上海漕河泾新兴技术开发区，一场持续5天24小时的「百题马拉松」直播正在刷新人们对科研的认知。AI模型以毫秒级速度预测分子结构，智能体实时调度自动化实验室，机械臂根据指令精准完成试剂注入、合成与提纯——全程无人工参与，唯有数据在系统中高速流转。

这场直播的起点，是7月7日下午举行的「科研普惠新时代——打造AI赋能的超级科研工厂」成果发布会。会上，由上海科学智能研究院（下称「上智院」）牵头建设、重点孵化企业上海格物智研科技有限公司（下称「格物智研」）打造运营的「Golab物质科学智能研发工厂」正式亮相。这一面向物质科学领域的新型科研基础设施，成功跑通了国内领先的「AI计算—自动实验—数据回流—模型自进化」干湿闭环全流程。

而「百题马拉松」，正是这套体系面向公众的一次「大考」——连续5天不间断直播，围绕高分子材料、废旧锂电池、药物研发、催化剂等物质科学重点场景，以真实课题集中验证科学智能（AI for Science）驱动科研的新范式。据统计，从7月7日至7月9日，系统通过大语言模型自主编排任务和调用工具，任务编排合理性高达100%，工具调用成功率及完成率超过95%。

目前，直播还在进行中，一项针对通用偶联反应的催化剂研究已取得初步成果：第一轮实验已经完成，模型为4个典型偶联反应推荐一种催化体系，经自动化实验验证，相较文献方案，其中3个反应活性提升约20%；接下来，针对表现较差的反应，系统将开展第二轮优化。

为什么要做「科研工厂」

当AlphaFold2从氨基酸序列直接预测出蛋白质三维结构，人们看到了AI预测模型极大的潜力。因此，在前几年的科学智能发展中，研究者们集中精力研发「预测模型」，追求更高的精度与更快的速度。

但这类模型的局限性很快凸显。它们其实是「黑箱」预测器，能快速预测大量物质结构，却无法解释构象背后的物理化学机制。这种缺乏机理阐释的单一结果，给实验科学家带来了沉重的验证负担，使得AI预测与物理实验证实之间出现了明显的效率断层。

问题不在于模型预测准不准，而在于它无法解释「为什么」。为此，自2023年开始，上智院物质科学团队从微观世界的量子力学出发，着力打造一个懂物质机理的模型——燧人物质科学大模型。

但是，团队很快发现，仅有能做好干实验的模型是远远不够的。从科研产出的实际价值来看，真有用的成果必然源于领域内的全流程贯通。这也是科学智能领域逐渐形成的共识：能深刻改变科研效率的，不是单个模型，而是由科学基础模型、自动化实验室和真实实验数据反馈共同构成的干湿闭环系统。

在这一趋势下，全球科学智能领域已涌现出多条探索路径，包括自驱动实验室方案、科研智能体方案、科学工作台与云实验室方案等。而上智院物质科学与格物智研的研创一体团队选择了一条系统化的路径：构建端到端科研工厂，打通「物质科学基础模型—自动化湿实验—真实数据反馈—模型再决策」的完整闭环。

为什么要做这样一个科研工厂？带着这个问题，ScienceAI专访了上智院AI科学家、格物智研创始人曹风雷。他同时也是上海市青浦复旦未来技术研究院的未来材料领域首席科学家。

十几年来，曹风雷辗转高校、企业和科研机构。他在博士期间聚焦量子力学计算，博士后从事分子动力学，在上海交通大学任教时主攻能源材料和化学，后来到国内早期AI制药公司工作。2023年底，曹风雷加入刚刚成立的上智院，带领团队开发化学反应等物质科学模型和智能体。

跨机构、跨领域的经历让他深谙从应用场景出发的物质科学研究的全链条逻辑。在他看来，科研工厂的路径选择，是为了破解两个根本矛盾：

其一，物质科学的研究链条从计算到合成、从表征到测试本就是贯通的，但不少科研组织习惯于「各守一隅」，导致有价值的发现往往止步于半途。例如合成团队止步于物质合成，较少延伸至下游性能评估。

然而，要获得有意义的科学发现，不应该在中间环节停下来，而是需要像现代工厂那样，让原料从一端进入，经过所有车间的一整套工序，最终在另一端输出完整的产品。科研要产生广泛价值，就必须跑完整个链路。

其二，AI的批量化产出与人类实验的有限节奏严重错配，让科学智能陷入「预测过剩、验证不足」的困境。AI可批量生成海量结构与实验方案，但人类科研人员受制于体能与时间，实验验证节奏远跟不上AI的产出速度。

更值得警惕的是，这种割裂不仅存在于速度层面，更渗透到科研组织方式中。放眼行业，大量「AI驱动的科研」其实名不副实：AI团队关起门来训练模型，刷论文指标；实验团队埋头做自己的湿实验，按老办法推进课题。AI产出海量预测却验证匮乏，实验数据也极少回流去校正模型假设。科学智能本该是AI和Science、干实验和湿实验双向奔赴的闭环，现实中却成了两条平行线。

曹风雷指出：模型本身具有的计划性和批量化特征，恰恰与现代工厂的属性高度契合。只有当科研模式从「单点式验证」升级为「工厂式流转」，AI的规模优势才能转化为科研效率的跃迁，而非停留在纸面上的预测堆砌。

建起一座科研工厂

「Golab物质科学智能研发工厂」的搭建理念在于协同运转三大要素：一个通用的跨领域基础模型充当「大脑」，一个自驱动实验室作为伸向物理世界的「双手」，以及一套让二者持续相互校正、越用越强的自进化系统。

搭建思路听起来流畅自然，但想要实现广泛的科研和行业场景价值，每一步都必须做到精深。

首先，工厂的「大脑」必须是一个「懂」机理的模型

过往经验告诉我们，如果模型只是在拟合统计相关性，那它仍是一个高级插值器，而非科学发现工具。为此，上智院自2023年成立起便重点打造燧人物质科学系列模型，并将物理机理深度嵌入模型底层作为核心目标。

物质科学在基础层面研究的是分子与原子的运动变化规律，而支配分子原子运动的底层法则是量子力学等物理机制。问题的关键在于：如何让模型学到通用的物理机制？上智院物质科学团队的思路是多阶段学习的过程——先依托量子力学的公式学习最基础的微观空间，然后通过扫描不同构象的微观状态，理解从微观到宏观的物理世界过渡。在完成这个过程后，模型理解了通用的机制，在此基础上设计了一套「专事专用」的微调机制，让模型能把学习到的机制应用到各种各样的计算化学任务中。

循此思路，燧人模型得以从经验拟合走向物理约束驱动。团队进一步在算法层面架起了从微观三维构型到宏观统计性质之间的桥梁，建成并打通了基座层、功能层、应用层，最终模型成长为跨物质科学领域的通用引擎。一个「懂」机理的科研大脑，由此成形。

其次，物理世界的「双手」——自驱动实验室

自驱动实验室是这个科研工厂高效运转起来的关键。模型计算生成的虚拟候选物，要想兑现为实际的科研价值，无论预测多么精准，都必须先被真实合成出来，并纯化为可供测试的纯净样品，执行下游性能评估与验证环节。

以往自动化实验室的能力范围，大多止步于反应执行，即完成投料、温控、搅拌等合成操作。这在单点验证的场景下或许足够，但对于一个追求端到端贯通的科研工厂而言，远远不够。关键瓶颈出现在反应之后的「后处理」环节：萃取、过滤、浓缩、柱层析等提纯步骤。这些繁琐而精细的操作，占据了实验人员大部分的工作时间，却长期游离于自动化体系之外。

团队的设备供应商，原有的工艺流程只能做到四步自动化，而端到端科研需要的却是八步。现成的设备体系不匹配，整个行业几乎没有人涉足过这个领域。「供应商一开始觉得我们要求太苛刻了，」曹风雷说，「但我们认为，如果这步打不通，闭环就永远缺一口。」

曹风雷的感慨是有原因的。相比生物类，化学类的AI驱动无人实验室的挑战要艰巨得多。高效催化剂、创新药物、储能材料、碳捕集材料，每一个方向都有独特的反应条件与分离方法，步骤更多、变量更杂。如今AI要直接联动验证设备，前提是整个链条的每一个环节都必须被机器理解，而化学实验的复杂性恰恰让这种「翻译」变得极其困难。

科研有需求，产业有设备，缺的是一座桥梁。团队潜下心来，与供应商并肩攻关，把四步流程拓展到了八步，实现了自动化理念的一次倒逼式升级。今年6月，无人介入的自驱动实验室一期在上海漕河泾建成投运；近3000平方米的二期工程也已启动建设，计划明年初在青浦区投入运行。

此外，为了实现AI计算与实验设备的直接联动，无需人工介入，团队还研发了实验方案设计智能体，覆盖了药物、合成、电池、高分子材料等多个流水线。智能体使用了大量团队自研工具，其中，合成规划研究成果登上了《Nature Machine Intelligence》封面。

最后，自进化系统

一个好的科研工厂，不应只是按部就班地运转，更需具备自我进化的能力，在每一次循环中变得更好、更聪明、更精准。

自进化系统的核心驱动力，来自实验数据的结构化回流。无论成功或失败，所有实验结果均会反馈给模型，用于校验预测、修正参数。这一机制带来了双重收益：一方面，自驱动实验室得以持续产出物质科学领域长期稀缺的高质量实验数据；另一方面，模型在真实数据的反馈修正下完成了自我迭代。整条技术链在无人干预的情况下实现了自主进化。

串联起模型、自驱动实验室与自进化系统的，是浑天绫Skills平台。它就像这座科研工厂的「总调度师」，将算法、数据、算力、实验拆解为标准化、可组合的生产单元，再通过实验设计智能体统一编排，将「干实验（AI模拟计算）—连接层（智能体）—湿实验（物理世界验证）—数据回流」贯通为可自动执行、无需人工翻译的完整闭环。

在「百题马拉松」直播中，浑天绫的调度能力得到了直观展现。过渡态初猜是化学反应机理研究的关键步骤，传统做法需要经验丰富的化学专家手动搭建，而浑天绫直接调用了团队自研的过渡态生成模型UniTS-Gen，自主完成该步骤，消除了流程中的人工干预。

值得一提的是，为了保证科学发现的可解释性，「Golab物质科学智能研发工厂」在每个环节都设置了交互入口，科研人员可以随时查看工作进展，介入调整。

高处见机遇，微处探需求

经过两年多的磨合与成长，上智院物质科学团队成为了如今格物智研公司的核心班底，这支研创一体团队在2026走向了产业一线。这家科研工厂之于这些青年科学家来说，有着超越技术本身的意义——它回应了一个长期困扰科研人员的结构性难题。

在科研领域，不是所有的好想法都能落为现实。

一个值得探索的科学假设，可能卡在「没有设备」上，实验室买不起几百万的仪器，课题组排不上稀缺的实验资源；可能卡在「没有数据」上，高质量实验数据被限制在少数机构内部，难以获取；可能卡在「没有团队」上，一个小团队的精力，无法在每一个环节上都做到专业精深。

上智院研究员、格物智研联合创始人王雯莉对此深有体会。她在硕士期间因实验资源匮乏四处借设备，切身体会到基础设施短板对科研的实际阻碍。大量优秀的科学想法，并非被学术难题本身击败，而是困于资源匮乏、条件不足、协作成本过高。

如果科研资源可以开放共享，让科学研究者只需要提出问题和判断方向，把计算、实验、验证等环节交给一个可调用的基础设施来完成，那些被挡在门外的想法就有了落地的可能。

更进一步讲，模型不能止步于论文，更要走向产业。上智院主任研究员、格物智研算法高级专家徐丽成坦言，纯粹的学术研究影响力是有限的，他真正希望的，是自己研发的模型能被相关行业的研发人员用起来。

团队看到了AI带来的机遇，用「Golab物质科学智能研发工厂」，将「开放共享的科研基础设施」和「模型走向产业」的构想，一同变为了现实。

为了探寻科研工厂实际应用方向，团队在过去两年里深入探访了长三角地区材料、化工、能源、生物医药等产业，基于真实痛点，确立了高分子材料、药物研发、催化剂等重点应用场景。

应用成效已初步显现。团队介绍道，在生物医药领域，针对业内公开的一项难成药靶点，系统仅用一两天便筛选出候选分子，而传统方式往往需要数月甚至更长的时间；在日用化工领域，与中国科学院上海有机化学研究所的合作中，团队发现了一个长期被忽略的关键反应条件，将一类重要催化反应的选择性提升3倍。

「百题马拉松」直播给了我们切身的感受。在直播中我们看到，面对药物设计、高分子材料等长链路，长时间，多平台作业交互的任务，系统展现出极高的稳定性，没有出现任务超时，信息丢失等问题。干实验筛选结果较好的高分子已经进入湿实验阶段，最终成果将在接下来的直播中呈现。

这场直播的意义，远不止于技术演示。它传递了一个更重要的信号：无论是科研机构、中腰部企业、还是小团队乃至个人研究者，每一位怀揣好想法的科研人，都能拥有一座可随时调用的「科研工厂」。

未来，上智院与格物智研将进一步探索面向科学智能的OPC（One Person Company）组织模式，赋能生物医药、能源材料、精细化工等行业的前沿科学家和小团队。好想法终将成为创新的唯一门槛，科学发现将像调用云服务一样简单。