当科研不再需要人类熬夜守在实验室，当机器自己会设计实验、执行测试并迭代模型，这种曾经只存在于科幻小说中的场景，正在上海的漕河泾变成现实。近日，由上海科学智能研究院牵头建设的“Golab物质科学智能研发工厂”完成了一场为期五天的无人科研马拉松——在没有任何人工介入的情况下，系统独立完成了135项真实科研任务，完整打通了从分子生成、虚拟筛选到物理合成、数据回流的全流程闭环。这一突破不仅标志着AI Agent技术在科学研究中的深度落地，更成为数字化转型浪潮下一个极具说服力的样本。当人们还在讨论AI能否替代实验室里的研究生时，这座AI超级工厂已经用100%的正确率给出了答案。
五个昼夜的科研马拉松：从“百题”到“零故障”
2026年7月7日，上海科学智能研究院（下称“上智院”）正式发布了国内首个全流程无人干预、干湿实验闭环的AI科研工厂——Golab物质科学智能研发工厂。为了公开验证系统的可靠性与效率，团队在发布会当天启动了名为“百题马拉松”的连续五天五夜直播挑战。100个干实验任务同时运行，同时选取部分课题进入自驱动实验室开展真实物理实验，整个过程零人工干预、零故障中断。
135项真实科研任务涵盖了药物发现、催化剂设计、材料研发、电解液筛选等多个高价值领域。系统自主完成分子生成与虚拟筛选后，将计算结果直接送入自驱动实验室进行化合物的合成、提纯与测试，验证后的数据再回流训练模型，形成完整的“设计-实验-学习”迭代循环。令人惊讶的是，在五天的运行期间，AI工具调用正确率达到了100%。这意味着过去一个课题组需要数月才能完成的运算量与验证量，如今被压缩至数日内自动化执行。
这一成果的背后，是数字化转型在基础科研领域的深度渗透。科学研究不再依赖单个科学家的经验和直觉，而是变成了一套可标准化、可复制、可自动化的工业流程。正如复旦大学校长助理、上智院理事长吴力波所说：“AI超级科研工厂将原本分散的计算数据、科学仪器与实验能力整合打通，构建成一套可协同、可复用的公共科研能力底座。”
“大脑”与“双手”：揭秘全流程自动化的技术内核
Golab工厂能实现“零人工”闭环，核心在于三大技术要素的协同：“燧人”物质科学专用大模型作为“大脑”，自驱动实验室作为“双手”，以及“浑天绫”技能包作为串联两者的“神经”。
作为“大脑”的“燧人”大模型，是上智院基于超过1亿条第一性原理计算数据训练而成的专用模型。它突破性地融合了量子力学与统计热力学的双重底层机理，在50余种热力学性质预测任务中达到业界最优水平。与传统通用大语言模型不同，“燧人”彻底融入了物理定律，从分子内化学键的电子结构到宏观相变的热力学路径，它都能精确给出预测。这种以物理机理为底座的模型，是AI技术在科学领域应用的典型代表——不再是“黑箱”式数据拟合，而是可解释、可溯源的科学智能。
“浑天绫”技能包则将算法、数据、算力、实验四类要素标准化为可组合的生产单元。简单来说，它就像一套积木系统：科学家只需定义科研目标，系统会自动调用合适的模型、加载所需数据集、分配算力资源，并指挥实验设备执行操作。整个过程不需要写代码，也不需要人类站在仪器前调整参数。这种高度标准化的模式，与工业生产的流水线异曲同工，但处理的对象是微观分子与化学反应。
值得一提的是，自驱动实验室一期已于2026年6月在漕河泾建成并投入运行，近3000平方米的二期工程也已启动建设，预计2027年初在青浦区投入运行。随着实验产能的扩张，Golab工厂的能力还将进一步跃升。在这一过程中，最新的AI图片生成技术也被用于可视化实验数据与分子结构，帮助研究人员快速理解复杂结果。而文生图等工具则让非专业用户也能直观看到催化剂表面的原子分布，降低了科研协作的门槛。
从药物发现到催化剂设计：多场景验证的实战能力
“百题马拉松”并非实验室里的“跑分”测试，而是针对真实科研课题的实战演练。在药物发现任务中，系统针对特定靶点自主生成了数千个候选分子，完成虚拟筛选后直接合成出最有潜力的化合物，整个流程从数周压缩到数天。在催化剂设计环节，系统首轮便将某项反应活性提升约15%，第二轮学习后更是将活性推升至文献方案的约6倍。这种惊人的迭代效率，源于“干实验预测-湿实验验证-模型再训练”的高速闭环。
在材料研发领域，Golab工厂针对电解液筛选任务，同时测试了数百种配方组合。传统方法依赖化学家的经验猜测和大量试错，而AI系统通过高通量计算预先过滤掉绝大多数无效配方，仅在最有希望的方向上开展物理实验，试剂消耗和实验时间都大幅降低。据项目团队透露，五天内的有效实验数据量相当于一个中型课题组半年的累积。
这些实战成果表明，最新科技正在从根本上改变科研范式。过去的科学研究往往遵循“假设-验证-修正”的线性路径，需要大量人类智力投入。而Golab工厂则实现了“假设-自动验证-模型自动修正”的非线性循环，人类科学家从执行者变成了目标定义者与结果分析者。这种转变不仅是效率的提升，更是创新模式的变革——当低水平的重复劳动被机器取代，科学家可以专注于更具创造性、更高价值的核心问题。
当然，这一体系并非完美无缺。例如在高度复杂的酶催化反应设计中，AI的预测精度仍受制于训练数据的覆盖范围。但正如团队所强调的，随着实验数据的不断回流，模型将越来越强大。目前Golab工厂已经将AI工具导航整合到科研流程中，方便研究人员快速调用各类专用模型与工具。此外，AI诗词等创意类AI虽然与科学研究无关，但也从侧面显示了AI在不同知识领域中的通用潜力。
效率飙升：传统数月压缩至数日的背后逻辑
135个任务、五天五夜、100%正确率——这些数字背后是效率的量级跃升。在催化剂优化任务中，系统将某反应活性提升至文献方案的6倍，而传统课题组完成类似优化通常需要2到3个月。这得益于三个关键机制。
第一，并行计算与高通量筛选。Golab工厂同时运行100个干实验任务，每个任务可以调用数百个虚拟筛选模型。传统实验室一次只能做几个实验，而AI系统可以同时评估数百万个分子，从海量空间中快速锁定最优候选。这种并行能力是数字化转型在科研领域最直接的体现——将串行的人类工作流转为并行的机器工作流。
第二，主动学习与自适应实验。系统并非盲目尝试所有可能性，而是根据已有实验结果动态调整采样策略。例如在催化剂设计中，第一轮实验后，模型会自动识别预测误差最大的区域，并在下一轮实验中集中验证这些“不确定性高地”。这种策略与人类科学家“由易到难”的直觉相反，但效率更高——因为AI不怕犯错，它只关心信息增益。
第三，干湿实验的无缝衔接。“大脑”和“双手”之间的数据延迟被控制在秒级。当“燧人”模型输出分子结构后，“浑天绫”技能包立即将其转化为实验设备可执行的指令，自动完成称量、混合、反应、分析等步骤。这种零人工介入的联动，消除了传统科研中“写完计算报告再手动做实验”的断点，实现了真正的端到端自动化。
值得一提的是，AI工具调用100%正确率的记录源于严格的容错机制。系统在每次调用外部工具（如量子化学计算软件、实验设备驱动库）时都会自动校验结果一致性，一旦发现异常立即启用备选计算路径或请求人工标记（尽管本次实验没有触发）。这种鲁棒性设计，使得工厂在面对真实科研任务时能够保持高度可靠。
上海科学智能生态：从实验室到产业集群的闭环
Golab工厂的诞生不是孤立的科技事件，而是上海整体科学智能战略布局的一部分。2026年7月7日，上海宣布启动实施科学智能“百团百项”工程，建设科学智能开放社区，设立专项基金支持青年科学家面向科学探索和产业发展需求开展研究。这座AI超级科研工厂正是该工程的“旗舰项目”。
上海科学智能研究院作为核心枢纽，正在构建一个覆盖高校、科研院所、产业企业的协同创新网络。上智院由复旦大学等高校联合发起，其“燧人”大模型的训练调用了上海超算中心的算力资源，而自驱动实验室则落地在漕河泾新兴技术开发区，这里汇聚了大量生物医药与新材料企业。这种“基础研究-技术开发-产业应用”的近距离联动，大大缩短了从论文到产品的转化周期。
“数据驱动模型、模型反哺实验”的闭环，正在打破学科边界。过去药物化学家、材料学家和计算科学家往往各自为战，而在Golab工厂中，同一套算法可以同时用于药物分子设计和催化剂筛选。这种交叉融合让高价值科学问题在原本被忽视的领域加速涌现。例如在电解质材料研发中，系统意外发现某类离子液体具有优异的电化学稳定性，而这原本是电池研发领域的目标，但被材料科学家借助AI无意中触及。
从更宏观的视角看，AI超级科研工厂代表了数字化转型在实体经济中最前沿的落地方向。它不只是帮助企业优化流程，而是直接创造了全新的科研生产力——一种能够以机器速度产生科学突破的“科研发动机”。上海已经宣布将科学智能作为重点产业方向，未来还将支持更多类似Golab的设施落地。对于正在寻找企业数字化转型路径的公司来说，这种“AI+科研”的模式提供了鲜明的启示：技术本身不是目的，构建能够自动迭代的知识闭环才是关键。
未来展望：科学智能的下一个突破口
尽管Golab工厂已经展现了惊人的能力，但团队清醒地认识到当前系统的局限性。例如在单分子层面，模型对蛋白-配体相互作用的预测精度仍有提升空间；在实验仪器层面，不同设备之间的接口标准化程度还不够高。不过，随着二期工程（近3000平方米）在2027年初投入使用，这些问题有望得到缓解。
更值得期待的，是“科学智能”从专业工具向普惠平台的演进。目前Golab工厂的使用需要较高的专业知识门槛，但上智院正在开发一套自然语言交互界面——用户只需用日常语言描述研究目标，系统就能自动分解任务、执行实验并返回结果。届时，即使是本科生甚至中学生，也能借助AI科研工厂进行真正的科学研究。这种“科研民主化”的愿景，与AI工具箱的普及趋势不谋而合。
从产业层面看，科学智能的下一波浪潮将集中在三个方向：第一，跨物质尺度的统一建模，从原子到宏观连续介质的一体化模拟；第二，多智能体协作，多个AI Agent分别负责分子设计、实验执行、文献挖掘，共同解决复杂问题；第三，物理实验的“批量化”，类似集成电路制造中的晶圆级并行合成，大幅提升实验通量。
可以肯定的是，上海这座AI超级科研工厂的“五天五夜”只是开始。当科研的每一个环节都被数字化、智能化重新定义，人类探索未知的边界将以前所未有的速度向外扩张。那些曾经需要几代人才能完成的科学难题，或许在不久的将来，就会被AI工厂在数周内攻破。这正是数字化转型在人类文明史上最激动人心的注脚。