从单点助手到科研工作台:近期 AI 科研工具的流程分工

从单点助手到科研工作台：近期 AI 科研工具的流程分工

科研这堆事儿从来不是一条直线。快交差的时候，要是突然发现某个核心结论找不到出处，或者跑数据的代码不知道去哪了，真能让人急出一身冷汗。现在各种 AI 工具确实把搜文献和读论文的速度提上去了，但留存记录、核对细节这些杂活依然逃不掉。工具跑得越快，你越得保证每一步操作都能原模原样地查回去，不然对着一堆不知从哪冒出来的数据，根本没法交代。

指定材料与论文写作

比如平时我们写报告，阅读材料和测试代码总是容易搅成一锅粥。等到真正落地去写的时候，像 Prism 这样的工具就能直接接管整个项目的 LaTeX 排版。

图7：Prism 把 LaTeX 源码、论文预览和 AI 编辑放在同一工作区里，写作对象已经从一段文字变成整篇论文项目。来源：OpenAI。

它把源码和编辑区全捏在一块，改变了以往对着纯文本死磕的习惯。但这种牵一发而动全身的操作有个隐患，你改了文章里的一个公式，前面讲方法的段落也得跟着动，如果修改痕迹留不清楚，以后查起烂账来简直要命。写进去的东西靠不靠谱，终究还得往回追溯。资料太多的时候，大家会一股脑塞给 NotebookLM，指望它顺出一条时间线或者整理出几篇文献的关联。

图6：NotebookLM 的学习指南、FAQ、时间线等入口，围绕已导入材料组织阅读整理。来源：Google NotebookLM。

不过前提是你的料得喂得全，它没法凭空给你补上漏掉的关键信息。

文献筛选与证据追溯

一旦遇到解释不清的数据出处，就得硬着头皮去翻最早的检索记录。这时候 Elicit 和 Deep Research 就派上用场了。Elicit 其实就是逼着你在海搜之前，先把研究对象、机制、剂量这些核心条件想明白。

图2：Elicit 的报告工作流会从研究问题开始，引导用户补充机制、剂量、比较对象等要素。来源：Elicit。

它把问题细化、检索和整理打包在一起，把候选文章和引用段落列在一张表里，最适合刨坑做系统综述的时候用。

图1：Elicit 的检索结果界面把候选论文、引用信息和筛选入口放在同一处，适合文献入口阶段整理材料。来源：Elicit。

图3：Elicit 的报告工作流把问题拆解、论文检索和后续整理连在一起，适合作为系统综述前期的材料入口。来源：Elicit。

但说到底，系统就算帮你划了重点，实验步骤规不规范、引文能不能撑起结论，还得靠你自己逐字逐句去啃。万一混进去一篇设计有毛病的旧研究，后面全得跟着偏。

图4：Elicit 的筛选建议展示了研究设计、支持引文和纳入判断之间的关系，系统综述场景仍然需要人工复核。来源：Elicit。

如果是去网上找公开报告，Deep Research 可以帮你框定几个特定网站去扒数据，最后交出一份带出处的综合报告。

图5：Deep Research 的指定站点界面将来源范围和综合报告放在同一流程中。来源：OpenAI Help Center。

这么做的核心目的，其实就是为了留下一个清晰的搜索脚印，真漏了什么材料好歹有个地方能回头翻。

代码、计算与算法搜索

往下推进到实验室环境，画图代码和运行程序的软件环境更是一本不能糊涂的账。Claude Science 就是专门为了解决这个痛点搞出来的，它试图把读文献和跑代码的记录全塞进同一个屋檐下。

图8：Claude Science 的官方页面把它定位为科学家的 AI 工作台，重点放在工具整合、可审计产物和计算资源接入。来源：Anthropic。

当你一边连着医学数据库查文献，一边在 Jupyter 里面做统计运算时，它会把你每一步操作都拍下历史快照。要是想再往前推，找个最优的解题算法，AlphaEvolve 会强制你提前写死公式的目标和限制条件，测试数据和运算结果全得留档。只要少记一笔运行条件，组里其他人想照着跑通一遍根本没门。

候选假设与真实任务

等文献盘熟了，数据跑通了，总会冒出些新猜想。判断这些猜想能不能真刀真枪地推进实验室，是个非常耗人的活。Co-Scientist 会拉起好几个智能程序在后台自己开会讨论，结合之前的文献，帮着猜想真实实验可能会发生啥，甚至指明几个可以深挖的方向。

图9：Gemini for Science 把 Science Skills、Co-Scientist、AlphaEvolve、Empirical Research Assistance 和 NotebookLM 放在同一组科学方法工具里。来源：Google。

图10：Co-Scientist 官方页面配图。来源：Google DeepMind。

这听起来很美好，但它给的方向离真正动手干活还差得远。实验室的机子行不行、收数据会踩什么坑，它根本不知道。你还是得把已有论文里的事实和系统猜出来的新玩意儿摘干净，找不到物理指标验证的想法只能先扔进备选池。

归根结底，这一大堆 AI 帮手省下的只是机械活。从头到尾，读过的论文用不用、脑子里的点子要不要进实验室，拍板的还得是做研究的人。要是平时没把最初扒的文章和跑的数据盘清楚，那些没标记来源或者对不上号的麻烦，早晚会在快交稿的时候全爆出来。

来源：

[1] Anthropic, Claude Science, an AI workbench for scientists, https://www.anthropic.com/news/claude-science-ai-workbench

[2] Google, Gemini for Science: AI experiments and tools for a new era of discovery, https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/

[3] OpenAI, Introducing Prism, https://openai.com/index/introducing-prism/

[4] OpenAI Help Center, Deep research in ChatGPT, https://help.openai.com/en/articles/10500283-deep-research-in-chatgpt

[5] Google NotebookLM, https://notebooklm.google/

[6] Elicit, AI for scientific research, https://elicit.com/

[7] Google DeepMind, Co-Scientist: A multi-agent AI partner to accelerate research, https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

[8] Google DeepMind, AlphaEvolve: Gemini-powered coding agent scaling impact across fields, https://deepmind.google/blog/alphaevolve-impact/