先看一个很现实的问题当“AI 科学家”这个说法密集出现在新闻和论文标题里时它到底是一个能进实验室跑通一个完整科研流程的真系统还是把大模型包装成“自动写报告”的 Demo项目标题 OmniScientist 给出的答案是“Omni-Modal”加“Omni-Discipline”翻译过来就是全模态、全学科。这个定位比大多数科研 AI 工具都激进它不仅要读懂文字还要看懂图表、公式、谱图、实验数据和代码它不仅在一个领域里做科研助手还想横跨物理、化学、生物、材料等多个学科。说实话第一次看到这个命名时我关心的不是它能不能写论文摘要——任何一个 GPT 类产品都能做到——而是它如何处理“科学证据的完整链路”。这篇文章针对这一类系统的方向做一次拆解。我会先讲清楚 Omni-Modal 和 Omni-Discipline 背后的技术含义再给出这类系统的通用架构假设最后用一个最小可运行的科研循环示例说明你如何自己验证、评估一个“AI 科学家”项目。读完你会有一个更冷静的判断标准哪些能力是真的突破哪些只是宣传话术。1. AI Scientist 从概念到产品卡在哪一步这几年学术界和工业界对 AI Scientist 的期待发生了明显变化。最早大家用大模型辅助科研主要停留在“文献问答”和“润色论文”上。这种用法本质上是把大模型当成一个知识面很广、但不会动手的助手你问它某个材料合成步骤的依据它能引经据典地回答但要它从头设计一组实验、跑一遍数据、再根据结果修正假设它就无能为力了。转折点是智能体技术在科研场景里的渗透。工具调用、代码解释器、记忆管理和多步骤规划这些能力成熟以后“提出假设—设计实验—执行—分析—撰写报告”这个科研主循环第一次可以被软件系统串起来。2024 年前后学界已经出现能自动跑完整科研闭环的早期原型社区随即开始争论一个关键问题AI 生成一篇论文容易但 AI 能否生成一个可以被可靠复现、结论经得起检验的研究结果答案直接影响后面所有设计。如果只是让模型自动“拼”出一篇论文它完全可以做到形式完整、章节齐全但你无法确定里面的数据是真的跑出来的还是模型根据上下文“脑补”出来的。因此在 AI Scientist 类系统中“验证”和“生成”是同等重要的模块甚至验证模块的重要性更高。OmniScientist 这个项目之所以值得分析是因为它把这场竞争带到了下一个层面不止让 AI 在单一文本输入下完成科研闭环而要让它理解真实科研中存在的多模态证据并把这些能力泛化到多个学科。这个方向很性感但它的实现难度比想象中大得多。2. Omni-Modal要处理的是“证据链”不只是多张图片先澄清一个容易混淆的概念。很多人看到 Omni-Modal会觉得它与多模态Multi-Modal差不多无非是文本加图片、加音频、加视频。但“全模态”的意思更接近“对一切与研究相关的数据形态都提供一等的处理能力”。在科研场景里这些数据形态至少包括数据形态典型例子自然语言文本论文正文、实验方案、审稿意见数学公式热力学方程、量子力学算符二维图表XRD 谱图、电镜图、红外光谱结构化表格材料性能表、样本统计表、实验记录代码数据处理脚本、仿真代码、机器学习代码时序信号传感器数据、反应动力学曲线分子/序列结构化学分子式、蛋白质序列、晶体结构运行日志实验设备日志、训练日志、控制台输出为什么说这些数据形态决定了 AI Scientist 的成败因为一篇科学论文里的结论从来不是单纯靠文字支撑的。假设你拿到一篇材料学论文正文声称“XRD 图谱显示样品为纯相”那么检查这条结论时你需要同时打开正文、图谱图片和原始数据表去看峰位是否对得上、有没有杂峰、测试条件是否合理。如果一个系统只能读文字它永远无法独立验证这类结论。多模态模型确实能“看图说话”但科研上的要求要高得多。普通场景问“图片里有什么”可以模糊回答科研场景却要求精确对应“这张 SEM 图片是否支持‘晶粒尺寸约 500 nm’这个断言图片标尺是多少能谱数据在哪个表格里” 每一个结论都要落到可追溯的证据点上。我把它叫作“证据链一致性”这才是 Omni-Modal 真正要解决的问题。换句话说把图片、文字、表格、代码都塞给模型处理只是表面工作。深层工作是在这些异构数据之间建立一致的引用关系让模型给出的每一条物理断言都能索引到具体的图表、数据和代码。这一点做不到再多的模态输入也只是让模型看了一眼更多内容却不保证它看懂了。3. Omni-Discipline通用科研控制器 领域工具包Omni-Discipline 是另一个很容易产生误解的词。很多人会以为“全学科 AI 科学家”就是一个特别大的模型同时学会了物化生和计算机等所有领域的全部知识。从工程角度看这个想法基本不现实。不同学科的知识表达方式极其不同。化学的基石是分子结构式、反应方程、谱图数据和热力学性质生物学的数据常常表现为序列、基因功能注释和蛋白结构物理学的核心是数学方程、受控实验和数值仿真。让同一个模型针对每一种领域数据都进行端到端训练参数规模和数据成本都会失去控制更重要的是跨领域迁移很容易引发幻觉系统把化学里的“键能”概念错误地套用到材料力学场景。更稳妥的实现思路是把系统拆成两层。第一层是通用的科研控制器它负责科研方法中那些跨领域一致的部分阅读文献、总结已有结论、提出假设、设计对照实验、记录结果、对比预期与实际的偏差。第二层是可插拔的领域工具包按学科挂载。化学场景里需要有结构式解析、热力学数据库或量子化学计算接口生物学场景里需要序列比对工具、结构预测服务或基因注释数据库物理场景里则需要数值求解器、蒙特卡洛模拟器或解析推导工具。这个架构很像一个操作系统的设计内核保持稳定驱动按硬件挂载。对用户来说AI 在多个学科之间切换体验是一致的但在系统内部真正干活的往往是领域驱动模块而不是那个体积庞大却什么也不敢确定的大模型。这也是评估 OmniScientist 这类项目时最重要的观察点之一它到底是把“通用推理模型”当全能选手用还是为不同学科配置了各自的“知识工具链”4. 一套普遍的系统架构是怎样的结合目前 AI Scientist 类项目的设计思路我们可以把这类系统的通用架构抽象成五个层次。理解这五个层次比自己直接看源码更重要因为你拿到任何一个新项目时都可以先问它是如何组织这五部分的。第一层是感知与解析层。它负责把论文 PDF、图片、表格、音频、代码仓库等原始输入转换成结构化数据。例如把扫描 PDF 转成 Markdown用算式识别工具把公式转成可运算的 LaTeX 或符号表达式把图片中的曲线数据点提取成数值序列。这一层最容易被低估。如果感知层提取出来的谱图数据是错位的后面任何推理都会建立在错误地基上。第二层是科学工作记忆层。科研行为和普通对话不同它需要长期记忆。AI 要能记住“这个问题我们已经试过三种方案”“这批样本的实验条件是 80 摄氏度”“上一轮假设已经被数据否定”。这个记忆层可以表现为论文数据库、向量知识库、实验记录数据库也可能是带结构的知识图谱。第三层是推理规划层。这一层通常由大语言模型承担它负责任务分解把“证明某催化剂能降低副产物”这个大任务拆成“检索已有催化机理”“设计对照实验”“调用计算接口预测副产物路径”“比较实验结果”等子任务。规划不等于执行规划层只负责产生行动序列。第四层是工具执行层。这是 AI Scientist 是不是“真把活干了”的关键。工具层把规划转换成实际动作运行一段 Python 脚本、调用某个量子化学计算包、查询动力学数据库、执行仿真程序。真实执行的意义在于它的输出不来自模型随机生成而来自外部系统确定性的计算结果。只有这种输出才能被当作“证据”。第五层是验证与反馈层。它检查工具返回的结果是否与假设一致结果是否在误差范围内代码是否能在新环境下复现。如果验证失败它要把失败信息回传给规划层让模型提出新假设或修改实验方案。没有这一层AI 科学家就只是个华丽的“文字生成器”。你可以把这五层理解成一个科研团队感知层是分析仪器和实验记录员记忆层是实验室的档案库规划层是研究组长工具层是执行实验的工程师验证层则是对实验结果签字负责的复核人。任何一套自称 AI Scientist 的系统如果缺失最后一层它的科研结论就缺少公信力。5. 现在技术能做什么不能做什么在拆解完架构之后我们有必要冷静看一下能力边界。没有人希望把 AI 科学家当成完全可靠的研究伙伴结果却被它第一轮编造的数据带偏。从当前技术状态看这类系统已经能合理完成的任务包括基于大量文献做结构化综述、提取论文里的假设与实验条件、给研究者提供候选思路、为已经形式化的问题生成可运行代码、在确定性仿真任务上自动调参并总结规律。这些能力的共同点是任务边界清晰验证标准明确外部工具可以提供确定性反馈。但还有几个方面的可靠性远未达到“可自主科研”的水平。第一个是真正的新理论发现。AI 擅长在已有概念空间中做组合但提出全新的物理学原理或化学机理仍然需要跨域类比、直觉跳跃和极端条件下的人类验证这不是当前系统能稳定输出的。第二个是真实物理实验的操作闭环。Omni-Modal 意味着系统要能理解实验环境的状态包括温度数据、机械臂操作位置、设备告警等。这些信息一旦进入真实物理世界噪声和不确定性会急剧增加目前大多数系统只在纯数字环境里自洽并未接入真实实验设备。第三个是防止“看似合理的数据编造”。这是最隐蔽的风险。一个智能体在跑完代码后如果工具返回空结果或异常它可能不会承认失败而是根据代码逻辑“推理”出一个符合预期的数值填充进报告。这种数据比明显错误的输出更危险因为它格式正确、上下文合理人类复核时很容易放过。用一个表格总结当前状态下的能力边界会比较直观任务类型当前可靠程度建议使用方式文献检索与结构化总结较高人工抽检关键引用确定性仿真代码生成中等偏高独立复跑验证实验方案设计建议中等由领域专家审查后接受跨模态图表关联判断中低必须结合原始数据复核新理论发现低仅作为灵感来源真实实验自主操作很低暂不建议脱离人类监督这里要特别提醒看到一张论文截图说 AI Scientist 自己做了十轮迭代并找到新材料先不要急着相信。你要追问三个问题实验是在仿真里做的还是在真实实验室里做的指标是谁计算的模型自己算的还是外部工具算的如果换一组随机种子结果还能复现吗6. 最小可验证的“科研循环”示例理解这类系统最好的方式是自己搭一个最小的科研循环。这部分不是试图复刻 OmniScientist 的全部能力而是展示“感知层—工具层—审计层”三个核心思想能在 200 行代码内跑通。6.1 第一步把论文“图 文”转成统一证据科研场景的多模态解析第一步是把论文中的文本块和图片转成可以被模型消费的统一证据。不同模型厂商的接口格式不一样这里展示一个 adapter 思路生产环境替换成你自己的服务即可。# evidence_adapter.py # 作用把论文文本 图片路径组装成多模态请求并保留原始证据信息。 import base64 import os def image_to_data_uri(image_path: str) - str: with open(image_path, rb) as f: raw base64.b64encode(f.read()).decode(utf-8) return fdata:image/png;base64,{raw} def build_evidence_payload(text_chunk: str, image_paths: list, question: str) - dict: content [ {type: text, text: f[论文段落]\n{text_chunk}\n\n[问题]\n{question}} ] for path in image_paths: # 不同服务商对图片字段的命名不同这里采用常见形式接入时按协议替换 content.append({ type: image_url, image_url: {url: image_to_data_uri(path)} }) return { model: os.getenv(MODEL_NAME, your-omni-model), messages: [ {role: system, content: 你是科研证据分析助手。请基于论文文本和图片证据回答证据不足时必须回答无法判断。}, {role: user, content: content}, ], temperature: 0.0, }这段代码的关键不是调用某个具体模型而是把“问题 文本 图片”捆绑成一个不可分割的证据单元。审核时你能知道模型做出判断时看的是哪张图、哪段文字而不是凭空作答。运行方式可以写成命令行入口这里的参数可根据实际需要扩展python evidence_adapter.py paper_excerpt.md figure1.png 根据图片和正文样品是否呈现纯相6.2 第二步用独立性验证器校验结论AI Scientist 系统最忌讳“自己写代码自己报结果自己下结论”。更稳妥的做法是引入一个独立验证器它不依赖模型的输出而是直接用确定性代码重新计算。下面用一个简化示例说明思想。# verify_claim.py # 独立验证器假设智能体声称某方案能缩短计算时间这里用本地确定性模拟检查。 from typing import Dict def run_simulation(cases: list, mode: str) - Dict[int, float]: mode 为 baseline 或 optimized返回每个 case 的耗时。 result {} for case in cases: # 生产环境把这里替换成真实仿真器这里仅用于演示可复现验证逻辑 base_cost case * 1.0 result[case] base_cost * (0.8 if mode optimized else 1.0) return result def verify_claim(cases: list) - dict: baseline run_simulation(cases, baseline) optimized run_simulation(cases, optimized) changes {} for case in cases: diff (optimized[case] - baseline[case]) / baseline[case] changes[case] round(diff * 100, 2) return { baseline: baseline, optimized: optimized, per_case_change_percent: changes, average_change_percent: round(sum(changes.values()) / len(changes), 2), } if __name__ __main__: print(verify_claim([10, 20, 30, 40]))运行这个脚本得到的结果由代码确定性计算不经过模型所以它可以作为验证 AI 结论的“外部裁判”。真实项目中这个裁判可能是物理仿真器、数据库查询、解析求解器或再次执行一遍训练代码。重点在于它必须与模型推理路径相互独立。6.3 第三步把全过程写入审计日志如果你准备让 AI Scientist 进入正式科研流程一定要把每一步都记录下来包括模型输入、输出、调用的工具、返回结果、使用的随机种子。没有审计日志你根本无法定位幻觉是哪一步产生的。# audit_logger.py # 科研智能体审计日志把每个阶段的关键信息落盘为 JSON Lines便于事后追查。 import hashlib import json import time from pathlib import Path AUDIT_FILE Path(research_audit.jsonl) def log_step(step_name: str, prompt: str, result, tool: str None, seed: int 42): record { ts: time.time(), step: step_name, prompt_hash: hashlib.sha256(prompt.encode()).hexdigest()[:16], result: result if isinstance(result, str) else json.dumps(result, ensure_asciiFalse), tool: tool, seed: seed, } with AUDIT_FILE.open(a, encodingutf-8) as f: f.write(json.dumps(record, ensure_asciiFalse) \n) return record def load_audit() - list: if not AUDIT_FILE.exists(): return [] with AUDIT_FILE.open(r, encodingutf-8) as f: return [json.loads(line) for line in f if line.strip()]这个日志模块的价值在于它把“AI 做了什么”从不可见变成了可见。出现可疑结果时你不再需要猜模型为什么这么说而是可以直接回溯某一步的输入内容、调用命令和输出值。6.4 运行与验证把这几个脚本放在同一个目录后推荐按下面的顺序验证整个链路# 1. 验证模拟结果是否有确定性 python verify_claim.py # 2. 向多模态接口发送一个“图 文”证据包观察模型是否拒绝证据不足的问题 python evidence_adapter.py paper_excerpt.md figure1.png 该实验的对照组设置是否合理 # 3. 打开审计日志确认每一步都有 hash、时间和 seed cat research_audit.jsonl如果模型在证据不足时仍然强行给出结论说明它还没有学会科研场景最重要的能力承认不知道。这种情况下你不应该让它进入自动科研流程而应在系统提示词和验证层同时加强约束。7. 怎么评估一个 OmniScientist 项目面对一个定位如此宏大的项目你可以使用下面这套评估框架快速判断它属于“真系统”还是“演示 Demo”。评估的第一个维度是证据还原能力。找一篇你熟悉的、包含图和表格的论文遮住结论部分让系统回答“图表支持什么结论”再与真实结论对比。重点看它是否会在证据不足时编造出看似合理的解释。第二个维度是可复现性。让系统生成一段实验或仿真代码然后在不同机器、不同随机种子下重复运行。如果结果波动极大或者代码只在系统自带的交互环境里能跑通说明它的实验过程没有真正工程化。第三个维度是工具真实度。检查报告中的每一个指标是否来自外部工具返回。例如系统声称“某分子结合能更低”你需要确认这是调用计算软件得到的结果还是模型根据文本直接“推测”出的数字。后者没有科研价值。第四个维度是失败恢复能力。给系统一个错误假设观察它在实验结果与预期不符时是否会修正方向。只会按原计划继续执行、甚至篡改结果来迎合假设的系统不具备科研思维。第五个维度是人工介入成本。评估系统每完成一个科研步骤需要人类专家介入多少次。如果每一步都需要确认和纠错那它本质上还是一个人工辅助工具谈不上自主科学家。这五个维度不需要复杂基础设施用一个文档加几次实验就能完成。下面是一张可以打印出来对照使用的评估表评估维度检查方法合格信号危险信号证据还原遮住结论让系统看图回答能定位具体图表证据不足会拒答凭空给出结论或编造数据可复现性换种子重新跑输出偏差在误差范围内结果不可复现工具真实度抽查关键指标指标来自日志或外部系统指标由模型文本生成失败恢复输入强假设能提出新假设或停止强行解释、隐瞒失败人工介入统计全流程干预次数随任务熟悉度减少每次运行都需要大量人工学科泛化用两个学科数据集测试工具与记忆按学科切换仅改了提示词结论浅薄8. 常见误区与避坑清单接触这类系统的开发者最容易掉进下面几个坑。第一个坑是把“会写论文”等同于“会做研究”。论文生成只是最后一步真正困难的是中间的实验、验证、修正。如果一个系统主要展示的是论文排版和章节完整度你要警惕它的实验环节是否是摆设。第二个坑是忽视多模态数据之间的冲突。很多系统能分别看懂文字和图片但不能自动发现文字结论与图表数据相互矛盾。实现时要有专门的一致性检查步骤而不是把图片丢给模型就完事。第三个坑是允许模型给自己打分。评估指标必须来自外部系统或人工标注不能让模型既当运动员又当裁判。LLM-as-a-Judge 在这类科研场景中只能作为辅助。第四个坑是跨学科泛化的虚假表现。有些系统把化学论文里的术语换成生物学术语就能让非专业人士以为是跨学科能力。真正跨学科能力的检验标准是在生物学中它是否调用了序列比对工具在化学中它是否计算了分子量并查证了反应路径在物理中它是否正确写出了量纲一致的方程。第五个坑是缺少“拒绝回答”机制。科研场景中“不知道”远比“乱答”有价值。设计系统提示词时必须明确要求模型在证据不足时输出无法判断并在代码层面拦截无证据的数值输出。对应的排查方式可以参考下表问题现象可能原因排查方式解决方案系统生成漂亮的实验数据但复现代码报错数据由模型补全没有真正跑代码检查原始运行日志是否存在于代码生成的指标强制工具返回结果才能进入报告生成图片识别结果与正文结论矛盾模态间缺少一致性校验抽样对比图片中的峰位与正文描述增加跨模态一致性校验模块换一个学科后回答质量明显下降只是提示词改变没有切换领域工具查看日志在调用什么工具按学科注册独立的工具链和记忆库遇到意外异常仍能输出合理结果模型的“自洽性幻觉”人为设置工具异常在验证层拦截异常并强制停止一次实验不通过就重复“修改数据”缺少失败恢复逻辑追踪多轮循环行为增加失败上限和人工报告机制9. 工程化落地时的方向建议如果你决定在自己的项目里借鉴 OmniScientist 的思路有四个方向需要优先投入。第一个方向是固定证据边界。在项目早期就定义清楚哪些数据源可以作为可靠证据哪些不可用每个证据是否保留原始文件模型引用证据时使用什么格式。一套好的证据管理机制可以让你在后续排查幻觉时节省大量时间。第二个方向是验证器先于生成器。在设计规划层之前先为任务定义好验证标准。比如“催化剂活性提升”怎么衡量“晶体结构正确”用什么指标验证。验证器先落地生成器后接入系统才不会变成不可控的自动编稿机。第三个方向是保留人类裁决节点。不要把人类排除在闭环外而要把人类放在最有价值的位置裁决方向是否值得继续、结果是否具备发表价值、风险是否可控。系统负责执行与呈现证据人类负责科学判断。第四个方向是单学科纵深再跨学科。与其一开始就做“全学科科学家”不如先选择一个数据噪声低、验证标准清晰的学科把单学科闭环跑扎实再把通用控制器抽象出来迁移到下一个领域。对大多数团队来说一个真实可用的“化学助手”比十个表面完整的“学科全能王”更有价值。10. 总结与后续学习方向从 AI Scientist 到 OmniScientist核心不是命名的变化而是科研自动化思路的关键转折科研 AI 正在从“能读论文的语言模型”进化成“能在一个证据闭环里操作多个数据形态的研究系统”。Omni-Modal 解决的是证据来源的完整性Omni-Discipline 解决的是科研方法的跨域复用而决定这两个能力成败的仍然是验证与审计模块是否可靠。如果你从事 AI 应用开发下一步可以尝试复现文中的最小科研循环把一套确定性仿真器接入你的大模型应用先体会“外部工具验证”和“模型自答”之间的巨大差异。如果你从事算法研究我建议你把注意力放在科研数据的结构化表示上包括图表数值提取、实验协议描述语言和跨模态证据对齐这些数据层面的工作比单纯微调模型更容易沉淀为长期资产。最后提醒一句凡是叫 Omni 的系统你都应该先用最小但关键的实验验证它最核心的闭环而不是被“全学科”三个字打动。真正的全能来自无数个扎实的单点能力而不是一个大而化之的全能口号。