在真实湿实验里, 所有参测的大模型的安全完整通过率都是零, 所以, AI for Science 现在面临着一个情况, 这个情况就是虚拟推演和物理验证之间出现了深层断裂。
蛋白质设计跑通验证闭环
在2026年的11月, Anthropic这家公司公开披露了一个情况。他们在64个小时之内, 生成了31.8万个蛋白质的设计方案。经过筛选之后, 有211个方案被送到了湿实验室去进行测试。最终的结果是, 有17个方案达到了预设的蛋白质结合标准, 这个通过率大概在百分之八左右。
这一数据证明了, 用人工智能大规模生成的办法, 再叠加上进行实验的筛选, 这个路径是走得通的。但是, 低通过率这一点也暴露出来了问题。问题出在从哪里哪里呢? 从数字设计到物理实现这个环节里面, 效率存在一个瓶颈。所以, 距离批量产出产品, 还有一段很长的路要走。
湿实验长期缺乏统一评分规则
在代码这个领域里面, 会有单元测试这样的东西存在, 而在数学学科里, 是有着标准答案的, 可是呢, 在湿实验这个部分, 一直都在缺少那种可以进行重复执行的、并且能够起到物理验证作用的基准点, 因为不同的实验室所拥有的设备的精度是各不相同的, 执行过程中的误差也是各不相同的, 再加上成本方面的约束也是各不相同的, 这些情况使得最后得到的结果很难被拿来直接做横向的比较。
在计算机里面, 模型把“1+1”算一亿次, 答案是不变的。但是, 如果让自动化移液设备, 重复执行一亿次的操作, 结果是绝不可能完全一致的。这正是干湿鸿沟的核心所在。
AISLE建立干湿闭环公开基准
把AISLE作为一个全球范围内的第一个东西, 这个东西是公开的基准, 专门用来面对那些干湿实验闭环科学发现的场景, 所以要求不同的模型都要在统一的这种标准下面接受物理世界的检验, 它的这种统一harness让跨站点结果的比较变得具有可比性, 而对于站点之间存在的设备差异这种状况, 则是被特意地保留下来用于检验模型的鲁棒性的。
这个基准其实既是在充当模型实验能力的共同考题, 又像是在代码领域里的单元测试一样, 在为模型的迭代提供那种可以被重复利用、能够规模化的真实反馈信号。
安全约束下全员零通过
在带有安全约束的实验优化任务里面, 所有参加测试的模型完整的通过率为零百分比。其中GPT 6 Astra的得分甚至还出现了下降的情况。团队所采用的安全完整通过标准上面, 没有任何一款模型能够全部满足这些条件。
这个结果清清楚楚地表明, 那个所谓的大模型和真真切切的物理实验之间所存在的、实实在在的差距, 比之前的学术界和工业界那些人们所想象的情况, 要深远得多, 多得多, 而且那种能够单独去操作实验的这个本事呢, 还并没有达到非常成熟的那个地步。
数字孪生接入Harbor训练飞轮
AISLE引入了数字孪生机制, 模型先在虚拟环境中进行大量的推演和试错, 筛选出方案后, 把方案送给真实设备去执行, 观测到的结果再进行反向校准仿真, 使得仿真效果逼近设备的实际行为。
现在, AISLE已经和Harbor框架完成了原生的整合工作, 实验任务、设备执行步骤、真实的观测情况以及评价反馈环节都已经被接入了到模型的训练流程中了, 这样做的结果就是让真实的 experiments 变成了一个可以持续进化的训练环境, 而不再是只举行一次性的考试。
真实实验成为AI基础设施层
律动造物把自己定位于AI for Science缺失的Infra层, 这让真实实验成为了任何东西都能反复调用的Verifier, 可持续学习的训练环境, 以及物理世界里面的推理运行时。
各个自动化实验站点分布在不同的地方, 它们被连接在一起形成了持续运行的网络, 这样的网络不断地引入新的任务, 同时不断地积累实验轨迹, 这就形成长期数据壁垒, 有了这种壁垒, 就支撑AI Scientist从理解知识走向可靠执行。
大家觉得, 大语言模型到底还要经历多次这种基于真实场景的验证和修改动作, 才能够拥有能力去承担起独立的人工智能科学家的这个工作呢? 欢迎大家在文章的评论区域留下自己的看法, 同时也不要忘记对这篇文章进行一个点赞操作并进行分享传播。
