具身智能与闭环科学发现：从被动工具到主动实验者

最近一位朋友给我转发了一篇英文综述，标题是Embodied Science: Closing the Discovery Loop with Agentic Embodied AI。相信很多人和我一样，第一眼看到这个标题都会有点发懵——里面塞着三个大词：具身科学（Embodied Science）、智能体化（Agentic）、具身AI（Embodied AI）。我原以为这又是一篇"AI未来会怎样"的宏观畅想，结果读完之后发现，它是在认真讨论一个非常工程化的问题：科学发现这条流水线，到底怎样才能被AI真正闭环地转起来。

这倒不是说它解决了所有问题，而是它把问题本身给问对了。过去几年我们见惯了"AI预测蛋白质结构""AI加速材料筛选"这类新闻，但仔细想想，这些工作大多还停在"计算环节加速"这一步：数据是别人采好的，实验是别人设计好的，AI只是在一段固定流程里当了个高级计算器。这篇综述想探讨的，是另一个更根本的变化：当AI不再只是坐在电脑里算数据，而是拥有身体、能走进实验室动手操作、在真实世界试错学习的时候，科学发现的"最后半条回路"能不能闭合起来。如果你正在做科研自动化、机器人操作、科学数据基础设施，或者单纯好奇"AI能不能自己设计并完成实验"，这篇综述值得花一整晚精读。

我花了差不多两个晚上把它啃完，又在翻译和回译的过程里反复琢磨了一些术语，收获不小。今天这篇东西，算是我的读书笔记加翻译手记：先用大白话解释什么叫具身科学，再说发现回路是怎么一圈一圈转起来的，然后聊聊几个我们最容易理解偏的地方，最后谈谈综述自己承认的未解问题，以及我基于这些内容对我们下一步科研范式的一些判断。

1. 从被动感知到主动探索：我如何理解"具身科学"这个词

1.1 过去二十年AI在科学里的角色，实际上非常被动

先说一个最基本的观察：过去二十年，AI在科学发现里扮演的角色，大多是被动的。什么叫被动？就是科学家给什么数据，它就学什么；科学家问什么问题，它就答什么问题。本质上它是一个"被调用"的工具，自己不会提出"我该去测哪个样本"这种问题。

早期科学AI的典型工作流是这样的：实验人员手动收集一批样本，把样本交给AI做训练，AI输出一个预测模型，然后人再去验证。中间每一个环节的发起者都是人。哪怕到了深度学习时代，很多所谓的"科学AI"，也不过是把这套流程里的某个环节做得更快了。比如分子性质预测，AI负责的部分是从已有数据库里学规律，但数据库建在哪儿、怎么扩充、下一步合成哪个分子验证，都得人来决定。这个模式有个很形象的名字，叫"开环"（open-loop）——信息流从头到尾是一条直线，最后的结果不会反过来影响最初的设计。

我自己在实验室里也做过类似的事。我们曾用机器学习来做一种反应条件的筛选，训练数据来自之前两年的实验记录。模型确实能给出不错的预测，但当我把预测结果拿给做合成的同事看，他第一句话就是："这里面的条件组合我们早试过了，你模型不知道而已。"这句话点醒了我：模型只是趴在历史数据上的拟合器，它既不知道哪些条件没测过，也不会判断哪些没测过的条件值得测。它没有触手，无法自己动手去补上那个数据盲区。

1.2 具身科学要补的，恰恰是"能动手"这块拼图

那"具身科学"补的是什么？它补的正是我上面说的那个盲区。具身（embodied）这个词，在认知科学里指的是：智能体的认知能力离不开它的身体结构、感官系统和与环境的交互方式。一只海豚的智力水平和你把海豚的大脑装进鱼缸里的表现，肯定不是一回事，因为它的思考方式本身是在游动、回声定位、追逐猎物这些身体活动中磨炼出来的。

把这套思路用在科学AI上，具身科学指的就是：让AI系统不是坐在数据堆里干想，而是真的拥有一副可以在物理世界里操作的"身体"——机械臂、移动底盘、传感器组、液体处理工作站等等。这副身体能做实验、能移动样本、能实时读数，从而让AI在真实世界里获取一手经验，而不是二手数据。

很多人可能会觉得这不过是"机器人做实验"的另一个说法，但综述里有一个更微妙的意思：具身不只是"有身体"，而是身体的动作会反过来塑造AI的认知。举一个简单的例子——机器人在夹取一块易碎晶体时，它通过夹爪感受到的力度反馈，不只是"这步操作成不成"的信号，它其实在告诉你这块晶体的脆性、表面的摩擦系数、甚至它在溶液里的状态变化。这些来自物理交互的信息，是任何Excel表格都存不下来的。能接收这些信息，并且把它们用于下一步判断，这才是具身科学里"具身"二字的精髓。

1.3 "智能体化"到底在强调什么

标题里的第二个词"智能体化"（Agentic），我一开始也理解得比较泛，以为就是"AI很主动"。但仔细读综述才发现，它要强调的是"闭环里的自主决策权"。具体来说，一个智能体化的科学AI，需要在以下三个环节里有自己的判断：

• 在多个可能的实验方案里，自主选择哪个最值得做；
• 在实验过程中，根据实时结果动态调整操作参数；
• 在整个发现循环中，自己决定何时结束一轮迭代、何时从头再来。

注意，这三个环节都涉及"选择"和"决定"，而不只是"执行"。传统的自动化实验系统也做这三个环节，但每一步的决策都来自预先写好的规则或者人在回路中的指令，算法本身没有发言权。智能体化的含义，是把这些决策的权重部分（不是全部）让渡给AI系统，让它在一个约束明确的框架内自主行动。

这就引出了综述里我认为最核心的一个主张：要真正实现科学发现自动化，不能只做"能力增强"（让AI更会计算），还得做"权限转移"（让AI有资格在探索回路里做决定）。这个区别看起来简单，实际做起来涉及系统架构、安全边界、可验证性等一大堆问题，后文我会慢慢展开。

2. 闭环发现回路的工程拆解：从数据到模型再到新实验

2.1 把科学发现画成一条流水线

要理解"发现回路（Discovery Loop）"，最好先把它拆成一张流程图。我读综述时按自己的理解把它画成了这么几个环节：现象观察、假设生成、实验设计、实验执行、数据采集、模型更新、下一轮假设生成。如果你做过科研，你会发现这套流程其实你每天都在做，只是很少有人把它当成一条可优化的流水线来对待。

传统科研里，这条流水线的大部分环节都是人类在用脑子和手来驱动。AI的出现分别加速了其中几段：图像识别加速了现象观察，语言模型在假设生成上能帮上忙，实验设计和优化有贝叶斯优化这类工具，数据采集和清洗也有自动化方案。问题在于，这些加速是"各自为战"的：你拿AI加速了A环节，又拿另一个AI加速了C环节，但A和C之间并没有形成一个自动的数据传递和决策反馈。结果就是每一个环节都比以前快，但整条流水线并没有真正提速，因为环节之间靠人来衔接的地方还是又慢又容易出错。

我自己在用自动化实验设备时就有这种体会。设备本身操作很快，一天能跑几百个条件，但你的时间都花在了"把上一轮的输出整理成下一轮的输入"上：看结果、评判哪些数据可信、调整参数范围、重新为设备写配置文件。这些活看起来不起眼，实际占据了整个实验周期的一大半时间。你真正思考科学问题的时间反而被压缩了。

2.2 闭环回路的核心：把"结果"变成"输入"

那闭环（closed loop）到底是怎么闭的？综述里的意思很明确：让一轮实验的输出，直接变成下一轮实验设计的输入，不需要人在中间做"翻译"。

举个例子，假设你想优化一种催化剂配方。传统做法是：设计一组实验跑一遍，拿到数据后人工分析，然后凭经验修改配方再跑下一轮。这里面"凭经验修改"这一步是最难自动化的，因为它需要结合领域知识和当前数据的特征。闭环回路的做法是：让AI系统自主完成"分析当前数据、更新评估模型、提出下一批候选配方、决定实验参数、交给机器人执行"这一整串动作。机器人完成实验后，采集到的数据又自动流入模型更新模块。人要做的事情只剩下设定边界条件和最终审核，而不是在每一轮迭代里亲自动手。

这里我要多说一句：闭环不是让你完全撒手不管，而是把"低层反馈"打包成一个自动化模块，让研究者把注意力放到更高层的问题上。就像自动驾驶不是让你完全不用看路，而是把保持车道、跟车距离这些底层操作接管过去，让你有余力去规划路线。综述里反复强调的"人在回路"（human-in-the-loop）和"人在环上"（human-on-the-loop）的区别，就在于此。前者是每一步都要人批一下，后者是人只在一个更大的尺度上监督，让AI在具体操作层面自主行事。

2.3 闭环的"闭合点"在哪一步最难

读完综述后我的一个直观感受是，闭环回路中真正难的不是"执行"而是"判断"。实验执行自动化其实很成熟了，市面上很多液体处理工作站和自动化培养箱都能做到高通量操作。难的是"判断什么实验值得做"和"判断实验结果的可靠性"。

先说"判断什么实验值得做"。在化学、生物这类实验成本较高的领域，每一次实验都消耗真实的试剂、时间和设备资源。如果AI只是机械地尝试所有可能的组合，成本是天文数字。因此闭环系统必须具备"主动性筛选"能力：根据当前模型的预测、不确定性估计以及已有数据的覆盖程度，挑选那些信息增益最大的实验方案。这在工程上叫主动学习（active learning），但放到物质科学的场景里，它的难度在于组合空间巨大、物理化学约束复杂，不是简单地算个信息熵就能决定。

再说"判断实验结果是否可靠"。这是我在实际工作中经常被坑的地方。硬件设备会漂移、试剂会开封后有批间差异、环境温湿度会影响读数。自动化系统运行的轮次越多，这些非科学因素造成的噪声就越容易污染数据。如果这个噪声被当作真实物理现象送进模型更新模块，那整个闭环就会学到错误的知识，而且因为过程是自动化的，这个错误还会被一次次放大。综述里特别提到了一点：闭环系统里必须设置质量评估环节，对所有采集数据进行异常检测和可信度标记，绝不能"来者不拒"。这一点，我觉得任何打算自建闭环平台的人都应该第一个记住。

3. 智能体化具身AI不等于"会动的机器人"：逐条拆解综述纠正的几个观念

3.1 误区一：能遥控行动的机器人就是具身AI

以前我和别人聊"机器人在实验室里工作"，大家第一反应往往是看到一个人形机械臂在那操作试管。但综述里的具身AI，强调的是"以身体为媒介的感知-动作回路"（perception-action loops），而不是"有一个可以运动的装置"。

一个只执行预设动作序列的机械臂，本质上跟工业装配线上的机械手没有区别。你给它一套路径点，它就照做，错了也不会知道错在哪儿。这样的系统通过摄像头看到试管倒了，但它不"理解"试管倒了这件事意味着什么——也许意味着样品浪费了，也许意味着下一步的加样量要做修正，也许意味着前一步发生了意外反应。真正具身的AI，需要把视觉信号、力学反馈、甚至化学量测结果整合成一个即时更新的世界模型，再用这个模型指导下一步动作。这个要求远比"能执行动作"高得多。

我在测试一些自动化实验室工作站时也发现了同样的问题。那些设备只管执行，不管感知。它加液加多了不会感到"异常"，结果是整批实验全部报废，而报警器只会告诉你"操作已完成"。你要是以为只要买了自动化设备就万事大吉，那就大错特错了。设备是手，AI是脑，没有感知回路的手只是盲目的工具。

3.2 误区二：能做出预测的AI就是科学家

另一个很普遍的误区，是把"预测能力"等同于"发现能力"。这里我得再拉响一次警报：一个模型能精确预测分子的性质，不代表它知道你下一步该合成什么。预测是把已知空间里的规律做外推，发现则是在未知空间里找到有价值的新点。

举个例子，我们以前做一个药物活性预测项目。模型在测试集上的表现非常好，R²在0.9以上。但当项目组想把模型输出直接用于新一轮化合物库设计时，发现它推荐的方案绝大部分是人直觉上就能排除的——要么合成成本极高，要么结构类似物早被验证无效。原因在于模型只是在已有数据分布内做插值，它没有能力跳出这个分布，也不会判断"在这个空间里走远一点是否值得冒险"。

综述里讨论的agentic embodied AI，正是为了突破这个限制。智能体化的关键，就是让系统能生成"探索性目标"——我要不要尝试一个从未见过的化学空间？我要不要挑战一个专家认为不可能的合成路线？这种自我驱动的探索欲望，是当前绝大多数科学AI都没有的。综述认为，只有当AI具备了在未知区域主动生成假设并愿意承担尝试成本的能力，它才算从"预测工具"真正进化为"发现主体"。

3.3 误区三：闭环自动化必然提高科研效率

这是我踩过最多坑的地方。很多人（包括以前的我）默认一个逻辑：自动化程度越高，实验效率就越高。但事实上，如果你的闭环里没有"聪明"的决策模块，只是把随机尝试自动化了，那效率反而可能更差——因为系统会在很多无效方向上高速狂奔。

我看到过其他团队的一个案例：他们搭建了一套自动化材料筛选平台，理论上每天能完成原来一周的实验量。系统跑了两周后，产出的数据量确实巨大，但有效材料几乎没有几个。问题出在实验设计模块上——他们的初始条件是随机生成的，没有考虑物理化学可行性，很多组合根本不可能形成目标化合物。自动化把"无效实验"的规模也放大了一百倍，本来一个研究生两天就能发现"这方向不对"的判断，系统却没有这种直觉，反而一头撞了进去。

这个教训非常深刻。闭环系统必须具备"实验的自我批判"能力：在分配资源执行实验之前，先用量化手段评估该实验的成功概率、信息增益和成本风险。如果这三个指标里有一个低到离谱，那系统应该把它放弃。这本质上是一个决策问题，而不只是一个执行问题。

3.4 综述的真正贡献：把"发现"从一个口号变成可操作架构

我读这篇综述最大的感受，是它把"AI做科研"从一个抽象口号拆成了很多个具体的技术需求。每个技术需求背后都有实际的工程挑战。这让我这种平时既要面对湿实验又要面对代码的人，觉得非常踏实。

它至少拆出了这些需求：物理实验平台的自动化控制、多模态感知数据的整合、不确定性量化的可靠实现、主动学习策略的设计、实验质量评估与异常处理、模型更新的在线机制、人在回路的安全协议。这七个模块，任何一个单独拿出来都够一个团队忙上两三年。综述的可贵之处在于，它没有假装这些问题已经被解决，而是把它们完整地摊开在桌面上，让后来者知道该往哪里使劲。

特别是"闭环"这个思路，我觉得它在认知层面给了我一个很大冲击。以前我总把AI科研工具看成"辅助软件"，装在自己的电脑里，做完一个预测就停下来等我看结果。但闭环思路逼迫我换了一种视角：你把AI当成一个和自己并肩工作的同事，它不只是交报告，还会自己推进度、自己改方案。信任模式和监管方式都不一样了。

4. 综述翻译中的术语陷阱：我在回译练习里踩到的坑

4.1 为什么"综述翻译"比想象中困难

这个项目标题里带着"综述翻译"四个字。说实话，翻译这篇综述比我预想的难。难的不是语法，而是术语的对应关系在中文里还没有完全定型。很多英文词在国内有多个译法，每个译法侧重的意义都不太一样，选错了就会误导读者。

我整理了一份自己的术语笔记，列几个最典型的：

每次遇到这些词，我都要停下来想想：读者如果没有任何背景，看到这个译法会不会误解？比如"agentic"如果简单译成"主动的"，很容易让人以为这只是个情绪或态度的描述，但它实际讨论的是系统在决策链上的位置。最终我倾向于在第一次出现时采用"智能体化"加英文标注，后面再出现时根据语境灵活处理，有时译成"具备决策权的"，有时译成"以智能体方式工作的"。

4.2 术语选择背后其实是概念理解的分歧

我在翻译中一度卡壳最久的是"Embodied Science"这个标题词。直译是"具身科学"，但我反复琢磨：这里的"具身"到底指什么？是指科学家本人有身体？还是指科学研究的对象有身体？读完全文我理解了，它的意思更接近"一种由具身智能体驱动的科学实践"。所以"具身科学"这个译法虽然简短，但如果不加以解释，读者很可能一头雾水。

后来我处理这种概念时，总结了一套自己的方法。第一遍先按字面翻译，确保术语换算不出错；第二遍回到原文，想清楚它在这个语境里的功能；第三遍再用"功能优先"的原则，把翻译调整为更接近中文表达习惯的说法。比如某个地方原文是"the agent actively gathers evidence"，我第一版译成"智能体主动收集证据"，后来改成"智能体自己去找证据"，意思更直白，也保留了"active"的动作感。

另外我特别注意了"ground truth"这个词，在科学实验语境里它常被译成"地面真值"或"基准真相"。但在具身科学里它有一个特殊情况：很多实验数据并不存在绝对的真值，因为测量本身就会改变对象状态。这种情况下"ground truth"与其说是一个客观存在的数值，不如说是"被特定测量流程定义的参考结果"。如果不把这个相对性说清楚，读者很容易形成"数据里一定藏着金标准"的错误预期。

4.3 翻译综述不等于字面搬运，而是观点结构的重组

还有一个重要的体会：综述翻译不是逐段翻译，而是"观点结构的重组"。原始综述为了保证论证严密，往往会有大量铺垫、引用和分支讨论。如果全盘照搬，中文读者容易迷失在细节里，抓不住主线。

我第一次完整翻译时，严格遵守原文顺序，结果自己读回去都觉得像在走迷宫。后来我换了一个策略：先提取每段的核心论点，用一句话概括；然后按"问题-方法-挑战-展望"的框架重组；最后再逐段还原细节。这样一来，译文的信息层次清晰了很多，也让我这个译者对综述的理解更深了。这个过程做下来，我非常推荐大家在做类似翻译任务时也尝试一下——你不是在查单词，而是在"重组知识结构"。

4.4 机器翻译能帮忙，但术语校验全靠人工

现在很多人习惯先扔给机器翻译再人工修改。我试过几次，总体感受是：机器翻译对普通叙述性文字的翻译质量已经可以接受，但遇到专业术语多、概念层次深的文字，它容易"表面通顺、内在错误"。比如它会把"discovery loop"译成"发现循环"，"loop"在日常语境是"循环"没错，但在科学发现语境里，"回路"更强调"反馈连接、信息循环复用"的意思。两者的语义侧重差别很大。

而且机器翻译还有一个让我警惕的地方：它会在不知不觉中把原文里"尚不确定"的语气变成"确定"的语气。比如原文用"could enable"、"might lead to"这类表达，机器翻译常常直接译成"能够"、"可以导致"，把一种可能性表述变成了肯定判断。在学术综述里，这种语气变化是不可接受的。所以我的习惯是：机器翻译出来的初稿，只能当参考底稿，所有涉及判断、推测、局限性的句子，必须回到原文逐字核对。

5. 综述自己也没完全解开的问题：四个尚未闭合的结

5.1 闭环里的错误传播没有好的抑制机制

前面提到了实验数据噪声污染问题，其实这是综述里反复强调的一个大隐患，学术上叫"错误的级联放大"。我有一个自己的理解：闭环系统每转一圈，信息流里的误差如果不去除，就会随着循环次数被累积和放大。就像一个话筒和音箱靠得太近，声音会越来越刺耳一样。

目前学界还没有在理论上解决这个问题。有研究者尝试在模型更新环节加正则项来抑制过度自信，也有人引入人类审核节点来定期纠偏，但这两种方案各有代价。前者可能让模型变得过于保守，影响探索性；后者则让"闭环"又重新变成了"半开环"，人还是要定期介入。综述虽然提出了这个问题，但并没有给出全面解决方案。这说明这个领域还远未成熟，任何号称"全自动发现"的系统背后，大概率都藏着大量的手工补丁。

5.2 模拟环境与真实物理环境的差距依然是鸿沟

具身AI的训练非常依赖模拟环境，因为真实实验成本太高。但综述明确指出：模拟环境再怎么逼真，与真实世界的物理细节之间始终存在差距（sim-to-real gap）。一个机械臂在仿真里轻松完成的抓取动作，到了真实实验室里可能因为一根电缆的弹性力矩就失败了。

这让我想起自己第一次尝试在仿真环境里训练一个机械臂做移液操作的经历。仿真里一切完美，但一部署到真机上，真空吸头老是滴漏。原因是在仿真中液体的表面张力和空气湿度被忽略了，而这些在真实操作中恰恰是最关键的因素。最后解决办法很简单粗暴：不去仿真了，直接在真机上用小步长做在线强化学习，宁可慢，也不要"看似快实则在错误方向上用过拟合"。这个经验告诉我，模拟可以作为预训练平台，但最终落地的闭环回路一定要在真实环境中调试和验证。

5.3 "科学发现"的评价标准没有被明确定义

这是一个让我很意外的问题：什么叫"完成了科学发现"？这个问题听起来很基础，但综述里指出，目前还没有一个统一的、可操作的评价标准。是发现了新化合物？是提出了新假设？是验证了一个已有假说？还是产生了可复用的新知识？这四个答案对应着完全不同的技术需求。

比如，如果目标是"发现新分子"，那系统只要在已知化学空间里搜索并合成出一个未曾记录的结构，就算成功。如果目标是"产生新假说"，那系统必须超越已有数据分布，提出一个能被实验检验的新因果解释。后者的难度比前者高一个量级，但它的科学价值也大得多。综述里特别提醒，很多团队会在论文里宣称自己的系统"发现了新材料"，但实际上只是做了"筛选和优化"，并没有真正打开新知识空间。这种表述上的"膨胀"，不利于整个领域的健康发展。

5.4 数据共享和结果可复现性在闭环系统里更难保证

传统科研里，可复现性已经够让人头疼了，而闭环系统让这个问题雪上加霜。你不仅要公布初始数据和模型，还要公布每一轮实验的设计逻辑、参数设置、异常处理记录。因为闭环系统的行为是与环境交互的结果，稍有初始条件变化，整条轨迹可能就完全不一样。

现实中我们还碰到了一个实际困难：台上设备不同批次的数据格式不统一。闭环系统里数据的自动流转要求每一步的接口高度标准化，但实验室里常见的设备来自不同厂商，数据格式五花八门。单是统一这些数据格式，就占了我们项目很大一块工作量。综述里虽然没有展开讲这个问题，但我能明显感觉到，数据与接口的标准化，几乎决定了闭环回路能不能真正转起来。没有标准，就没有自动反馈；没有自动反馈，就没有闭环。

6. 读完综述之后，我对下一代科研AI的三个判断

6.1 未来五年的主战场是"半自动闭环"而非"全自动发现"

我的第一个判断是：至少在五年内，"全自动科学发现"不会大规模落地，真正会普及的是"半自动闭环"（semi-autonomous closed loop）模式。在这种模式下，AI负责提出实验假设、设计实验参数、执行重复性操作、采集数据、做初步分析，而科学家负责评估AI提出的假说是否值得做、审核最终结论是否有科学意义。

这其实有点像自动驾驶的分级。L5级全自动驾驶还很远，但L2级、L3级已经在真实场景里用了。半自动闭环的价值比我们想象中大得多：它把科学家从繁琐的重复劳动中解放出来，让人把时间花在真正需要创造力的地方。我自己在项目中已经在实践这种方式，效果显著——我每周能多出十几个小时用来思考真正的科学问题，而不是在设备配置和数据处理上打转。

6.2 未来的科学团队里会出现"AI实验员"岗位

第二个判断可能有点大胆：我认为未来科研团队的编制里，会出现一个叫"AI实验员"的角色——它不是一个软件，而是一整套由具身AI驱动的闭环实验平台，并配有专门的维护和校准人员。这个AI实验员上岗第一天就能执行标准操作流程，还能在运行过程中收集大量过程性数据，这些数据是普通人工实验很难记录的。

它的意义不仅仅是节省人力，更重要的是产生"过程数据的富矿"。传统实验记录的只是最终结果，过程信息全丢了。机器人做实验时，每一个动作、每一条传感器读数都被记录下来，这些数据对于理解实验过程中的动力学机制极其宝贵。从"只看结果"到"全程可回溯"，这本身就是实验科学的一场数据革命。

6.3 闭环系统会让科学方法本身发生"物种级"演化

最后一个判断可能有点哲学，但我觉得很重要：当AI能够自主选择实验、自主修正假设时，"科学方法"本身会发生变化。传统科学方法里，假设的提出和实验的设计都建立在人类认知和直觉的基础上，受到人类注意力、记忆力和背景知识的限制。而AI可以在一个更广阔的假设空间里做系统性搜索，它可能会提出人类从来没有想到过的因果解释。

这倒不是说AI会取代科学家的直觉，而是说它会把"假设生成"这个环节的边界向外推一大圈。我能想象到的场景是：AI生成一千个非常规假设，人类科学家从里面挑出十个在物理上最合理、在原理上最能打动人心的，再用闭环系统优先验证。这是一种全新的分工方式，不是替代关系，而是协同关系。

演变的关键，还是我在这篇文章开头提到的那个判断权转移。当AI在假设生成、实验设计、结果解释各个环节都有一部分主导权时，科学的信任模式、责任归属、评价体系都得跟着变。这个问题综述没有完全回答，但它把问题清晰地提了出来。对我来说，能够理解这个方向，就已经比盲目追逐某个热门算法有价值得多了。

我在实际翻译这篇综述的过程里，最大的收获不仅是学到了一堆新术语，而是被迫重新梳理了一遍"科学发现"的底层结构。建议你也像我一样，找一篇系统性综述，尝试着用自己的话把它重写一遍，再对照原文看哪里丢了信息、哪里加了错误理解。这个过程比单纯阅读要痛苦，但收获也是成倍的。