布从指数级搜索压缩至常数级执行路径，仅60毫秒即可搭建2024个原子的无缺陷二维和三维阵列——这项突破入选美国物理学会《物理》2025年度全球九大物理学重大进展。…… 从脑科学到空天飞行器，从量子计算到地球科学——从水里游的到天上飞的，从微观到宏观——AI驱动科学发现已不再是PPT里的概念，而是已经在多个学科被验证的实战能力。 今年3月，上海AI实验室发布了面向重大科学研究突破的 “AGI4S珠穆朗玛计划”。『书生・端砚』是该计划的核心落地载体。 「书生・端砚」从2025年初代书生科学发现平台（Intern-Discovery）升级而来，呈现出科研流程贯通、学科纵深加强、数据安全可控、运行可信透明四个特点。确立了学科纵深、全流程贯通、原生科研产物、安全可控、可信透明、开放协同六项设计理念。 平台即日起开启内测，一个月后对全球科学家开放公测，两个月后发布桌面版。 它不仅仅是又一个普通的科研工具。 它是一套贯通 “认知、推演、行动和反馈”的全新范式——让AI从 “重述已知”走向“产出未知” 。 本文系量子位获上海AI实验室授权刊载，观点仅为原作者所有。

Site key	qbitai
Policy area	人工智能
Category	report
AI score	0.34

From Zebrafish to Aerospace Vehicles: An AI Platform Is Rewriting the Rules of Scientific Discovery

从斑马鱼到空天飞行器，一个AI平台正在重写科学发现的规则