新华社在10月末的盘点里给这场变化下了判断：AI正从辅助分析的工具加速演进为能自主设计、执行并验证实验的“AI科学家”，这一趋势已在多个学科中同时显现。11月4日，上海交通大学团队在Nature发表AutoDNA平台，协调20余类仪器，完成了包含11,382次硬件操作的DNA数据读写流程，准确恢复原始数字内容。当AI真的“上手”做科学，它替代了什么、还有什么不可替代，重新回到桌面上。最懂科研的科学家们给出的答案出奇地一致：AI能执行实验，但提出问题和价值判断、对真实世界负责、守住伦理底线，仍然在人这边。新华社知乎
自主实验设计，已经走到哪一步
这套能力有具体的样子。瑞典查默斯理工学院10月初宣布的“AI科学家”系统，可在极少人工干预下生成科学假设、设计实验并解读实验结果，围绕酿酒酵母循环完成假设与验证的闭环。上海交大的AutoDNA更进一步：向它提供一份序列未知的结直肠癌组织样本，它自主完成测序与分析，识别出KRAS G13D突变，与临床检测结果一致，随后自行设计并合成检测引物，首次验证即通过测试。知乎
AI设计的工具也已经进入作物实验室。基因编辑工具OpenCRISPR-1由美国生物技术公司Profluent用AI开发、此前主要在动物细胞中验证，密苏里大学团队首次把它用于水稻基因编辑，培育出可抵御白叶枯病的植株。但抗病材料目前仍停留在实验室研究品系，导入商业品种、田间试验和监管审批都还没走完。这也是整个领域的共同状态：AI主导的实验闭环内部已经跑通，外部一圈仍靠人——AutoDNA的长流程里，人员仍需按需补充试剂与耗材、定期清理废弃物。cnBeta
两篇评测，把边界量了出来
Anthropic的Agent4Sci把20个科学机器学习基准交给四个前沿智能体，全部基准都至少被其中一个改进；但轨迹分析显示，改进主要来自常规机器学习工程技巧，而非研究级洞察——调学习率、加深加宽网络、换骨干模型是熟手，针对具体科学问题动手则少见。36氪
普林斯顿团队的Scientist World把1000篇论文转成可运行的科研环境，又观察到另一种分化：擅长沿着已有方法进行改进的模型，不一定同样擅长从问题出发提出新方法。两篇评测合起来的结论是：AI已证明自己能把实验做好，“知道该做哪个实验”尚未被证明。36氪
科学家点名的不可替代
在2026世界顶尖科学家论坛上，诺贝尔物理学奖得主诺沃肖洛夫展示AI改造二维材料的同时点破局限：AI预测时用到的纯铁、纯硅等理想化材料，在真实世界里并不存在，所以他坚持从一开始就把“材料合成”放进科研创新链。美国西北大学热电材料学者杰弗里·施耐德说得更直白：“人工智能像刚入学的博士研究生，目前还无法取代很多领域的专家”，而这个“AI博士生”的成长取决于人喂的数据质量，输入垃圾，输出的也是垃圾。上观新闻
另一条边界关乎理解本身。陶哲轩在10月与邓煜的对谈中提出，AI能给出数学证明，不代表人类真正理解了这道题；他更早抛出的“黑盒AI抗癌药”思想实验——药物通过三期临床试验但人类不懂机理，该不该用——在科学社区引发持续争论。一线研究者的体感与此吻合：有博士生总结，只要给出明确需求，让AI跑实验、设计步骤、整理报告都没问题，但原创性高、真正站得住的idea仍要靠自己。36氪知乎
这意味着什么
方向已经定了：面向原创科学发现的自主科研智能体被列入世界科技与发展论坛的“十大科技前瞻”，新材料AI赛道的初创公司单轮融资已达数亿美元，新合金的开发周期从约20年压缩到6个月至3年。实验的执行会像代码一样越来越便宜，而人的价值正在重新定价——选题时提出值得做的问题、结果出来时判断它是否真的重要、对真实世界的复杂性负责、在伦理和问责上签字，这四件事构成科学家眼中“无可替代”的核心。对科研从业者，与其焦虑被替代，不如把精力放到这四件AI短期内接不走的事上；观察信号也很简单：看AI是被用来回答已有问题，还是开始被信任去定义新问题。
