如果你问一个研究生，科研中最耗时间的环节是什么，答案往往不是“想不出来”，而是“卡在没技术含量的事情上”——翻几十篇PDF找一组数据、配两三天环境跑不通代码、在数据库和论文之间来回切换核对参数。这些繁琐却必要的重复性工作，正在成为AI率先攻破的阵地。
人工智能正从辅助工具跃升为推演与发现的“智能共研者”，科研范式正在发生变革。作为人工智能赋能科学研究的策源地，北京率先发布首批16个典型案例。在创新生态类案例中，由深势科技、北京科学智能研究院共同建设的玻尔科研空间站（以下简称“玻尔”），正试图回答一个朴素的问题：怎么让科研人员把时间花在真正值得思考的事情上。
玻尔的故事，始于一个很实际的困境。“2021年我们开始规模化做AI for Science的时候，市面上没有现成的工具，能让AI把全部能力发挥出来。我们自己做了很多软件工作，但面临的最大问题是——没有人会用，也没有人可招。”北京科学智能研究院院长李鑫宇回忆，当时学校里不教这些东西，团队需要一个平台，教大家什么是AI for Science。
于是，玻尔最早的模样，是一套团队内部的效能工具。用Notebook做代码实践和分享，整合各家云厂商的算力解决调度问题，收集整理文献和数据集满足查读需求。“我们认为一个做算法的人，分享给对方最好的方式，就是一个可以直接执行的工作环境。”
△ 2025中关村论坛年会AI for Science青年论坛发布Uni-Lab-OS智能实验室操作系统
2025年中关村论坛年会上，玻尔完整亮相，串联起“读文献—做计算—做实验”全流程。随后，一批高校纷纷接入。从最初的几百人内部使用，到如今全球超过460万科学家用户，超过三分之二是硕博以上的研究者。
“本质上科学家需要能快速访问到各种各样的科研工具。这些工具以前是零散的、分散的，有很大壁垒。”李鑫宇说，“我们希望通过这次做法，让更多人以更便捷的方式获取科研资源和工具。这是走向科研平权非常基础的一步。”
魏蕾是生物信息学专业出身，如今在玻尔做用户运营。回忆起自己读书时的科研经历，她把自己称为“古法科研用户”——纯手搓时代走过来的人。
“本科时做一次生物信息学分析，要先学Linux、学各种代码。老师发给你代码，你不懂，就上浏览器搜。但别人分享的代码跟你的需求、数据都不一样，你得花很长时间去理解它的逻辑。”魏蕾说，最让人头疼的是环境配置。“一个任务可能涉及10个组件，其中一个更新了、其他没更新，版本就乱掉，依赖冲突，项目根本跑不起来。”
她记得很清楚，刚学生物信息学时，师兄给了一个分析任务，光环境配置就花了差不多两三天。“等把这一套流程做好，一周两周已经过去了。”接触到玻尔的BioMaster后，她的感受是“真的能把之前的痛点几乎全部解决了”。“做一个转录组分析，以前环境依赖要花两三天甚至一周。现在BioMaster自己就能处理好环境依赖，有预装包的情况下几分钟就能调用起来。”更关键的是，给一篇文献想复现其中的转录组分析，BioMaster能自动扒下作者原始代码、配置好环境、直接跑起来。“前面那一大段全给我省掉了。”
首都师范大学生物信息学硕士在读的张旭龙，体验则来自另一个维度。“我本科学的是生物信息学，但真正开始做分析的时候，最大的障碍不是不会写代码，而是根本不知道去哪个数据库找数据、用什么工具处理。”他说，2020年左右那会儿，CSDN上有人分享代码，但跟自己的实际需求、数据格式都不太一样，输入输出要考虑有什么不同。
接触到玻尔的SciMaster后，他最直观的感受是“它像一个懂行的师兄，直接告诉你从哪一步开始”。科研文献调研、数据检索、分析流程搭建，SciMaster能围绕一个研究问题自动完成。“以前是我自己找路，现在是有人把路指出来，我只需要判断这条路对不对。”
如果说生物信息学分析省下的是“配置环境”的时间，那么在材料研发领域，玻尔改变的是更根本的研发逻辑。“以前材料研发叫‘炒菜式的试错’。”李鑫宇说，做出来看一看效果，再做下一个，一天做不了几个。以固态电池为例，在没有大装置之前，一周能有一个样本点就很不错了。
固态电池是当前电动汽车安全问题的关键解法之一。传统锂电池的液态电解液被刺穿后容易短路起火，固态电池则用固态电解质替代液态电解液，从根本上规避了这一风险。但固态电池面临两个核心难题：离子电导率和空气稳定性。尤其是硫化物固态电池，放在空气中容易产生硫化氢，必须依赖惰性气体手套箱操作，生产成本居高不下。
要解决这两个难题，找到兼顾电导率和空气稳定性的材料配方，传统路径高度依赖反复试错。研究人员要读大量文献，人工提取数据建立数据库，再做唯象式的计算，最后进入昂贵且缓慢的实验验证。玻尔带来的变化是全链条的：AI帮助通读领域文献，自动识别表格、化学分子式，提取出可用于计算和实验的固态电池数据库；大原子模型DPA在微观世界进行动力学仿真和性质计算，能在实验前给出“类似正确的配方”；Uni-Lab-OS实验室操作系统则尝试让科研人员像调用电脑软件一样调用实验仪器。
“我们大概用了两三周时间，就找到了比市面上能看到的所有固态电池空气稳定性更好、电导率也更好的方案。”李鑫宇说，这个配方已在实验室完成测试，目前正准备中试和放大。类似的案例还有航空航天领域的因瓦合金、铌钛合金超导材料、生物制药领域的新药发现等。“这些能力模块现在已经可以拿出来，让更多人直接使用。它不再是一家企业的秘密，而成为一个科学研究的公共起点。”
目前，玻尔科研空间站已在多所高校上线应用。平台集成200余个科研工具，内置SciMaster通用科研助手和BioMaster、MatMaster、PharmMaster等学科专家，覆盖文献调研、干湿实验、数据分析、科研绘图等全场景。但李鑫宇更看重的，是数字背后的理念。“科学研究是整个人类社会的公共品。在这个公共品的探索过程中，我们应该尽可能降低它可获取的壁垒。也许你是一个大一的同学，不是你学的这个专业领域，但只要你的想法值得被探索，你就有一个入口去访问各种各样的科研资源。”
（如需转载图文请与公众号后台联系）
北京科学智能研究院（AI for Science Institute,Beijing，以下简称AISI）成立于2021年9月，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展和突破，推动科学研究范式的革新，建设引领世界的「AI for Science」基础设施体系。
AISI的研究人员来自国内外顶尖高校、科研机构和科技企业，共同聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题。
AISI致力于创造思想碰撞的学术环境，鼓励自由探索和跨界合作，共同探索人工智能与科学研究结合的新可能。
