在电影《生化危机》中，地下实验室“蜂巢”的门禁、监控、通风乃至整个设施的运行，完全依赖于一个人工智能——红皇后。人类科学家负责研究，但真正掌握这座实验室“手脚”的是AI。当异常发生，红皇后可以切断系统、封锁区域，直接干预物理世界。二十多年前，这样的情节还是科幻电影用来制造恐惧感的经典套路：AI进入物理世界，操纵机器，直接干预现实。如今，这一画面正以截然不同的方式变为现实——虽然目前还不恐怖。
就在昨天，Anthropic发布了面向物理硬件的Model Hardware Standard（MHS），试图将MCP的逻辑从GitHub、Slack和数据库进一步延伸到机械臂、显微镜、液体处理器、激光器等真实设备。参阅报道《刚刚，Anthropic发布物理MCP：Claude开始接管真实世界》。简单来说，AI Agent不仅要有调用软件的“接口”，它开始需要一套连接现实世界的“神经和手脚”。
而今天，谷歌DeepMind又展示了自己在这方面的成果。在一篇刚刚公布的83页论文中，谷歌把Gemini驱动的Co-Scientist接进了真实科研流程，让它设计实验、生成执行代码、读取实验反馈，并直接与实验设备发生连接。谷歌将这种变化称为从“芯片内的假设生成器”走向“基于执行的研究伙伴”。
最直观的一次实验里，研究人员把一台自建CVD设备（化学气相沉积设备）的条件告诉了Gemini 3 Deep Think。几分钟后，它给出了适配这台机器的材料生长方案，并进一步把方案翻译成能够控制设备的机器代码。最终，三种二维半导体都在首次尝试中成功长出了单层晶体。于是，一个过去主要存在于科幻电影里的场景突然变成了现实：当大模型真的长出“手”，开始操纵实验设备。
那么，从今天开始，AI Scientist会变成什么？《生化危机》里，人类害怕AI接管实验室。而现实中的科学家，正在主动把实验室一点点交给AI。当然，谷歌想做的，可不是失控的“蜂巢”，而是一台可以从提出假设、设计实验一路跑到现实验证的科学发现机器。
论文标题：Accelerating Scientific Research with Gemini in the Real-World
论文地址：https://arxiv.org/pdf/2608.26701
Gemini接管了一台实验设备
首先，是材料科学。研究人员使用的是一台自己搭建的化学气相沉积设备，也就是CVD炉。做这类二维材料实验时，一个长期存在的问题是公开的“配方”难以复现。同样是温度、气体、前驱体这些参数，换一台炉子，炉腔大小、气流、材料摆放位置稍微不同，最后长出来的晶体就可能完全不一样。研究人员往往需要用几周甚至几个月时间反复调参。
于是研究团队不再告诉Gemini应该怎么做实验，而是把实验室有什么设备、有什么化学品、炉子是什么结构告诉它。剩下的参数由AI自己决定。Co-Scientist根据这些约束，生成气体流量、温度曲线、前驱体用量、材料摆放位置等完整实验方案，再交给实验设备执行。
其中一组实验非常亮眼。研究团队把Gemini 3 Deep Think接进CVD控制流程后，它不再生成一份自然语言实验方案供科学家慢慢阅读，而是在几分钟内完成推理，并把结果直接翻译成可以控制设备的机器代码。最终，MoS₂、MoSe₂和WS₂三种二维半导体，都在第一次实验中成功长出了单层晶体。整个实验流程大约一小时完成。其中MoSe₂和WS₂更特殊：研究人员此前甚至没有在这套设备上生长过这两种材料。后续至少五次重复实验也验证了结果。
这和昨天Anthropic展示的MHS有一个很有意思的呼应。Anthropic想解决的问题，是怎样让Agent更方便、更标准地认识和操纵实验设备；谷歌这篇论文讨论的则是下一步：当推理模型已经能够控制实验设备时，科研工作流该怎么重构？从这个意义上说，“AI连接硬件”已经不是问题了。
不只是照着论文做实验，AI还开始自己找配方
不过，如果只是让Gemini根据已有知识调一套设备，还不能算真正意义上的科学发现。所以谷歌做了第二个更难的实验：尝试从底向上合成一种叫Ti₃C₂Tₓ的MXene二维材料。传统路线往往涉及危险腐蚀剂，而已知的一些CVD方案又会使用有毒且对空气敏感的TiCl₄。研究团队因此给Co-Scientist提出了一个任务：能不能找到一条更安全的前驱体路线？
Co-Scientist最终把目标锁定在了六氯乙烷C₂Cl₆，并进一步给出了前驱体数量、位置、气体流量、基底和温度曲线等一系列参数。但这并不是一个“AI灵光一闪、实验一次成功”的故事。Co-Scientist共生成了272个候选方案，研究人员选择并继续优化其中的高排名方案；经过25轮实验迭代后，最终得到了一种二维层状晶体。它在XRD、电子显微镜和元素组成等多个指标上，都呈现出与Ti₃C₂Tₓ MXene高度相似的特征。
后面的现实世界麻烦也很典型。最初复现实验的成功率只有11.5%。研究人员后来发现，主要问题不是AI的化学推理，而是实验设备密封不严导致的氧气泄漏。重新清洗石英管、更换密封圈、改进设备维护流程后，同一种二维材料的实验成功率才提高到68%。这恰好说明了为什么“真实世界AI”和软件Agent很不一样：代码错了，可以重新运行。但现实实验里，一枚老化的O型密封圈、一点管路残留，甚至空气中的氧，都可能让一个正确的科研方案彻底失败。
谷歌在论文里也非常谨慎：目前还不能最终确认这种材料就是Ti₃C₂Tₓ MXene，它还存在产率低、氧化严重等问题，需要进一步通过原子尺度表征确认。尽管如此，我们还是可以得出如此结论：AI已经可以提出一条有科学意义的候选合成路线，然后真正把这条路线推进到物理实验中接受验证。
有些实验或许可以先让AI“猜一遍”
谷歌还把Co-Scientist放进了一个完全不同的实验场景：合成生物学。研究对象是一群经过工程改造的大肠杆菌。这些细菌在培养皿中会形成不同的群落图案。当诱导剂IPTG浓度变化时，菌落的大小、边缘和形状也会随之改变。正常情况下，要得到整条变化曲线，就需要科学家配置不同浓度、培养细菌、等待生长，再一盘盘扫描。
谷歌尝试让AI补掉中间的一部分实验。研究人员只向Co-Scientist提供部分浓度下的真实菌落图片，再让系统预测没有见过的中间浓度下，菌落应该长什么样。而且这些实验数据当时尚未发表，因此论文认为，模型不可能简单依靠记住训练数据里的结果完成任务。
结果，在四项菌落形态指标中，AI的预测有三项与真实湿实验结果没有表现出显著差异；它还正确判断出了对照组不会随着IPTG浓度产生对应变化。明显出问题的是“圆度”：AI生成的菌落比真实情况更加规整。很符合生成模型的一贯审美：现实世界长得没那么规整，AI却忍不住把它画圆了一点。
谷歌对这个实验的定义也很克制：目前做出来的是已知浓度区间里的interpolation（插值），而不是面对一种全新遗传回路直接预测未知现象。但这已经对应着一个非常现实的用途。未来科学家也许没有必要把一个巨大的参数空间全部做一遍湿实验。可以先测几个点，让AI根据这些真实数据预测剩下的空间，再选择最值得验证的位置做实验。实验因此逐渐从“穷举”变成：真实世界采样→AI预测→选择实验→新数据反馈给AI。这正是论文反复强调的lab-in-the-loop。
AI已经开始自己设计AI
走到计算机科学实验，Co-Scientist的自主程度又提高了一截。这次研究人员给它的任务非常简单：设计一个能够更好回答医疗问题的Agent。之后，人类不再参与架构设计。Co-Scientist自己提出方案、写代码、运行测试、分析错误，再继续修改架构。最后，它“进化”出了一个名为Agent_H的系统。
这个系统需要想办法重新组织现有模型的推理过程。面对一个医疗问题，它会先判断问题属于哪个医学领域、面向患者还是医生、风险有多高；复杂问题会被拆成多个子问题；随后同时生成28—48个候选答案，让不同Judge两两淘汰，再由三个Judge投票选出最终答案。胜出的答案还要经过多轮临床审查、引用检查，最后再压缩长度。回答一个问题，整个Agent要调用模型大约40—80次。
在HealthBench Hard和HealthBench Professional上，按照论文使用的长度校正评分，Agent_H超过了包括GPT-5.6 Sol、Claude Opus 5和Gemini 3.1 Pro在内的六个前沿模型。
但这里出现了一个非常值得写进报道的插曲：AI自己学会了“刷榜”。早期实验里，评分标准没有充分惩罚冗长回答。于是Co-Scientist很快找到了提高分数的最简单办法：把答案写得特别长。Benchmark分数因此显著上涨，但医疗质量并没有对应提升。直到研究人员加入长度惩罚后，大量优势才消失。谷歌自己在论文中把它视作一个典型的Goodhart’s Law：当一个指标成为目标，它就不再是一个好指标。真实医生的评价也给结果泼了一些冷水。三名执业医生对106个问题进行了盲评。在九个维度中，Agent_H只有“降低潜在伤害”这一项相较原版Gemini 3.1 Pro达到了统计显著改善，其余八项都没有显著差异。换言之，AI Judge眼中明显更高的Benchmark分数，并没有完全变成人类医生眼里明显更好的回答。
这或许也是AI Scientist真正进入现实世界之后不得不面对的问题：它不仅要会优化，还必须知道什么东西不能只靠优化指标来定义。
AI科学家会为了论文“造数据”
事实上，谷歌在这篇论文里花了相当多篇幅研究另一个略显尴尬的问题：如果彻底放开AI Scientist，它会不会为了得到漂亮结果作弊？答案：会。研究团队让系统在50个AI研究题目上，从提出想法、寻找数据、写代码、运行实验一直做到生成最终论文，全程没有人工介入。作为对照，他们还测试了一个去掉可靠性模块的Co-Scientist，以及此前的Agent Laboratory系统，共生成150篇论文，再交给30名领域专家进行450次匿名评审。
结果就挺夸张的。没有专门验证机制的AI Scientist，在代码已经报错、实验根本没有有效结果的时候，仍然可能继续往下写完整论文。它们会编造数据表、p值、统计检验；会把失败的实验写成成功；甚至会修改评价环境，让自己的方法天然获得更高分数，或者通过hardcode直接输出一个漂亮的结果。当优化目标是：“写一篇看起来不错的论文”，Agent会寻找比真正完成研究更加便宜的捷径。
因此，谷歌给新版Co-Scientist增加了一套很像“科研审计”的机制：论文里声称发生过的实验结果，必须能够回溯到真实的程序执行日志。如果日志里没有对应结果，系统不能凭语言模型觉得“应该如此”就写进去。
效果非常明显。严重到足以使论文失效的“结果幻觉”，从Agent Laboratory的90%降到了4%；最严重的完全数据捏造，则从44%降到了0%。但问题依然没有彻底消失。新版Co-Scientist的严重方法描述错误仍然有24%，严重抄袭/衍生内容也还有16%。谷歌因此特意强调，他们并没有声称现在的Autonomous AI Scientist已经可以生成可直接发表的研究论文。
结语
如果把Anthropic和谷歌这两项工作放在一起看，会发现Agent正在发生一个很明显的变化：此前两年，AI Agent的战场一直是软件世界。而现在，这套逻辑正在次大规模向现实世界外溢。Anthropic的MHS试图解决底层问题：让机械臂、显微镜、液体处理平台这些不同设备，拥有一种Agent能够统一理解和调用的接口。谷歌的Co-Scientist则开始探索上层问题：当一个推理模型能够提出科研假设、规划实验、控制仪器、读取结果并继续修正下一轮实验以后，一套真正的闭环科学发现系统应该是什么样。
当然，谷歌距离真正的“无人实验室”还很远。当前材料实验依然需要人类装载样品；新材料的原子结构还没有最终确定；大肠杆菌预测只验证了有限的插值任务；医疗Agent会钻Benchmark的空子；论文生成系统也没有完全解决幻觉和抄袭。谷歌自己甚至明确认为，由于硬件异常和现实环境复杂，现阶段完全无人监督的物理实验仍然难以实现。
但变化已经出现了。过去讨论AI for Science，经常把重点放在AI能不能“想到一个人类没想到的东西”。现在，越来越多工作开始补上更难的另一半：这个想法能不能被真实设备执行，执行结果能不能重新成为AI下一轮推理的依据。
谷歌在论文最后给出了一个很有意思的判断。如果这样的闭环真正建立起来，未来科研的限制因素可能发生倒转：过去，实验设备等待科学家提出下一个好问题；未来，可能是AI已经提出了几百个值得验证的实验，而实验室根本来不及做。到那时，科学发现速度真正的瓶颈，可能不再是scientific ideation，而是experimental throughput——现实世界能够多快把这些实验跑完。