过去几年，AI 在科学领域不断创造突破。从预测蛋白质结构的 AlphaFold，到发现新晶体材料的 GNoME，人工智能已证明其处理大规模科学计算的能力。
这一趋势正演变为“自主科学（Autonomous Science）”：AI 不再仅辅助数据分析，而是深入科研流程，承担提出研究方向、设计实验方案乃至指导设备执行的任务。在美国太平洋西北国家实验室（PNNL）与英国材料 AI 公司 CuspAI 的探索中，这一愿景正逐步走进现实。
数据与复杂性的挑战
现代科学研究日益复杂。以材料研发为例，从理论提出、结构设计、实验合成到性能测试及反复优化，任一环节均可能耗时数年。传统依赖科学家经验与试错的方法，面对爆炸式增长的材料空间、生物数据及化学组合，已难以为继。
AI 的核心优势在于能同时分析数百万甚至数亿种可能性，从庞大数据空间中挖掘隐藏规律，从而突破人类认知与效率的瓶颈。
图示：PNNL 展示的自主科学实验室。（视频截图）
然而，AI 能否在实际科研中带来足够的现实收益，仍是亟待验证的关键问题。
让智能成为研究的一环
CuspAI 代表了"AI 设计新材料”的重要路线。2026 年 7 月 30 日，该公司宣布利用生成式 AI 模型，根据目标性能反向设计材料结构。例如在寻找捕获污染物 PFAS 的材料时，传统方式需大量实验筛选，而 AI 可构建“数据分析→结构生成→性能预测→方案筛选→实验验证”的高效闭环。
此类方法正广泛应用于电池材料、半导体、催化剂及碳捕获材料等领域。CuspAI 建立的"AI Materials Foundry"旨在连接模型、模拟、实验与应用，推动材料研发从“寻找已有答案”转向“创造新的可能”。
相比之下，PNNL 的探索更为深入，致力于让 AI 全面参与科研全流程。在自主科学体系中，AI 不仅能预测结果，更能主动提出问题、设计方案、调度自动化设备、分析数据并动态调整后续实验策略。
图示：ARCADIA 接口允许实验室中自然语言编程机器人动作。
下一代实验室形成中
CuspAI 与 PNNL 分别代表了两种演进方向：前者将 AI 塑造为材料研发工程师，后者将其打造为科研流程管理者。两者的终极目标一致，即让人工智能深度融入真实世界的创新体系。
未来，新材料、新药乃至新能源技术的诞生，或将不再完全依赖漫长的人类试错，转而由 AI 提出方案、实验系统快速验证、科学家负责关键判断与突破。这并非意味着 AI 将取代科学家，相反，它将成为人类探索未知领域最强大的新工具。