12 个 AI 联合科学家（2026 年版）

开源项目：

ERA——为生物学、预测等领域构建科学模拟软件 DISCO——从头设计蛋白质和酶 kUPS——快速分子模拟引擎 Axplorer（来自 @axiommathai）——以 100 倍以上效率解决万亿级数学搜索问题 AI CFD Scientist——物理感知的流体模拟研究 The AI Scientist（Sakana AI）——自动化完整研究流程 AutoResearchClaw——自我改进的多智能体研究系统

其他重要突破：

Google DeepMind 的 AI 联合科学家——发现了一种纤维化候选药物 OpenAI 推理模型——解决了一个 80 年历史的几何难题 Robin——确定了一种失明治疗候选方案 AxiomProver——解决了整个 Putnam 数学竞赛试题 AI 联合数学家——在数学基准测试中达到新高

完整解析（含论文、GitHub 仓库和技术细节）↓ https://turingpost.com/p/ai-co-scientists-in-2026…

12 个 AI 联合科学家（2026 年版）

来源：https://www.turingpost.com/p/ai-co-scientists-in-2026 大概没有什么比将 AI 应用于对人类和整个世界最有益的领域——科学与研究——更令人振奋的了。而现在，我们正目睹着新型AI 系统作为联合科学家的急剧崛起。

不，这并不会降低科学家、工程师或研究人员的价值——这些系统帮助人们更快地生成和分析结果，加速生物学、化学、物理学、医学等领域的进步。以往需要多年的大量繁琐分析、假设检验和实验，现在可以在几天甚至几小时内完成。

所以今天，我们将来看看一些最有趣的 AI 联合科学家系统。

TL;DR： 使用 DeepMind 的联合科学家和 Robin 进行生物学和药物发现，使用 AxiomProver 和 AI 联合数学家进行定理证明和数学研究，使用 ERA 和 AI CFD Scientist 进行自主科学模拟，使用像 The AI Scientist 或 AutoResearchClaw 这样的系统实现完全自动化的端到端研究工作流程。

其中一些是发现药物和设计蛋白质的生物学联合科学家，一些是解决证明和猜想的 AI 数学家，另一些则生成科学模拟和实验，还有系统能自动化整个研究流程，甚至包括论文撰写。此外，你还会找到 6 个开源联合科学家。

最值得关注的联合科学家

1. Google DeepMind 的联合科学家

这是 2026 年最具代表性的 AI 系统之一，可以将大规模生物数据分析从数月缩短至数天。它基于 Gemini 构建，采用多智能体研究架构，通过受 AlphaGo 启发的迭代“创意锦标赛”生成、辩论、排序和演化科学假设。该系统已被用于纤维化、肌萎缩侧索硬化症（ALS）、抗菌药物耐药性、细胞衰老、传染病和植物免疫研究——包括识别出一种纤维化候选药物，该药物在实验室测试中阻断了 91% 的瘢痕相关反应。

联合科学家是 Google 更广泛的 Gemini for Science 计划的核心研究引擎：“假设生成”工具明确基于联合科学家构建。Google 将其定位为更大生态系统的一部分，与 AlphaEvolve（用于计算实验）和基于 NotebookLM 的文献洞察共同存在。

2. OpenAI 模型与一个著名的几何猜想

OpenAI 的新推理模型（名称未公开）刚刚解决了一个自 1946 年以来困扰研究人员的数学难题——Paul Erdős 最著名的几何谜题之一：如果你在平面上放置n个点，最多有多少对点恰好相距一个单位？ 近 80 年来，数学家们认为类似方格网的图案基本上是最优的。

AI 证明了它们不是最优的。一个通用推理模型（非数学专用系统）发现了一种全新的构造，产生了远超预期的单位距离对数。 它使用了代数数论中的深层思想，专家从未想过这些思想会与这个几何问题相关。数学家验证了该证明，并称其为 AI 驱动数学的一个里程碑。

3. FutureHouse 的 Robin

这个多智能体系统能够自主生成并在真实实验室工作流程中实验验证治疗假设：它阅读论文、生成假设、提出实验方案、分析实验室数据，并循环迭代结果。

研究人员将其用于干性黄斑变性——一种主要的失明原因。Robin 提出改善视网膜细胞的“清理”功能（吞噬作用） 可能有助于治疗该疾病，然后确定ripasudil（一种青光眼药物）作为候选药物。实验室测试证实了 ripasudil 的实际效果。

Robin 还自行分析了 RNA 测序数据，发现了一个可能的新靶点 ABCA1。

4. Axiom Math 的 AxiomProver

AxiomProver 是一个 AI 数学家，能用 Lean 编写完全机器可验证的数学证明。在 2026 年，它自主解决了 Putnam 数学竞赛的全部 12 道题目（这是世界上难度最高的本科生数学竞赛之一），其中 8 道在官方比赛时间内完成。它能处理微积分、组合学、几何和数论问题，并且有时能发现人类未曾预料到的证明策略，包括几何论证和暴力形式推理。

5. AI 联合数学家

这是 Google DeepMind 为数学家提供的另一个研究伙伴。它使用多个基于 Gemini 的 AI 智能体并行工作，几乎像一个在协作工作空间中的研究团队。一个智能体可能搜索文献，另一个探索示例，其他的则尝试证明或反驳想法。研究人员可以交互式地引导整个过程。

数学家们用它来解决开放问题、发现新的研究方向、找到被忽视的论文。它还在最难的数学基准测试之一——FrontierMath Tier 4 上取得了 48% 的创纪录分数。

观看这个视频，全面了解 AI 如何改变科学，以及为什么此时此刻如此重要→

开源联合科学家

1. ERA（实证研究助手）

这个由麻省理工学院、哈佛大学、麦吉尔大学和谷歌研究人员等顶尖机构团队开发的 AI 系统，能够为复杂研究问题生成科学模拟代码，帮助科学家更快地构建计算实验和大规模模拟。ERA 通过使用类似 AlphaZero 的树搜索进行试错，不断编写、测试、评分和改进科学软件。它可以结合论文、教科书和现有方法中的想法，发明新的混合方法。

最显著的结果：

• ERA 创建了 40 种生物学方法，在单细胞数据分析方面超越了最优秀的人类方法。
• 它生成了14 个 COVID 预测模型，超越了 CDC 集成模型。
• 它还在地理空间分析、神经科学和时间序列预测方面达到了专家级性能。

2. Axiom Math 的 Axplorer

这个 AI 系统解决极其困难的数学优化问题，其中可能的解有数万亿个。它在一个循环中工作：AI 模型从优秀解中学习模式，生成新的候选解，然后局部搜索算法修复并改进这些解。随着时间的推移，系统会越来越善于提出有前途的候选解。

该团队已将其用于困难的组合学问题，如无平方图和无等腰点集。在一个案例中，Axplorer 在单个 GPU 上用了 2.5 小时就找到了一个最优图解，所需尝试次数比早期方法少了约 100 倍。

3. FutureHouse 的 DISCO

这个多模态生成模型从头共同设计全新的蛋白质和酶。你提供一个目标分子或所需的化学反应，它同时发明蛋白质序列和 3D 结构。

DISCO 的概念可能听起来与 DeepMind 的 AlphaFold 过于相似，但 AlphaFold 的理念不同：它预测现有蛋白质如何折叠成 3D 结构。AlphaFold 主要是一个预测建模系统，而 DISCO 是一个生成设计系统。

4. CuspAI 的 kUPS

CuspAI 推出了 kUPS，这是一个开源的分子模拟引擎，用于 AI 驱动的化学和材料科学。kUPS 在单一的 GPU 原生 Python/JAX 框架内统一了分子动力学、蒙特卡洛模拟、几何优化和基于机器学习的力场。它围绕可组合的“传播子”设计——不同的模拟技术和机器学习模型可以轻松组合在一起。该系统还支持在 GPU 上并行批量运行数千个模拟。kUPS 工具比标准化学工具快 49 倍。

• GitHub：Tojax GitHub (https://github.com/cusp-ai-oss/tojax)——CuspAI 的一个小库，可将 PyTorch 模型转换为 JAX 函数，并允许在基于 JAX 的模拟系统中运行它们。

5. 带物理感知验证循环的 AI CFD Scientist

这个“AI 科学家”专门为计算流体动力学（CFD） 构建——工程师们用这类模拟来研究气流、湍流、射流、空气动力学、燃烧和流体运动。CFD 比普通的 AI 研究自动化困难得多，因为一个模拟在技术上可能“有效”，但物理上却是错误的。因此，这里最大的突破是该系统包含一个物理感知的验证循环：它渲染流动模拟，并使用视觉语言模型（VLM）检查物理现象是否看起来真实。如果流动模式错误，AI 会拒绝本次运行并修复或重新运行模拟。

经过 44 次迭代实验，AI CFD Scientist 发现了 Spalart–Allmaras 湍流模型的一个新修正，将壁面摩擦预测精度提高了 7.89%。

6. Sakana AI 的 The AI Scientist

我们不得不提 Sakana AI 的 AI Scientist，尽管它是在 2024 年开发的。它自动化了整个机器学习研究流程：生成想法、搜索文献、编写代码、运行实验、分析结果，并起草完整的研究论文。其最大的里程碑之一是产出了第一篇完全由 AI 生成并通过 ICLR 研讨会真实人类同行评审的论文。AI Scientist-v2 还引入了智能体树搜索、并行实验执行和基于 VLM 的图表检查，以提高实验和论文质量。该项目还显示了一个清晰的“缩放定律”：更强的基座模型始终能产生更高质量的科研论文。

7. AutoResearchClaw

这个 AI 联合科学家自动化了完整的研究循环：生成假设、运行实验、修复失败的代码、分析结果、撰写论文。它使用多个辩论智能体，可以“自我修复”失败的实验，并存储过去运行中的经验教训。它还验证引用，确保每个报告的指标都来自真实的实验日志，以减少幻觉和虚假结果。

常见问题解答（FAQ）

什么是 AI 联合科学家？

AI 联合科学家是旨在协助科学发现的自主或半自主 AI 系统。与标准聊天机器人不同，它们可以生成假设、分析论文、运行实验、编写代码、评估结果，有时还能生成研究论文。

存在哪些类型的 AI 联合科学家？

一些系统专注于生物学和药物发现，其他系统则专注于数学、科学模拟、物理学或材料科学。较新的系统越来越多地将多个智能体组合成自主研究团队。

哪些 AI 联合科学家专注于生物学？

Google DeepMind 的联合科学家、FutureHouse 的 Robin 和 DISCO 是最强大的生物学聚焦系统之一。它们致力于药物发现、蛋白质工程、疾病研究和治疗假设生成。

哪些 AI 系统专注于数学？

AxiomProver、AI 联合数学家、Axplorer 和 OpenAI 的推理系统专注于定理证明、形式验证、优化和解决困难的数学问题。

什么是科学模拟智能体？

像 ERA、kUPS 和 AI CFD Scientist 这样的系统可以自主生成科学模拟代码、运行计算实验、优化模型并验证结果，涵盖生物学、流体动力学、化学和预测等领域。

什么是完全自主的 AI 科学家？

像 The AI Scientist 和 AutoResearchClaw 这样的系统自动化了近乎完整的研究工作流程：文献综述、想法生成、实验、调试、分析、验证和论文撰写。

有开源的 AI 联合科学家吗？

有的。像 The AI Scientist、Axplorer、DISCO、ERA、kUPS、AI CFD Scientist 和 AutoResearchClaw 这样的项目是开源的，允许研究人员检查、修改和扩展他们的科学工作流程。

为什么 AI 联合科学家现在变得重要？

推理模型、长上下文记忆、多智能体系统和工具使用 AI 智能体的兴起，使得 AI 系统能够处理以前需要大型人类研究团队的长周期科学工作流。

延伸阅读

如果你刚开始接触机器学习和 AI，请查看我们精选的 AI 与 ML 从业者十大 GitHub 仓库 (https://www.turingpost.com/p/10-github-repositories-ai-ml-ds)——包含课程、指南和项目合集，助你打好基础。

如果你觉得这篇文章有价值，欢迎免费订阅我们的新闻通讯。

我们每天在 X/Twitter 上发布有用的小贴士和简明解释。让我们保持联系。