AI科学家走进物理世界：Google三档自主度实验的突破与边界

当AI不再只待在服务器里跑数据，而是走进实验室接过烧杯和炉子，科研的边界正在被重新定义。2026年8月，Google DeepMind发布升级版Co-Scientist，这是一款基于Gemini的多智能体科研Agent。它按三档自主度分级部署，从材料配方设计到生物形态预测再到代码级推理全程自动化，让AI科研从纯计算走进物理世界。这不仅是技术迭代，更是对AI Agent可靠性的一场公开双盲检验。

三档自主度的分级实验部署

Co-Scientist的核心创新在于自主度的分级设计。材料科学档由人类执行AI设计的配方，生物领域由专家与AI协作，计算机科学则全程全自动。实验越依赖物理操作、越难被确定性核查，人工介入就越深。这种分级机制背后是对不同领域风险敞口的精准把控：湿实验的不确定性远高于代码执行，因此材料档必须保留人类专家的判断权。同一套Agent在不同自主度下承担截然不同的职责，这意味着AI的价值不是取代科学家，而是按需放大某一环节的效率。

晶体生长：从理论配方到物理验证

材料科学档的突破最为直观。Co-Scientist收到一条指令：找一种安全前驱体替代有毒且怕空气的四氯化钛。它结合实验室CVD炉的物理约束推理反应动力学，在272个候选配方中排名第二的方案被人类专家选中——六氯乙烷加钛粉。经过25轮迭代，成功生长出二维晶体，衍射峰位、元素组成、晶格间距均与MXene文献值吻合。更进一步，MoS2、MoSe2、WS2三种二维半导体也通过类似流程一次长成单层。代价同样存在：晶体比完整演化配方的更小、更不规整，且仅在自建炉子上验证过一次，跨实验室复现尚未得到证实。

可靠性工程：幻觉率从90%压到4%

Agent Laboratory把前作放上双盲实验台当基线，对比完整版Co-Scientist、关闭可靠性模块的消融版和基线系统三个版本，由30位专家进行450次盲评。结果显示，足以推翻结论的严重幻觉率方面：完整版仅4%，消融版46%，基线高达90%；极端捏造一项，完整版归零，消融版40%、基线44%；严重抄袭方面，完整版16%，基线60%。Schmidgall指出，两处关键改动压住了幻觉：一是幻觉罚项和抄袭罚项直接写进优化目标，编造结果在数学上不划算；二是确定性核查模块把论文声明绑在执行日志上，没有实验记录就写不成文，相当于每篇论文强制附上实验记录本。残留问题同样值得关注：选择性报告、潜意识抄袭、方法漂移等现象尚未根除，且这套核查机制只在计算领域成立，湿实验的噪声测量还无法像代码日志这样对账。

自动评测与医生盲评的鸿沟

Agent_H在计算机科学档全自动运行，采用8阶段推理时架构：分诊、并行生成28到48个候选、两两淘汰、多轮审计，回答一题需调用40到80次LLM。在HealthBench Hard和Professional两个医疗评测集上，Agent_H的长度修正分数超过GPT-5.6 Sol、Claude Opus 5等6个前沿模型，两个LLM评委口径一致。然而，3名执业医生盲评106道题的结果却大相径庭：9个临床维度里只有「降低潜在伤害」一项达到统计学显著（p=0.0486），其余8个维度医生感知不到差别。LLM评委按评分细则逐条打勾，而医生看的是回答整体的可信度。这揭示了一个根本矛盾：benchmark分数的上涨不总能转化成专家偏好。Schmidgall在论文中写道：Agent_H没有失败，医生盲评是对所有benchmark捷报的提醒。

Google把AI科学家往前推了一格：设计配方让人类执行、预测还没做的实验、全自动完成整个计算研究，每个声明都能对着执行记录核查。AI从纯计算走进物理世界，走的方式是先把每个声明钉在实验记录上。自主度分级、可靠性工程与双盲验证，这套组合拳为AI Agent在真实科研场景中的落地提供了方法论参考。