ARTICLE · 985225
邵青|《AI与科学定式》
邵青|《AI与科学定式》2026年8月27日，Anthropic发布Model Hardware Standard（MHS）研究预览版。这套通用规范连接AI智能体与物理设备，首批应用包括显微镜、液体处理器、机械臂、酶标仪和量子计算机激光系统。 MHS为设备建立标准化驱动，用统一方式描述功能、参数和安全边界。AI可以识别设备、读取状态、下达指令，协调多台仪器完成实验。它适用于具有可编程接口的设备，也不限定模型，Claude之外的智能体同样可以接入。 Anthropic此前推出的Model Context Protocol（MCP），让大模型连接数据库、软件和网络服务。现在的MHS则继续把连接伸向实验室和生产现场。由此，AI事实上已经获得直接干预现实的通道。 这项技术很容易被理解为实验自动化的新工具。然而，MHS提出了一个更深层的问题，即当AI能够自行提出方案、操作仪器、读取结果并改变探索路径，它会继续遵循人类建立的传统科学方法，还是可能另辟蹊径？ 一、MHS让AI进入实验现场 现代实验室已经拥有大量自动化设备，却很难形成完整的自动化系统。不同厂商使用各自的接口和控制软件，每增加一台仪器，往往都要重新编写连接程序。设备先进，彼此却很难“沟通”。 MHS试图建立一种共同语言。实验人员给出目标，智能体寻找设备、安排步骤、监测状态，根据结果调整参数。原来需要数周完成的系统集成，有望缩短到数小时。 Anthropic公布的QuEra案例显示了这种能力。量子计算机的激光系统容易受到温度、振动和气压变化影响。原有自动复锁程序需要约150秒，成功率为58%。Claude通过MHS反复制造故障、观察结果、修改控制策略，最后生成一套确定性程序。在700次盲测中，这套程序成功复锁695次，成功率达到99.3%，多数故障可在数秒内恢复。 Genentech则用MHS协调液体处理器、机械臂和酶标仪，完成蛋白定量实验的自动化验证。更多测试已经进入药物发现、显微成像、核酸纯化和机器人质量控制。 这些案例仍处于早期阶段。MHS尚未全面开源，设备必须具备可编程接口，大模型的空间判断和物理推理也需要专家监督。但它已经证明，模型可以离开纯粹的符号环境，在现实反馈中学习如何动作。 二、现代科学的确定性定式 现代科学发端于西方。培根的实验方法、笛卡尔的主客体分离和牛顿力学的成功，共同塑造了一种强大的认知模式，也就是把自然对象化，拆解为可以测量的变量，通过控制实验寻找稳定因果，再用数学规律预测结果。 这套方法背后有一种深刻的西方哲学的确定性冲动。世界被理解为一架可以拆解的机器；只要掌握各个零件及其运动规律，整体便原则上可以计算。拉普拉斯式决定论把这种信念推向机械主义极致。 不可否认，机械主义科学创造了现代科技文明。物理、化学、工程和医学的巨大进步，无一不是建立在测量、重复和因果检验之上。它的成功也使人们理所当然地把一种有效方法视为科学的唯一通路。 二十世纪以来，量子力学、进化论、复杂性科学和系统生物学已经动摇了经典决定论。现代科学接受概率、随机、涌现和非线性，主流研究方式却仍保留着机械主义的基本结构：分解对象、控制变量、排除干扰、寻找确定关系。 面对结构稳定、边界清楚的对象，这套方法极其有效。生命、生态、气候、疾病和社会则是开放的复杂系统。变量相互缠绕，局部改变可能重组整体，同一因素在不同时间和环境中也会产生不同结果。 为了得到确定结论，研究者不断缩小问题、净化条件、排除变量。结论可以越来越精确，也可能离真实世界越来越远。现代科学擅长从复杂世界中提取确定性，对整体如何生成、演化和突变则缺少足够有力的解释方法。 这便是科学的“定式”。人类在特定感知、语言和认知条件下形成的成功路径。它的力量已经得到充分证明，它的边界也日益清晰。 三、AI可否走出科学的第37手 2016年，AlphaGo与李世石第二局下出著名的第37手。那一步偏离人类围棋长期形成的经验，职业棋手起初甚至怀疑机器出现了错误。随着棋局展开，它的全局价值逐渐显现，并成为AlphaGo获胜的重要转折点。 AlphaGo学习过人类棋谱，却没有被人类棋谱限定。海量自我对弈使它进入更大的搜索空间，评价一步棋的价值标准也最终落在能否提高胜率的终极判断上。传统棋理提供起点，真实胜负作出裁决。 科学同样存在定式。人类决定什么问题值得研究，哪些变量应当保留，怎样设计实验，什么结果才算解释。这些判断受到学科传统、语言结构、仪器能力和人类直觉的共同塑造。 AI可能选择人类很少关注的变量，组合原本分属不同学科的测量，采用看似低效的实验顺序，甚至改变问题本身。它可以同时搜索假设、实验、仪器和知识表达方式，在高维关系中寻找人类难以概念化的有效路径。 这种能力已经露出端倪。AlphaDev发现更快的排序算法，AlphaTensor找到新的矩阵乘法路径，蛋白质结构模型揭示人类长期未能解决的结构关系。AI既能加快已有方法，也可能发现人类方法之外的解数。 围棋规则固定，胜负标准明确；自然规律仍有大量未知，科学目标也更加复杂。因此，科学中的“第37手”需要更丰富的现实反馈。MHS的意义也正在这里：它给AI提供了一张可以不断落子、观察和修正的现实棋盘。 四、实验智能的两种未来 第一种未来是延续现有科学定式。人类提出问题、规定变量和设计流程，AI负责调用设备、执行实验和提高吞吐量。实验室可以全天运行，科研效率大幅提升，方法本身保持稳定。 第二种未来则把AI引向科学方法的创造。AI自行选择变量、组合仪器、改变测量尺度，根据现实反馈重新定义问题。假设、实验和解释由此进入共同演化的连续循环。 传统实验科学通常先追求机制理解，再形成预测和行动。AI可以在机制尚未完全清楚时展开探索，通过反复干预建立动态可靠性：在环境变化中保持预测，在失败中调整方向，在多条路径之间寻找有效机动。 这并不取消因果、证据和真实性。现实仍是最终裁判。药物必须产生疗效，材料必须呈现性能，设备必须稳定运行。AI可以绕开人类熟悉的理论路径，却无法绕开现实世界本身。 这种新形态应该可以称为“演化科学”。它把知识理解为持续运行的过程，即提出可能，干预现实，吸收反馈，修正自身。理论也可能由一组静态定律转化为能够预测、实验和自我进化的闭环系统。 MHS今天只是一套设备协议，它未来的价值，取决于AI是只能把传统实验做得更快，还是能够重新发明实验、问题与解释之间的关系。 五、中国需要参与科学方法的创造 中国已经进入自主实验室的标准竞争。2026年7月31日，全国首个《人工智能自主实验室通用技术要求》国家标准正式立项，框架包括设备抽象层、智能管理层、智能实验层和安全管控层。北京正在推进Uni-Lab-OS、智能细胞重编程平台和高能同步辐射AI系统，上海也把科学智能、自动化实验室和统一中间软件栈列入“十五五”产业规划。 这些布局具有重要价值。若目标停留在追赶MHS、统一设备接口和提高实验效率，中国仍将在既有科学定式中竞争。更长远的任务，是建设允许AI自主选择变量、重组实验、设计仪器和改变研究路径的开放系统。 中国拥有庞大的制造体系、丰富的产业场景，以及覆盖药物研发、化学合成、生物实验和规模生产的完整链条。这些条件可以为AI提供远超文本数据的现实反馈。材料、化学、生命科学和工业制造中的复杂问题，也可能成为AI创造新方法的起点。 中国自主实验室标准需要形成开源驱动、开发工具、测试环境和国际兼容体系，更需要给AI保留探索空间。安全边界应当清晰，研究路径不宜被既有学科和流程完全锁定。自主实验室的更高价值，是孕育人类尚未掌握的科学方法。 现代科学建立了人类认识世界最成功的定式。AI正在获得不同于人类的搜索尺度、认知结构和行动能力。它或许会沿着这套定式继续前进，也可能像AlphaGo一样，在人类认为不合理的位置落下那第37子。 参考文献： Anthropic. (2026, August 27). Previewing the Model Hardware Standard. Google DeepMind. (2026, March 10). AlphaGo at 10: How AI innovation is paving the path to AGI. 北京市科学技术委员会、中关村科技园区管理委员会. (2026, July 16). 《2026自主实验室大会在京召开：一场科研范式的变革正在发生》. 上海市人民政府办公厅. (2026, August 26). 《上海市战略性新兴产业发展“十五五”规划》. 作者简介
邵 青
教育管理学博士，生物医学与生物制药领域专家。旅美学者、企业家，莫干山研究院专家咨询委员会委员、副院长，苇草智酷创始合伙人，博腾股份股东及战略投资顾问，美国希望基金会常任董事。