化。在这套工作流程下，人主要负责授权和决策，智能体则实现7×24小时自主运行进行实验。 中国工程院外籍院士、香港科技大学首席副校长郭毅可。来源：香港科技大学   郭毅可提出一个分阶段的科研生态愿景：第一阶段实现个体实验室Agent化，第二阶段形成跨团队Agent协作网络，第三阶段走向全球科研主动推理生态，使知识持续进化、认知价值最大化。   伦敦大学学院计算机科学系教授汪军介绍，他们针对科研需求上线了可以在线持续学习的智能体，该智能体可以根据科研人员的问题自主在网上寻找资料，并能够自行泛化持续进化。   在汪军看来，AI与Science的重要结合点在于：许多科学问题本质上是优化与决策问题，AI的优势在于更大的搜索空间、更快的结果反馈、可并行推理、可自动调用强化学习策略，且能在长时间运行中保持稳定输出。例如他所在的团队在与合肥中科大合作的“AI化学家”项目中，已经构建了一套多智能体协作系统，将贝叶斯优化、强化学习等方法嵌入硬件实验设备，当前第一阶段已走通；系统能够在高维参数空间中自主搜索最优解，实现从实验设计、执行、分析到优化的闭环流程，且全程无人工干预。   不过，与会专家也直言，当前AI for Science的发展仍处于起步阶段，诸多瓶颈亟待突破，成为制约其规模化落地的关键因素。漆远认为，科研智能体还需要解决一系列特殊问题，例如科学数据的高保真输入与输出、多模态科学数据对齐以及科学词元（Token）生成等，以减少信息损失并降低模型幻觉。汪军则表示，与大模型能快速反馈不同，化学实验等科研场景里Agent反馈往往更慢、成本更高。在这一条件下，如何实现有效优化与闭环，是必须跨越的门槛。   澎湃新闻记者 喻琰责任编辑：吴思楠
=*=*=*=*=*=
当前为第2/2页
上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页