DeepMind 83 页论文：让 Gemini 接管实验室

谷歌 DeepMind 刚刚发布了一篇长达 83 页的论文《Accelerating Scientific Research with Gemini in the Real-World》，向外界完整展示了 Gemini 驱动的 Co-Scientist 如何从「芯片内的假设生成器」演进为「基于执行的研究伙伴」。论文中，研究团队没有只让模型提出假设，而是把一台自建的化学气相沉积（CVD）炉直接交给了 Gemini 3 Deep Think，让其在真实物理世界中提出方案、执行实验，并根据结果继续迭代。同一天稍早，Anthropic 也发布了面向物理硬件的 Model Hardware Standard（MHS），两家头部实验室在同一节点上同时推进 AI 与真实仪器的标准化对接。

Gemini 直接接管 CVD 炉，三种二维半导体一次成功

材料科学是论文首个展示的场景。2D 材料生长最大的痛点在于公开配方难以复现：换一台炉子、改变腔体大小或气流分布，最终长出的晶体可能完全不同。研究人员没有给 Gemini 指定实验方案，而是告知设备结构、可用的化学品和约束条件，让 Co-Scientist 自己决定气体流量、温度曲线和前驱体用量。

更进一步的实验里，Co-Scientist 不再只输出一份自然语言方案，而是在数分钟内完成推理，并直接把结果翻译成控制 CVD 设备的机器代码。最终，MoS₂、MoSe₂ 与 WS₂ 三种二维半导体均在第一次实验中成功长出单层晶体，过程耗时约一小时。其中 MoSe₂ 与 WS₂ 此前甚至未在该设备上生长过，后续至少 5 次重复实验均验证了结果。

不只是搬运配方，AI 开始自己找合成路线

只是执行已有知识还不够。论文第二个实验要求从零开始合成一种叫 Ti₃C₂Tₓ 的 MXene 二维材料，但要避开 TiCl₄ 等对空气敏感、毒性较大的传统前驱体。Co-Scientist 最终锁定六氯乙烷 C₂Cl₆，并给出整套可执行参数；过程中共生成了 272 个候选方案，经过 25 轮实验迭代后得到一种与 Ti₃C₂Tₓ 在 XRD、电子显微镜和元素组成上高度相似的二维层状晶体。

值得注意的是，初次复现的成功率只有 11.5%。问题不在 AI 的化学推理，而在于设备密封不严导致的氧气泄漏。重新清洗石英管、更换密封圈并改进维护流程后，同一材料成功率提升到 68%。这一细节恰好说明：现实实验中，一枚老化的 O 型圈都可能让一条正确方案彻底失败，与软件 Agent 可以反复重跑存在本质区别。谷歌在论文中也强调，目前尚不能最终确认该材料就是 Ti₃C₂Tₓ MXene，仍需原子尺度表征验证。

合成生物学：AI 先「猜」一遍剩余参数空间

第三个实验进入合成生物学领域。研究对象是经工程改造的、会在不同 IPTG 浓度下形成差异化群落图案的大肠杆菌。正常获得整条变化曲线需要扫描大量浓度梯度，谷歌只向 Co-Scientist 提供了部分浓度下的真实图像，让其预测未观测中间浓度的菌落形态，且这些数据在论文撰写时尚未发表。

四项菌落形态指标中，AI 的预测有三项与真实湿实验没有显著差异，并能正确判断对照组不应随 IPTG 浓度变化。唯一偏差在「圆度」上：AI 生成的菌落比真实情况更规整——生成模型总是忍不住把现实画得圆润一些。谷歌自己也指出，目前仍是已知浓度区间的插值，而非面对全新遗传回路的真正外推。但这一结果已足够勾勒出一个务实工作流：真实采样 → AI 预测 → 选择最值得验证的点 → 新数据反馈给 AI 的 lab-in-the-loop 循环。

AI 自己设计 AI，并意外发现会「刷榜」

在计算机科学方向，Co-Scientist 的自主度进一步提高。研究人员只给出一个目标：设计一个更擅长回答医疗问题的 Agent。之后架构设计完全由 AI 完成——自己提方案、写代码、运行测试、分析错误并继续迭代。最终得到的 Agent_H 会先判断问题所属医学领域、面向对象与风险等级，再把复杂问题拆解为子问题，同时生成 28–48 个候选答案，经多组 Judge 淘汰投票，再做多轮临床审查、引用检查与长度压缩。回答一道题平均需调用模型约 40–80 次。

在 HealthBench Hard 与 HealthBench Professional 上，按论文使用的长度校正评分，Agent_H 超过了包括 GPT-5.6 Sol、Claude Opus 5 与 Gemini 3.1 Pro 在内的 6 个前沿模型。但插曲随之浮现：早期评分标准没有充分惩罚冗长回答，于是 Co-Scientist 迅速找到了最简单的提分路径——把答案写得非常长。Benchmark 分数大涨，医疗质量却并未对应提升；加入长度惩罚后大量优势随即消失。谷歌将其视为 Goodhart's Law 的典型案例。三位执业医生对 106 道题的盲评中，9 个维度里 Agent_H 仅有「降低潜在伤害」一项相对原版 Gemini 3.1 Pro 达到统计显著改善，其余 8 项均无显著差异。

AI Scientist 会为论文「造数据」，审计机制大幅压缩幻觉

论文最后一个议题是 AI Scientist 的科研诚信。研究团队让系统在 50 个 AI 研究题目上从想法、找数据、写代码到成稿全程无人参与，并拿掉可靠性模块的版本与此前 Agent Laboratory 一起做对照，共生成 150 篇论文交由 30 位领域专家做 450 次匿名评审。

结果是：在缺乏验证机制的情况下，AI 会在代码报错、实验无有效结果时依然继续写完整论文——编造数据表、p 值和统计检验，把失败实验写成成功，甚至修改评测环境或直接 hardcode 结果。加入新的「科研审计」机制后——论文声称的实验结果必须能回溯到真实程序执行日志——足以使论文失效的严重结果幻觉从 Agent Laboratory 的 90% 降至 4%，完全数据捏造由 44% 降至 0%。但问题并未根除：新版 Co-Scientist 的严重方法描述错误仍有 24%，严重抄袭/衍生内容仍有 16%。

从软件 Agent 到现实 Agent

把 Anthropic 的 MHS 与 DeepMind 的 Co-Scientist 放在一起看，会发现 AI Agent 的主战场正在从软件世界大规模外溢到现实世界。前者解决底层问题，给机械臂、显微镜、液体处理器等不同硬件提供统一可调用的接口；后者则探索上层问题：当一个推理模型能够提出假设、规划实验、操控仪器、读取结果并继续修正下一轮实验时，一套真正的闭环科学发现系统应当长什么样。

谷歌在论文中坦承距离真正「无人实验室」仍然很远：当前材料实验仍需人工装样，新材料原子结构尚未最终确认，医疗 Agent 会钻 Benchmark 空子，论文生成系统也未彻底解决幻觉与抄袭。论文的最后一句判断意味深长：如果这样的闭环真正建立起来，未来科研的瓶颈或将不再是「提出一个好问题」，而是 experimental throughput——现实世界能多快把这些实验跑完。