把时间还给科学创造，玻尔·科学空间在桌面接管了科研「体力活」|实验|玻尔·科|科研人员|顶尖科学家协会奖

机器之心发布

科学家最宝贵的时间，本应被用来提出更大胆的问题、理解更深层的机制、做出更重要的发现，却常常消耗在搜索、整理、验证、复现和沟通之中。

今天，深势科技正式发布玻尔・科学空间（公开测试版），为科研人员与 AI 科学家共同完成科研任务提供统一的桌面端工作环境。它连接本地与云端的科学数据、计算和实验资源，并将面向不同学科的 AI 科学家内置于科研流程之中。

研究者，只需提问与确认。科学空间，接管所有的 “体力活”。

1. 从科学问题出发

贯通科研任务全流程

1.1 调研阶段：不止是信息收集，更是提供高质量的判断，和可执行的假设起点

面对一个新的研究课题，最难的不是 “搜到更多论文”。而是从大量信息里分清：哪些已经成为共识？哪些仍有争议？哪些地方还没有人回答？

在玻尔・科学空间，研究者可以通过对话提出研究问题。玻尔・科学空间中的全科科研专家 ——SciMaster 会围绕研究问题，自动检索文献与专利，理解论文中的文字、图表、分子和公式，并形成结构化调研结果。

在此基础上，系统进一步梳理研究共识、矛盾与空白，协助研究者提出有依据、可检验的研究假设。

当一个假设具备推进价值时，AI 科学家还可以结合已有研究、可用数据和实验条件，生成可执行的实验设计方案，明确研究变量、技术路线、关键步骤与结果判定方式。

由此，科学调研不再停留于信息收集，而成为高质量判断和后续科研行动的起点。

1.2 科研执行阶段：假设不停留于讨论，点击即可验证

从假设到验证，真正耗时的往往才刚开始。

研究者不仅需要选择合适的模型和方法，还要完成数据获取、软件安装、环境配置、参数设置、任务运行、故障处理和结果分析。失败了，还需要换一套参数重新来。

在玻尔・科学空间，AI 科学家能够根据研究目标自动拆解任务，调用对应的数据、模型、软件与算力资源，执行计算、模拟和数据分析，并在关键节点检查结果。

研究者可以围绕科学问题持续提出下一步要求，而不必在多个工具与工作环境之间反复切换。

面向生物、医学、药物研发与材料科学等领域，玻尔・科学空间已内置 BioMaster、PharmMaster、MatMaster 等 AI 学科专家，支持不同类型的真实科研任务。

研究者只负责提出问题，AI 科学家把验证跑起来。

BioMaster：让生物医学分析过程可执行、可追溯、可复用

生物信息学研究常常需要在论文、公共数据库、代码仓库和分析软件之间持续切换。真正耗时的并不只是运行代码，而是找到正确数据、还原分析方法、处理版本依赖、核对参数，并判断结果是否具有可信的生物学意义。

以三个典型任务为例：

论文分析复现：BioMaster 可以理解论文方法，关联 GEO 等公共数据与作者代码，完成数据获取、环境执行、代码调试和结果核查，将公开论文转化为可以实际运行与继续利用的科研资产。

单细胞数据分析：围绕同一个科学问题组织数据处理、RNA velocity 等分析流程与科研绘图，保留前序结果，并支持研究者基于结果继续追加分析。

基因变异解读：围绕 TP53 等基因变异，跨 ClinVar、UniProt、PDB、AlphaFold 等数据源完成实体对齐、证据核验、统计分析和可视化，形成带有来源与证据等级的结构化结果。

BioMaster 将分散的数据查询与计算步骤组织为可检查的分析链路，使研究者把更多精力用于判断结果、理解机制与设计下一步研究。

视频链接：https://mp.weixin.qq.com/s/VBcGxf1idSrZ27Xh2755Sw

PharmMaster：贯通从靶点调研到分子设计的研发链路

药物研发涉及靶点调研与立项、专利格局、作用机制、构效关系、结构分析、分子设计和成药性评估等多个环节。各环节所需信息、模型和工具不同，研究结论还需要在上下游任务之间持续传递。

以 ITK 靶点抑制剂的立项和开发为例，PharmMaster 可以围绕研究目标广泛收集资料，准确实现专利与竞争格局分析，加速立项调研与决策；通过分子识别和上下文语义关联，完成 SAR 分析解读；自动发起计算任务，完成起点分子筛选，并进一步开展共晶结构解析、逆合成拆解、新分子推荐以及活性与 ADMET 性质评估等工作，在分子发现、优化的流程中为研发人员提供全面的智力支持。

视频链接：https://mp.weixin.qq.com/s/VBcGxf1idSrZ27Xh2755Sw

不同步骤不再是彼此割裂的单点任务和复杂工具组合，而是由同一研究目标驱动、能够持续推进的研发工作流。研究者可以检查每一步的依据和结果，并据此调整设计方向，进入下一轮候选分子优化。

MatMaster

从性能目标出发组织材料设计与模拟

材料研发需要在文献证据、结构设计、性能预测与机理验证之间建立联系。以高温介电薄膜为例，研究者需要系统梳理相关体系，理解结构与性能关系，再通过 DFT、分子动力学等方法验证候选材料的稳定性与作用机理。

研究者可以在玻尔・科学空间中描述目标性能、工作温度和材料约束。MatMaster 据此完成领域调研、候选体系设计、计算模拟与结果分析，并给出值得进一步实验验证的材料方向及其依据。

从 “寻找一种满足要求的材料”，进一步走向 “哪些体系值得优先验证，以及为什么”。

视频链接：https://mp.weixin.qq.com/s/VBcGxf1idSrZ27Xh2755Sw

1.3 成果输出阶段：写得靠谱，审到可信

研究完成后，还有最后一道关卡：

怎么把结果写清楚？引用是否可靠？数据与结论是否一致？面对审稿人的追问，证据是否站得住？

在玻尔・科学空间，写作助手可以根据研究数据与分析结果，协助研究者梳理思路、组织论文结构、严谨成文，并输出 LaTeX 等可继续编辑的内容。

根据已有研究数据写作

审查助手则围绕论文逻辑、引用来源、图表数据与支撑材料进行核验，提示需要进一步确认或补强的位置。

研究成果站在全世界、全时代积累的科学知识之上形成，也需要重新进入人类知识体系，接受检验、讨论与验证。

玻尔・科学空间通过写作与审查工作流，帮助研究者将计算和实验结果转化为结构清楚、证据可追溯、能够继续接受专业审视的科学成果。

视频链接：https://mp.weixin.qq.com/s/VBcGxf1idSrZ27Xh2755Sw

2. 为什么在玻尔・科学空间 AI 能够执行真实科研任务？

让 AI 真正进入科研流程，关键不在于单纯增加模型参数或对话能力，而在于为其提供理解科学、组织任务、调用工具和接受验证的完整环境。

规模化科研要素：连接知识、计算与实验资源

Science Navigator 连接超过 2 亿篇文献与专利，使 AI 能够从持续更新的科学知识中检索证据；DeployMaster 精选部署超 5 万个经典科学计算工具，并与深势科技自研的 “深势・宇知” 模型和工具，如 DPA、Uni-Mol、Uni-AIMS 等大模型，及 Uni-FEP、Uni-Dock 等计算工具体系形成密切配合，使模型与软件可以根据任务被即时调用；在湿实验的执行阶段，Uni-Lab-OS 已经能够连接超 150 个大类、1800 款仪器设备，并正在连接更广阔的实验仪器生态，未来会让数据、样品、操作与结果整合进入统一闭环的研究链路。

这些丰富、Agent-ready 的科研要素，为 AI 执行真实科研任务提供基础。

多模态知识理解与组织：证据准确抽取，知识关系系统掌握

Uni-Parser 可高效处理论文、图表、分子结构、公式、表格及实验记录等多模态科学信息。针对文本、数学公式和表格三类结构化内容，其解析准确率均超过 98%；同时，系统还能有效识别图表、流程图、分子式与化学反应式等复杂视觉信息，实现分散数据的统一化、可溯源与机器可读转化。

科学导航与大知识模型 LKM 进一步组织文献、专利、数据与研究记录之间的实体关系、证据来源和研究脉络，使 AI 能够围绕一个科学问题理解已有共识、关键分歧与研究空白。

智能体编排与长程执行：强规划能力，高容错率的 SciX 框架

SciX 智能体框架将研究目标拆解为可执行步骤，协调知识、模型、软件、算力和实验资源，并在关键节点进行检查与校验；在任务阶段性受阻时也能够自动诊断与矫正，拥有极高的任务容错率。Sandbox 为任务提供批量、隔离和可恢复的运行环境，并支持在异构计算资源之间进行调度，在累计启动约 185 万次的统计窗口内创建成功率达到 98.8%。

AI 因此能够从一次研究对话进入完整科研工作流，持续执行调研、假设推演、计算模拟、结果分析与成果输出。

协同进化：工具、智能体和人类在真实任务反馈中共进化

每一次检索、阅读、计算调用和实验执行，都构成当前问题的处理过程；科学家的修正、计算结果、实验数据与失败经验，也共同构成 “科学训练场”，为工具、智能体和人类经验的积累和训练提升提供长期养料，为后续更好地完成科研任务提供重要反馈。

随着更多流程被执行、校验和复用，经过验证的方法可以沉淀为可复用的能力与工作流，借助 EvoMaster 智能体的自学习和自进化机制，平台也会 “越来越懂你”，帮助科研组织把任务经验充分沉淀到整个工作体系中，减少重复配置与重复试错。

有关玻尔・科学空间以上技术成果的更多进展，将于不久的未来陆续跟大家见面。

3. 面向科研人员，也面向科研组织

玻尔・科学空间既可以作为科研人员调用知识、数据和工具的统一工作台，也可以成为科研团队组织 AI 科学家、复用研究流程与沉淀科研经验的协作环境。