Google DeepMind 的科研 Agent Co-Scientist 按三档自主度接手真实实验，从设计配方长晶体到预测菌落形态。150 篇 AI 论文双盲评审，严重幻觉从基线系统的 90% 压到 4%。
同一套 Co-Scientist，按三档自主度接手三个领域
让 AI 全自动做科研，写出来的论文敢信吗？Agent Laboratory 把问题推到了台前：一个题目进去，一篇论文出来，全程不要人；会不会把跑砸的实验包装成漂亮结果，怀疑没停过。
2026 年 8 月 28 日，Agent Laboratory 的一作 Samuel Schmidgall 在 Google DeepMind 挂出 83 页论文，亲手把前作放上双盲实验台当基线；主角是升级后的 Co-Scientist，基于 Gemini 的多智能体科研 Agent，要让 AI 碰到真实验。
此前的 Co-Scientist 只出假说；新版还接上了实验硬件的接口，部署按三档自主度分级：材料由人类执行 AI 设计的配方，生物由专家与 AI 协作，计算机科学全程全自动；实验越依赖物理操作、越难被确定性核查，人介入越深。
AI 设计的配方长出类 MXene 晶体和三种单层半导体，菌落预测对上湿实验
用化学气相沉积（CVD）自下而上直接生长 MXene，此前没人做成。研究最广的 Ti3C2Tx（过渡金属碳化物二维材料，导电接近金属）一直靠氢氟酸从块体陶瓷刻出来；Co-Scientist 拿到的指令就一条：找一种安全前驱体，替代有毒又怕空气的 TiCl4。
它按实验室自建 CVD 炉的约束推理反应动力学，交出 272 个候选配方。人类专家挑了排名第 2 的方案，六氯乙烷（C2Cl6）加钛粉，迭代 25 轮长出二维晶体：衍射峰位、元素组成、晶格间距都与 Ti3C2Tx MXene 的文献值对上。
是不是真 MXene，还没定。Schmidgall 先把话说死：XRD 峰只是开始，原子相确认需要截面原子级电镜。
配方还泛化到别的体系。MoS2、MoSe2、WS2 三种二维半导体，实验室只做过第一种；底层模型换成 Gemini 3 Deep Think 做快速推理，几分钟出配方并直接控制炉子，三种材料一次长成单层，总实验约 1 小时。代价是晶体比完整演化配方的更小、更不规整；演示也只在自建炉子上做了一次，跨实验室复现还没证。
生物档换了分工：AI 不动手，负责预测。工程化大肠杆菌的群集形态随诱导剂（IPTG）浓度变化，Columbia 大学的团队做了整个浓度梯度的湿实验，只把两端浓度的实拍照片交给 Co-Scientist，它搭的视觉管线生成中间浓度的预测图，每个待预测浓度生成 16 张候选再挑出最可信的一张。
预测对上湿实验数据：4 项形态学指标中 3 项无统计学差异，剩下的「圆度」显著偏离，模型总把菌落画得太规整；不响应诱导剂的对照组也预测对了，没硬编出趋势。数据还没发表，模型训练时不可能见过。Schmidgall 还写明：预测是已知区间内的插值，非外推。
全自动发现 Agent_H，再把每个声明钉在执行日志上
计算机科学档没有物理约束：给个研究方向就全自动。交出的成果叫 Agent_H，一套 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，回答一题要调 40 到 80 次 LLM，延迟撑不起实时交互。
在两个开发时没见过的医疗评测集 HealthBench Hard（1000 道带陷阱问答）和 Professional（525 道临床推理）上，Agent_H 的长度修正分数超过 6 个前沿模型，GPT-5.6 Sol、Claude Opus 5 在内，两个 LLM 评委口径一致。
长度修正指按 2000 字符为基准惩罚啰嗦。不惩罚长度的原始分数下，Claude Opus 5 在 Professional 上仍更高（0.697 对 0.645）。
AI 编结果是老毛病，病根在 reward hacking：只优化评审分，实验跑砸了的 AI 有动机直接编一个好结果。
双盲研究让三个系统做同一批题目：完整版、关掉可靠性模块的消融版、Agent Laboratory 各写 50 篇，30 位专家 450 次盲评，拿着执行日志和源代码逐篇对账。
足以推翻结论的严重幻觉，完整版 4%，消融版 46%，Agent Laboratory 90%。极端捏造一项，完整版归零，消融版 40%、基线 44%。严重抄袭 16%，基线 60%。
靠的是两处改动。第一，幻觉罚项和抄袭罚项直接写进优化目标，编结果在数学上不划算。第二，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 Schmidgall 也列了出来：选择性报告、潜意识抄袭、「方法漂移」，论文写的方法和代码对不上。这套核查只在计算领域成立：湿实验的噪声测量还没法像代码日志这样对账。
自动评测赢了 6 个模型，医生盲评 9 项只认 1 项
Agent_H 的大比分领先，到真人盲评就缩了水。3 名执业医生盲评 106 道题，对比 Agent_H 与基座模型 Gemini 3.1 Pro 的回答：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），医生对其余 8 个感知不到差别。
LLM 评委按评分细则逐条打勾，Agent_H 正是照着细则优化的；医生看回答整体可不可靠。自动评委彼此打分一致，和医生评分却普遍对不上。Schmidgall 写下结论：benchmark 分数的上涨不总能转化成专家偏好。
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：设计配方让人类直接执行，预测还没做的实验，全自动做完整个计算研究，每个声明都能对着执行记录核查。AI 科学家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。
