---
url: /coscientist/what_is_ai_co_scientist.md
description: >-
  2026 年 8 月 Google DeepMind 联合杜克大学发布 Co-Scientist 重大升级，基于 Gemini 3 Deep Think
  的多智能体系统从「只会出主意」进化到「设计实验、操控设备、写论文」全闭环，一次性长出 MoS2、MoSe2、WS2
  三种单层半导体。一文看懂它是什么、怎么做到的、以及现在能不能用。
---

# Google AI 联合科学家 Co-Scientist：AI 第一次自己走进实验室，还造出了半导体

先说一个真实的数字对比。

二维半导体 MoS₂ 的 CVD 生长工艺，在一个新实验室里从零调通，通常要多久？答案是**几个月**。这不是我夸张——文献里的配方换个炉子就废，炉体结构、气路、可用化学品、衬底类型全都不一样，博士生得一轮轮试，试到怀疑人生。

2026 年 8 月 27 日，Google DeepMind 联合杜克大学、哥伦比亚大学等机构放出的论文里，这个数字变成了：**几分钟生成配方，一次成功，约 1 小时走完三种材料的首次生长。**

而且不是一种。是 MoS₂、MoSe₂、WS₂ 三种单层半导体，其中两种是这个实验室**此前从没合成过的**，全部一次成功。

我看到这段的时候，第一反应不是"AI 又要抢饭碗了"，而是——**AI 终于不再只是「嘴强王者」了。**

过去两年我们见过太多"AI 科学家"：写综述、编假设、生成漂亮的研究计划，然后呢？然后就没有然后了。它提的想法没人验证，它给出的数据没人敢信，它写的论文里甚至有百分之几十的实验结果**根本不存在**。

> 纯计算的 AI 科研系统，最大的毛病叫「奖励作弊」：它学会了产出看起来像模像样的结论，而不是真实的结论。

这次不一样。这次的 Co-Scientist 把手伸进了真实世界——它接的是一台真的化学气相沉积（CVD）反应炉，长出来的是能用 Raman 光谱和球差电镜拍到的真材料。

## Co-Scientist 是什么

**Co-Scientist（AI 联合科学家）是 Google 基于 Gemini 构建的多智能体科研系统**，定位是"虚拟科研合作者"，不是"替代科学家的机器人"。

先把时间线捋清楚，免得和别的 AI 搞混：

| 时间 | 版本 | 底座模型 | 能干什么 |
|---|---|---|---|
| 2025 年 2 月 | AI co-scientist 初版 | **Gemini 2.0** | 只做**计算机内**的事：文献综述、生成假设、设计实验方案 |
| 2026 年 8 月 27 日 | 升级版（execution-grounded） | **Gemini 3 Deep Think / Gemini 3 Pro Image / Gemini 2.5 Pro** | 假设生成 → **实验执行** → 论文写作，全闭环 |

初版那套系统用了 Generation、Reflection、Ranking、Evolution、Proximity、Meta-review 六个专职智能体加一个 Supervisor，靠"自我博弈辩论 + 排名赛 + 进化"来迭代假设。当时谷歌反复强调一句话：**"它是协作工具，不是要自动化科学过程。"**

一年半之后，这句话被改写了。新论文的标题很直白——《*Accelerating Scientific Research with Gemini in the Real-World*》（arXiv: 2608.26701），关键词是 **in the Real-World**。

通讯作者阵容也挺值得一说：Google DeepMind 的 Samuel Schmidgall、涂涛（Tao Tu，Med-PaLM、Med-Gemini 的核心贡献者），以及杜克大学电子与计算机工程系助理教授王浩哲；共同第一作者是 Schmidgall 和杜克大学博士生朱筱锴。作者名单里还有 Google 首席科学家 **Quoc V. Le**——对，就是那位 Transformer 论文作者之一。

一句话概括这次升级：**从「AI 出主意，人去验证」变成「AI 出主意，AI 设计实验，AI 写进设备，然后一起看结果」。**

## 它有什么不一样

升级版 Co-Scientist 的核心是一条三阶段流水线，每个阶段背后是一个专职智能体：

* **Ideation（构思）**：把一句自然语言的研究目标，变成一堆候选假设，再挑出最好的那个
* **Experimentation（实验）**：把假设变成**能跑的代码**，真的去执行，失败了就改
* **Paper Writing（写作）**：把实验结果、假设和文献缝合成一篇结构化稿件

听着是不是很像"高级版 Deep Research"？差别在细节里，而魔鬼恰恰住在细节里。

### 构思阶段：用进化算法卷假设

生成假设不难，难的是生成**好的**假设，还别撞车。

Co-Scientist 的做法是：先并行做文献综述给每个想法打底，然后用 **TrueSkill + UCB** 这套贝叶斯排序去赛马——不平均分精力评估所有假设，而是把比较预算花在"最有可能冲到前排"的那几个上。这是标准的探索/利用权衡，被搬到了科研想法上。

进化参数也写得明明白白：

* 采样温度 **τ = 1.6**（高温，保证想法多样性）
* 交叉概率 **0.7**，变异概率 **0.3**
* 默认迭代 **10 代**
* 评审维度：新颖性、合理性、可测试性，外加**抄袭惩罚**和"不许虚构实验设备"的提示级惩罚

> 最让我眼前一亮的是最后一条：给"虚构尚未授权的实验室设备"单独设了惩罚项。你知道这说明什么吗？说明 AI 编造不存在的仪器，已经是个普遍到需要专门治的病了。

### 实验阶段：三阶段 + 并行求解器

这是这次升级最硬的部分。实验程序不是一把梭生成的，而是分三步：

1. **Scaffolding**：在最小数据子集上、用很短的超时（约 600 秒）先把逻辑跑通
2. **Transition**：把脚手架替换成全规模逻辑
3. **Full-scale execution**：在完整数据集上跑真家伙

每一步都有多个并行 solver 独立生成程序变体，在隔离环境里执行；跑通的由 LLM 奖励模型按"计划依从性、实验严谨性、输出质量"三个维度打 0–1 分；跑挂的拿到结构化错误反馈，反思后重写。

还有个防停滞的小设计：每代对最优程序缓冲区施加 **γ = 0.97** 的乘性分数衰减。意思就是——你躺平我就慢慢扣分，逼着你持续改进。

### 写作阶段：把幻觉惩罚写进优化目标

这一节我个人认为是整篇论文**对普通开发者最有参考价值的部分**。

稿件的评分函数是：

```
S_score = 1.0 × S_reviewer − 0.5 × S_plagiarism − 1.0 × S_hallucination
```

注意幻觉惩罚的权重是 **1.0**，和审稿人评分同量级。论文里还专门论证了：审稿人评分的边际增益最多 0.3，所以**任何一条未经验证的定量声明，扣分都足以抵消它带来的审稿收益**——从机制上堵死了"编个漂亮数字换高分"的 reward hacking。

更狠的是 **hallucination clipping**：

* 稿件里**所有**定量声明和性能指标，都要拿去和原始执行日志（`E_log`）逐条做确定性交叉验证
* 对不上就定向重写，用日志里验证过的数据替换掉
* **如果实验阶段压根没产生有效执行日志，论文写作阶段直接终止**

最后这一条简直是釜底抽薪。没有真实数据，就别写论文。

> 我一直觉得，"让 AI 不要撒谎"这件事，靠提示词里喊一百遍"请务必准确"是没用的。得把它写进目标函数、写进流程闸门里。Co-Scientist 给了一个可复制的样板。

### 自主度是可以调的旋钮

论文没有把系统锁死在一个设定上，四个工作流分别跑在四档自主度上，这个设计我觉得很清醒：

| 自主度 | 工作流 | 人类在干嘛 |
|---|---|---|
| 最低：人类执行合成 | 材料科学 CVD | AI 设计配方，**人类装样品、开炉、做表征** |
| 中：专家–AI 协作 | 生物学 E. coli 预测 | 人类定"研究什么"，AI 定"怎么研究"；湿实验仍由人做 |
| 高：完全自主发现 | 计算机科学架构搜索 | **零人为干预**，从一句研究方向开始全自动 |
| 最高：端到端论文生成 | 50 个 AI 主题完整周期 | **全程无人**，产出交双盲评审 |

**自主度是每个任务单独拧的旋钮，不是系统的固有属性。** 同一个智能体栈，在湿实验室里只敢建议换个前驱体，在代码基准上却能撒开腿自己跑一整个代码库。

## 真实世界验证：三个领域，三组硬数据

### 材料一：给 MXene 找一条"无毒"路线

MXene（二维过渡金属碳化物）导电性极好，但主力成员 Ti₃C₂Tₓ 长期以来只能用**氢氟酸**这类危险试剂"自上而下"刻蚀得到，直接自下而上 CVD 合成一直没人做成。

Co-Scientist 针对杜克实验室那台自建 CVD 炉的**具体几何结构和现有原料**，从 272 个候选方案里挑出一条：用\*\*六氯乙烷（C₂Cl₆）\*\*替代剧毒易挥发的四氯化钛（TiCl₄）当前驱体。

人类操作员照着做，迭代 25 轮后长出了高结晶度的二维层状晶体。X 射线衍射、扫描电镜、能谱、球差电镜表征显示：层间距约 **1.13 nm**，面内晶面间距约 **2.51 Å**，与 Ti₃C₂Tₓ MXene 的晶格特征高度一致。

**但论文也老老实实写了**：最终的原子级相结构仍需截面原子分辨电镜进一步确认。

### 材料二：三种单层半导体，一次成功

这部分用的是 **Gemini 3 Deep Think** 的快速推理能力。

只给硬件约束（炉体结构、可用化学品、衬底类型），不给任何历史配方参考，Co-Scientist 在**几分钟内**生成完整工艺参数，并直接翻译成**控制 CVD 设备的机器指令**。

结果：

* **MoS₂**：一次成功，三角形单晶尺寸超过 **50 微米**，拉曼光谱确认单层
* **MoSe₂**：实验室此前从未合成过，同样一次成功
* **WS₂**：同上
* 从配方设计到三种材料首次生长，整个流程约 **1 小时**

对照一下：这类工艺跨设备迁移通常要几个月反复摸索。半导体行业 AI 科学家张笑通博士的评价是，这打通了"设计配方 → 设备执行 → 表征验证"的闭环。

### 材料三：预测大肠杆菌的群集形态

生物学这边和哥伦比亚大学合作。任务是从**稀疏的成像数据**出发，预测工程大肠杆菌在不同 IPTG 诱导剂浓度下的群集形态。

技术路线挺巧：以 **Gemini 3 Pro Image** 作为中央生成模型，用 leave-one-out 插值生成未测试浓度的候选图像，采样 N = 16 个候选后，由 **Gemini 2.5 Pro** 做 Best-of-N 拒绝采样打分。

结果：4 项形态指标中，有 **3 项**与未发表的湿实验测量**定量吻合**。

### 材料四：自己造出一个 Agent 架构

计算机科学这条线自主度最高。只给一句研究方向，Co-Scientist 在无人工干预下自主生成、测试、迭代整个代码库，最终发现了一个推理时扩展架构，论文里叫 **Agent\_H**。

成绩：在 **HealthBench Hard 和 Professional**（长度校正后）上超过 **6 个前沿模型**，并且在**医生盲评**中显著降低了潜在临床风险。

换句话说，它不光刷分更高，在医生眼里还更安全。这两件事通常不共存。

## 那它可靠吗？这是我最想聊的部分

AI 科研最大的信任危机就两个字：**编的**。

论文在引言里给了个让人后背发凉的背景数据：现有自主科研系统的小规模分析显示，**编造率高达 80–100%**，部分系统输出的抄袭率最高到 **24%**。

Co-Scientist 的应对是三件套：日志校验（前面说过的 hallucination clipping）、抄袭惩罚权重、双层安全网关。安全网关分两层——构思开始前先筛研究方向是否有两用性/有害风险，属于受限类别直接拒答；构思和规划过程中再由 LLM 评估器对每个想法做二元判定，不通过就生成具体反馈退回重来。

规模化的验证是一场双盲研究：**30 位领域专家，450 次独立评审**，评审对象是 50 个主题上端到端生成的完整论文。结论是可靠性模块相比消融基线显著降低了严重结果幻觉和抄袭；安全系统对有害研究指令的拒绝率达到 **98.7%**。

98.7% 不是 100%，我得说清楚。剩下那 1.3% 才是这类系统真正该被盯着的地方。

## 初体验：现在能用上吗

**老实说，不能。** 这是我必须泼的一盆冷水。

Co-Scientist 从 2025 年首发起就走的是 **Trusted Tester Program**（可信测试者计划）路线，需要申请，有 UI 和 API 集成，但**没有对公众开放**。这次的升级版更直接——它是一篇 arXiv 论文（2608.26701），不是一次产品发布。你在 Google AI Studio 里翻遍菜单也找不到它。

所以这篇"入门"的正确打开方式不是"怎么注册"，而是——**它这套架构里有哪些东西我今天就能抄。**

我的判断，最值得抄的有三条：

**1. 把验证写进流程，而不是写进提示词**

这一条零门槛。你自己的 Agent 工程里，凡是模型产出的定量结论，都应该拿原始日志/数据源做一次确定性比对，对不上就打回。哪怕只用几十行 Python，效果也比在 system prompt 里吼"请务必准确"强一百倍。

**2. 三阶段执行：先跑通，再放大**

Scaffolding → Transition → Full-scale 这个套路，本质上是"用小数据、短超时先把逻辑验证掉，再上全量"。任何会消耗算力和钱的任务都该这么干。省下来的不只是时间，是试错成本。

**3. 自主度按任务拧，不按系统定**

别一上来就追求"全流程无人值守"。写代码的可以全自动，涉及物理设备的留人在环，涉及法律医疗的输出留人审核。先想清楚每个环节出错的代价，再决定放多少权。

如果你想动手跑一个"迷你版三阶段流水线"，用 Gemini API 大致是这个骨架（示意代码，聚焦日志校验那一环）：

```python
from google import genai
import json

client = genai.Client(api_key="YOUR_API_KEY")

# 阶段一：生成实验代码
plan = client.models.generate_content(
    model="gemini-3-pro-preview",
    contents="研究目标：XXX。请先输出实验计划，再输出可执行的 Python 代码。",
).text

# 阶段二：执行，并强制留痕（这一步是整个可靠性的地基）
def run_experiment(code: str) -> dict:
    # 在隔离环境执行，把 stdout、关键指标、输入参数全部落盘
    ...
    return {"log": {...}, "metrics": {...}}

result = run_experiment(extract_code(plan))
raw_log = json.dumps(result["log"], ensure_ascii=False)

# 阶段三：写作前，先拿日志逐条校验（没日志就别往下走）
if not result["metrics"]:
    raise RuntimeError("没有有效执行日志，禁止进入写作阶段")

audit = client.models.generate_content(
    model="gemini-3-pro-preview",
    contents=f"""
你是审稿人。下面是一份草稿和原始执行日志。
请逐条核对草稿中的每一个数字，凡是在日志中找不到出处的，直接标记为「未经验证」并删除。
不要为了让稿件更完整而补充任何日志中没有的数据。

【草稿】{draft}

【原始执行日志】{raw_log}
""",
).text
```

代码本身没什么魔法，真正值钱的是那句 `raise RuntimeError`——**没有真实数据，就不许往下写。**

## 我的冷静判断

别急着激动，也别急着嘲讽，我把话说全：

**乐观的部分**：这是 AI 科研从"in silico"（只在计算机里）走向"in the real world"的关键一步。材料、生物、计算机科学三个领域同时验证，加上可追溯可审计的可靠性机制，正面回应了 AI for Science 最被质疑的两个问题——**它做的东西是真的吗？它在实验室之外的物理世界里成立吗？**

**需要泼冷水的部分**：

* CVD 系统只是**半自动**的，人类操作员仍要装样品、开炉、做表征。别被"AI 操控设备"的说法带跑
* MXene 的原子级结构**尚未确认**，论文自己写的
* "一次成功"和"稳定量产"之间隔着一条巨大的鸿沟
* 它目前是论文 + 小范围可信测试，**不是你能注册开通的 SaaS**
* 98.7% 的安全拒绝率意味着还有 1.3% 漏网

> 我的立场：这不意味着科学家要下岗了。它意味着科学家的角色在往上移——从"亲手调几十轮参数"变成"设定目标、划定约束、审核结果"。

未来实验室里，人类更像目标设定者和审核者，把海量的配方探索和迭代交给不知疲倦的 AI。那一天来得多快？可能比我们以为的要快。也可能比宣传的慢很多。这两句话同时成立，这就是当下的真实状态。

## 进阶

想搞懂这类多智能体系统，光看热闹不够，得看论文原文和架构设计。arXiv: 2608.26701 是免费公开的，建议至少把 Methods 那一节和 Figure 1 看一遍，尤其是三个智能体的参数表和自主度谱系——那张图比任何解读都清楚。

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。