72小时发现新超导:AI科学家的＂自动驾驶＂时代来了

72小时发现新超导：AI科学家的"自动驾驶"时代来了

AIGC前沿创作者 · 2026-07-03

2026年7月3日，一个名叫Elements Claw的AI智能体，在没有人类干预的情况下，独立完成了超导材料的发现流程——从文献调研、结构预测、实验设计到结果验证，全程自主闭环。这条消息在中国的AI圈炸开了锅。很多人第一反应是："AI不是只会写代码、画图吗？什么时候开始搞科研了？"

但如果你把最近一个月发生的事情串起来看——Takeda花6亿美元签下AI制药合同，NVIDIA BioNeMo加速了Claude Science的科学计算，arXiv上出现了多篇关于"智能体自主科研"的论文——你会发现，这不是一个孤立事件，而是一个正在发生的范式转移。

这篇文章将为你揭开AI"自动驾驶"科研的底层逻辑：它凭什么能搞科研？离取代人类科学家还有多远？以及，你该如何利用这个趋势。

一、72小时：一个AI科学家的诞生

Elements Claw是由阿里达摩院联合中国人民大学和中国科学院大学共同研发的AI智能体，定位是全球首个超导材料发现AI智能体。据公开信息，它在72小时内完成了从文献调研到候选材料验证的全流程闭环。

这听起来像一个科幻故事，但背后的逻辑其实不难理解。传统的超导材料发现依赖"试错法"——科学家基于直觉和经验提出候选材料，然后在实验室中逐个合成和测试。一个典型的超导材料研究周期可能长达数月甚至数年。而Elements Claw做的事，本质上是把"读论文→提假设→做实验→分析结果→调整假设"这个循环自动化了。

它的核心能力包括三个层面：

第一，文献理解与知识整合。Elements Claw能够阅读和理解海量的材料科学文献，从中提取关键的结构-性能关系。这不是简单的关键词匹配，而是需要理解晶体结构、电子能带、掺杂效应等专业概念之间的因果关系。

第二，实验设计与自动化执行。基于文献知识，它提出候选材料配方和合成条件，并通过与自动化实验平台的接口，远程驱动实验操作。这解决了传统科研中"想到但做不到"的效率瓶颈。

第三，结果分析与迭代优化。实验数据回来后，它会对结果进行分析，判断是否达到目标性能，如果不达标则自动调整参数进入下一轮迭代。整个"假设-实验-分析"循环完全由AI驱动。

这三点听起来简单，但放在一起，就构成了"AI科研闭环"的全貌。阿里达摩院称这一成果"实现从辅助到独立攻关的跨越"，这个定性非常重要——它意味着AI不再只是科学家的计算器或搜索引擎，而是开始扮演一个初级研究员的角色。

二、杨植麟的"第三阶段"：为什么说2026年是AI科研的转折点？

几乎在同一天，月之暗面创始人杨植麟在一场分享中提出了一个概念：大模型训练的"第三阶段"——AI从"被动学习"到"主动探索"的转变。

杨植麟把AI的发展分为三个阶段：

第一阶段：监督学习。AI从人类标注的数据中学习模式，本质是"模仿"。这个阶段的AI只能复现已有的知识结构，无法产生新知识。

第二阶段：强化学习与对齐。AI通过与环境的交互来优化行为，RLHF（人类反馈强化学习）让模型学会了"什么是对的"。但本质上仍然是"优化已有目标函数"，而非"定义新的目标"。

第三阶段：自主探索与知识生产。AI开始主动提出假设、设计实验、验证结果、修正理论——不再需要人类告诉它"要优化什么"。这个阶段的AI不仅是工具，是能够参与知识创造的"协作者"。

Elements Claw的案例恰好印证了这个"第三阶段"的到来。它不是一个"被训练来分类超导体"的模型，而是一个能够在开放空间中主动寻找新材料的智能体。这个区别，就像"搜索引擎"和"研究员"的区别——前者帮你找到已有的信息，后者创造你从未见过的新知识。这是质的飞跃，而不只是量的提升。

更值得关注的是，这不是杨植麟的一家之言。如果你去看arXiv上最近一周的论文，会发现一个明显的趋势。比如《Auto-FL-Research: Agentic Search for Federated Learning Algorithms》这篇论文，它提出了一个能够自动搜索和设计联邦学习算法的AI智能体。再比如《Procedural Memory Distillation: Online Reflection for Self-Improving Language Models》，探讨了AI如何通过自我反思来实现持续改进——这正是"第三阶段"所需要的核心能力。

当一个趋势被产业界（阿里达摩院）、学术界（arXiv论文集群）和思想领袖（杨植麟）同时确认时，它就不再是"猜测"，而是一个正在发生的结构性变化。

三、AI搞科研的四种姿势：不只是材料科学

如果你以为AI自主科研只发生在超导材料领域，那就太小看这个趋势了。实际上，过去半年里，AI已经开始在多个科学领域"上岗"：

药物发现：600亿美元的市场信号。2026年7月2日，日本制药巨头Takeda与AI制药公司Insilico Medicine签署了一份价值6亿美元的AI药物发现合作协议。这不是AI辅助筛选化合物——而是让AI端到端地参与从靶点发现到先导化合物优化的全流程。如果AI制药没有实质性的成功率提升，大型制药公司不会投入这个量级的资金。

生命科学：NVIDIA BioNeMo加速科学研究。NVIDIA在2026年7月发布了BioNeMo平台的新进展，直接与Anthropic的Claude Science合作，将AI模型应用于蛋白质结构预测、基因组分析和药物相互作用模拟。BioNeMo的核心理念是让AI模型直接"理解"生物系统的复杂性，而非仅仅做个搜索工具。

地质学：46亿年地球历史的"AI管家"。2026年7月3日，中国科学家在第五届国际地层学大会上发布了全球首个地层学AI大模型。这个模型可以整合全球地质数据，用AI自动比对地层剖面，取代传统的人工比对方法。地球46亿年的演化史，正在被AI逐个"解码"。

联邦学习：AI设计AI算法。《Auto-FL-Research》这篇论文展示了一个更令人深思的方向：AI不仅在搞"传统科学"（物理、化学、生物），还在搞"元科学"——即用AI来优化AI本身的研究方法。这类似于让AI学会"如何更高效地做科研"。

把这四个领域放在一起看，一个清晰的图景浮现出来：AI自主科研不是一个点状的突破，而是一个面状的扩散。从材料到制药，从地质到AI自身，智能体正在渗透到科学研究的所有环节。尤其值得关注的是，这四个领域覆盖了从微观（材料结构）到宏观（地球演化）的完整尺度——说明AI的科学能力不是"专才型"的，而是具有跨尺度迁移的通用性。

四、AI科学家 vs 人类科学家：谁会赢？

面对这个趋势，一个自然的问题浮现：AI会取代人类科学家吗？

我的判断是：短期内不会，但AI将重新定义"科学家"的工作内容。

我们来看几个关键对比维度：

数据吞吐能力：AI完胜。Elements Claw可以在72小时内读完并理解数千篇超导材料论文——一个人类博士生可能需要3年。在文献综述这个环节，AI的优势是碾压级的。

实验执行效率：AI完胜。自动化实验平台可以24/7运行，不会疲劳，不会产生操作偏差。Elements Claw的72小时闭环速度，是人类实验室无法企及的。

创造性思维：人类仍有优势。目前AI的"发现"本质上是在已知知识空间中做组合优化——根据已有的晶体结构模式生成新的候选，再通过实验筛选。但真正的范式转移（比如从BCS理论到高温超导），往往需要跳出既有框架的想象力。AI目前还不具备这种能力。

问题定义：人类仍占主导。Elements Claw能发现超导材料，但"为什么我们需要更好的超导材料"这个问题，仍然是人类定义的。选择研究方向、判断什么问题是"重要的"，这些高层决策目前仍依赖人类的判断力和价值观。

所以更准确的描述是：AI正在成为科研流程中的"超级实习生"——它承担了最耗时、最重复的工作（读论文、做实验、分析数据），而人类科学家则被解放出来，专注于更高层次的创造性工作（提出新理论、定义研究方向、进行跨领域连接）。

正如杨植麟所说，这不是"替代"而是"协作"。从第一阶段（工具）到第二阶段（助手）再到第三阶段（协作者），AI的角色在不断升级。

五、对你意味着什么：3个可操作的信号

说了这么多"大趋势"，最终还是要落到读者身上。无论你是科研工作者、AI从业者，还是对科技感兴趣的普通读者，这个趋势至少传递出三个可操作的信号：

信号一：科研生产力将迎来10倍提升，学会"AI-科学协作"是刚需。如果你的工作涉及任何形式的研究——无论是学术论文、市场分析还是产品调研——现在就应该开始学习如何让AI智能体帮助你完成文献综述、数据分析和假设生成。工具在变，但先学会用的人总是有优势。

信号二：跨领域人才的价值将被重估。当AI能处理大量专业领域的细节工作时，那些能连接不同领域、提出跨界问题的"通才型"人才将变得极其稀缺。因为"问对问题"的能力，恰恰是当前AI最薄弱的环节。

信号三：AI+科学的创业窗口刚刚打开。从$6亿的Takeda-Insilico合作可以看出，AI科学应用的商业化正在加速。如果你有科研背景和AI技术能力，现在是最好的时机去探索AI驱动的科学发现平台、自动化实验室、智能实验设计工具等方向。

最后，不管你的具体领域是什么，有一个原则是通用的：尽早让AI进入你的工作流。不是等完美了再用，而是现在就开始尝试，哪怕只是让它帮你读几篇论文、整理几组数据。先动手的人，总是先看到机会。

六、事实与推测：我能确定什么，以及我在猜测什么

作为一个负责任的科技观察者，我必须明确区分本文中什么是"已验证的事实"，什么是"基于证据的推测"。这不仅是对读者负责，也是对分析质量的自我要求。

✅ 已验证的事实： 1. 阿里达摩院联合人大、国科大发布了Elements Claw超导材料发现AI智能体（2026年7月3日，aibase报道） 2. Takeda与Insilico签署了$6亿AI药物发现合作协议（2026年7月2日，AI News报道） 3. NVIDIA BioNeMo与Anthropic Claude Science合作加速科学计算（2026年7月，AI News报道） 4. 中国科学家发布全球首个地层学AI大模型（2026年7月3日，aibase报道） 5. arXiv上出现了多篇关于AI自主科研的论文（Auto-FL-Research, Procedural Memory Distillation等） 6. 杨植麟提出大模型训练"第三阶段"概念（2026年7月3日，aibase报道）

🔮 我的推测（基于多信号交叉验证）： 1. "AI自主科研"将在12-18个月内从材料/制药扩展到更多基础科学领域（推测依据：多领域同步突破的频率在加速） 2. AI科研智能体将在2-3年内成为大型研究机构的标配工具（推测依据：$6亿量级的商业合同已经出现，市场反馈强烈） 3. 人类科学家的角色会从"执行者"转向"指挥官"——定义问题、设计策略、解读AI发现的意义（推测依据：杨植麟第三阶段框架+Elements Claw的实际表现） 4. AI驱动科学发现的文章/专利数量将在未来3年呈现指数级增长（推测依据：自动化流程消灭了传统科研的最大瓶颈——实验通量）

七、结语

Elements Claw的72小时超导发现之旅，不仅仅是一个技术突破的新闻，它标志着AI与科学的关系进入了一个新纪元。从"计算器"到"助手"再到"协作者"，AI正在一步步走进科学发现的核心地带。

杨植麟说的"第三阶段"不是未来的想象，而是正在发生的事情——2026年的这个夏天，可能就是AI从"学习已有知识"到"创造新知识"的转折点。

当然，这并不意味着人类科学家的黄昏。恰恰相反，它意味着科学家的创造力将被前所未有地放大。当一个AI可以在72小时内完成你三年的文献工作，你的时间就可以用在更有价值的地方——提出真正重要的问题，设计巧妙的实验思路，发现跨领域的隐藏连接。

 "AI不会取代科学家，但会用AI的科学家会取代不会用的。"——这不是一句口号，而是正在发生的现实。

你怎么看？AI真的能成为一个合格的"科学家"吗？或者说，你愿意让AI帮你做实验、写论文吗？欢迎在评论区留下你的观点。

 关注AIGC前沿，每天了解一个AI神器。 记得「点赞+在看」，让更多人看到AI正在改变世界的方式。