据雷峰网报道，9月11日下午，2026 Inclusion·外滩大会举办“AI4S：当AI学会研究，技术会实现自主进化么”见解论坛。来自人工智能、材料科学、生命科学和创新药研发等领域的学者与产业界嘉宾，围绕自主研究系统的学习与进化、科学数据生产、药物与材料研发实践展开讨论，焦点是AI如何持续产生可验证的新知识，并打通计算模型与真实实验的循环。
伦敦大学学院教授、RL China创始人汪军提出，AI for Science的重要目标是对科学家提出假设、实验检验、修正认识的过程建模。他区分“探索”与“发现”，并提出面向科学发现的“大发现模型”方向。汪军介绍，团队正通过自学习与自演进方法使智能体在多轮反馈中改进，与化学家合作已开展900多个实验，探索计算决策与真实实验结合的新材料发现；团队还在端侧智能体与“智能体云”等方面进行工程探索。
中国科学院院士、上海大学材料基因组工程研究院院长张统一强调科学数据源头。他表示，AI发展的基础不仅是掌握已有数据，更是持续产生新数据的能力，材料研究必须重视真实实验、生产过程和对自然现象的观察。AI参与材料研究仍需与机理研究、物理仿真和实验验证结合。他提出建设“软基石”与“硬基石”，分别涵盖计算、模拟、算法以及实验与生产。张统一指出，生成候选材料只是研发的一部分，材料能否真正合成是现实挑战；数据拟合表现不能直接替代机理判断。
广州国家实验室研究员谢志讨论虚拟细胞和分子设计。他指出，新药研发困难不只在分子优化效率，还在疾病机制、药效毒理及患者与药物匹配关系尚未充分理解。其团队整合200多万套细胞系扰动数据与约50万套人类转录组数据，在转录组变化、药物敏感性及部分患者应答数据预测中观察到一定迁移能力。团队还结合医学知识图谱改善预测，并在部分药物新适应症动物实验中获得初步验证。他认为，下一代生命科学研究系统需要结合理解机制的模型、假设发现引擎、治疗方案设计能力以及实验和临床反馈，关键决策仍需人工参与。
启德医药联合创始人、CEO秦刚介绍自动化实验平台与AI决策结合。他以抗体偶联药物为例说明靶向递送与药物载荷结合思路，随着偶联药物向XDC拓展，靶点、载荷及作用机制组合增多，设计筛选空间庞大。启德搭建的iDiscovery平台将高通量制备与基于患者来源类器官的药物筛选结合，单天样品制备通量超过1000个，并与合作伙伴共建覆盖30多种适应症的类器官库。秦刚表示，平台产生的高质量结构化数据可为AI参与后续药物发现提供基础，形成计算设计与真实实验相互反馈的“干湿闭环”。团队计划让AI模型指挥实验平台开展研发，并与经验丰富的研发团队对照，最终评价仍要回到临床。
深度原理首席战略官张书铭介绍将深度学习、第一性原理计算与自动化实验结合的材料研发路径。他说，产业客户关注点正从模型性能、局部任务自动化转向实际交付。材料研发智能体平台Mira通过适配不同计算软件、实验设备与数据系统，将分散研发资源纳入统一调度，把更稳定、成本更低等需求拆解为具体指标和验证方案，再将实验结果用于修正预测、安排下一轮实验。他以数据中心冷却液项目为例，团队通过生成模型构建约230万个分子结构，最终推荐接近200个结构进入实验探索，项目用约四个半月取得实验室阶段成果，相关配方已申请专利，并在与下游服务器客户开展材料兼容性测试。
开物纪联合创始人杨孟洋介绍材料研发全流程布局。他表示，开物纪希望将数据、基础模型、实验室和工厂连接起来，让AI参与从材料设计、配方验证到放大生产。模型层面，团队建设材料属性预测模型与生成模型，并将模型、专利、数据与工具结合为智能体System 0，帮助研究人员调用计算能力，探索接入实验室与生产环节。开物纪围绕新能源电池、存储、散热与信息技术等材料方向布局。团队发布材料数据集Elementa，首批开放4000万条DFT计算数据。杨孟洋认为，衡量AI for Materials能否成功，最终要看材料能否在物理世界中被合成、实现商业化，并满足客户实际需求。
北京大学助理教授杨灵介绍团队从代码生成、智能体到长程任务的研究路线。递归自我改进的核心是让系统利用反馈不断改进自身，不同任务中反馈的可获得性决定难度。他以代码生成为例指出，代码执行和测试能提供相对直接、及时的反馈；进入复杂智能体任务后，团队引入过程奖励模型监督中间步骤，并通过维护工作记忆记录任务状态、最终目标和所需工具。杨灵将下一阶段指向“发现智能”，即AI需要判断什么问题值得解决，以及如何评估新的科学猜想。他指出，科学发现具有开放性，研究过程可能涉及数百乃至上千个步骤，自主系统需要同时解决开放式评价、长程任务执行以及真实实验验证等问题。