Agent4S｜科研数据规范为什么需要重写
结合化学与材料研究案例，讨论科研数据如何从结果文件扩展为包含文献、实验过程、失败记录与反馈的智能体可操作资产。
> 作者：刘子笑 · [阅读微信原文 ↗](https://mp.weixin.qq.com/s?__biz=MzkyNjY0NjI3NA==&mid=2247485775&idx=1&sn=3ccca3cf78e0bf6f8d9f42def55b466a&chksm=c2356022f542e934028ad6aa2c34b95ee7f1bdf615e4252e2921812d9bd657add7c780b86529#rd)
# Agent4S｜科研数据规范为什么需要重写：第五科研范式下的数据、上下文与闭环
内容摘要
AI4S 的重点正在从单点模型性能，转向文献、实验、分析和写作被连接成连续科研流程。
第五范式下的数据规范要覆盖非结构化文献知识、跨模态表征、失败实验和流程记录。
SCP、SciGraph-SCP、ReactionSeek、Chemputation 与 A-Lab 等案例说明，科研数据正在变成智能体可操作的上下文资产。
全文约 4500 字，阅读时间约 8分钟。
AI4S 文章插图 1
*总图：科研数据正在从面向人类阅读的记录，转向可被机器解析、被智能体调用，并进入实验反馈闭环的系统资产。*
01
## 从单点模型到流程型科研系统
近两年的 AI4S 文献显示，变化并不只发生在某个模型的性能指标上。更值得关注的是，AI 正在进入文献阅读、结构解析、实验设计、程序执行、结果分析和论文写作等环节，原本分散的科研步骤开始被连接为连续流程。对跨学科读者来说，这意味着 AI4S 的讨论重点需要从“模型有多强”，转向“科研流程如何被重新组织”。
2026 年 1 月 19 日，Nature 发表 *Collective intelligence for AI-assisted chemical synthesis*，提出 MOSAIC：它将大量反应协议组织为 2498 个专业化“化学专家”，在实验验证中达到 71% 的总体成功率，并合成了 35 个以上新化合物[1]。随后，2026 年 4 月 2 日，Nature Communications 发表 *NMR-Solver*，把小分子结构解析推进到“大规模谱图匹配 + 物理引导片段优化”的自动化流程[2]。2026 年 4 月 7 日，另一篇 Nature Communications 论文 *Transfer-learning guided design of high-performance conjugated polymers for low-voltage electrochemical transistors*，将迁移学习、物理知识和 AI 驱动的假设生成结合起来，在有限数据条件下完成高性能聚合物设计[3]。再往前看，2026 年 3 月 25 日，Nature 发表 *Towards end-to-end automation of AI research*，尝试把想法生成、文献检索、代码实现、实验运行、结果分析、论文写作和自审连接为端到端流程[6]。
AI4S 文章插图 2
*图源：MOSAIC、NMR-Solver、迁移学习聚合物设计与 The AI Scientist 相关论文图示。*
这些工作共同说明，AI4S 正在从“单点模型”走向“流程型系统”[1-3,6]。过去的典型代表是 AlphaFold 这类专用模型，主要解决一个边界清晰的任务；而新的系统开始跨越文献、数据、实验、分析和写作多个环节。AI 在科研中的位置，也因此从局部工具逐渐转向流程中的协作层和组织层。
02
## 为什么需要重新理解科研数据规范
当 AI 开始进入科研流程，科研数据的边界也需要随之扩展。过去提到“数据”，人们通常想到表格、数据库、结构文件或实验结果图；但在流程型 AI4S 中，这些还不够。至少还有三类内容需要被纳入数据资产：第一，散落在论文正文、补充材料、实验步骤和图注中的非结构化知识；第二，谱图、显微图、反应路径、实验日志等跨模态表征；第三，失败实验、边界条件和参数调整过程等流程数据。近两年的相关工作反复说明，科研闭环最容易卡住的环节，往往正是这些尚未被正式管理的内容[4,5,7]。
因此，这里的“数据规范”不是简单的文件整理问题，而是一个更具体的问题：如何把原本主要服务人类阅读的科学记录，转化为机器可以解析、调用、验证和回流的数据资产。2016 年提出的 FAIR 原则已经指出，数据需要可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）和可复用（Reusable）[8]。在智能体场景中，这一要求进一步提高：数据不只是“能下载”，还要能够进入检索、推理、实验执行和再训练的链条。
03
## 从数据规范到上下文协议：SCP 提供的接口层线索
如果说 FAIR 原则主要回答“数据能否被发现、访问、互操作和复用”，那么智能体时代还要进一步回答：数据、工具、模型和实验设备能否被组织进同一套可追踪、可编排、可执行的上下文体系。上海人工智能实验室提出的科学智能上下文协议（Science Context Protocol，SCP）正好提供了这一层面的案例。2025 年 12 月 30 日提交的 SCP 技术报告将其界定为面向自主科学智能体的开放标准，核心包括两部分：一是统一描述和调用软件工具、模型、数据集、物理仪器等科学资源；二是通过 SCP Hub 与联邦式 SCP Server 管理实验注册、规划、执行、监控和归档等完整生命周期[11]。
这说明，AI4S 的数据标准正在从“文件格式标准”扩展为“实验上下文标准”。在 SCP 框架下，一项科学任务不再只是一次孤立的 API 调用，而是包含目标、参数、权限、成本、风险、工具状态、数据流、执行日志和结果归档的持续过程。上海 AI Lab 在 2026 年 2 月 28 日发布的 SCP 2.0 中进一步将生物、化学、物理、材料、地球科学、数学与信息科学等六大学科的 2200+ 工具 API 化，并在 Intern-Discovery 的 SCP 广场中提供首批 200 余项科学技能（SCP Skill），以支持复杂实验流程的标准化拆解、封装与复用[12]。
2026 年 4 月 23 日，浙江大学联合上海 AI Lab、同济大学等单位发布的 SciGraph-SCP Server，则从数据侧展示了这种变化。该服务将生命、物质、材料、数理等多学科科学知识图谱组织为面向科学智能体的开放服务；原文披露，其已集成 68 个科学知识图谱，包含 3.7 亿+实体与 37 亿+三元组，并通过 SCP 提供标准化调用接口[13]。在这一框架下，知识图谱不再只是供人检索事实的数据库，而是成为 Agent 可以调用的结构化本体骨架：分子、蛋白、材料、实验流程、试剂、设备、反应条件与结果，都被组织为可检索、可链接、可进入后续实验规划的对象。
由此可以更准确地理解“科研数据规范为什么需要重写”：第五范式下的数据不仅要 machine-readable，还要 agent-operable。换言之，数据不仅要被机器读懂，还要能被智能体发现、解释、调用、编排、执行、追踪与回流。传统科研数据规范更关注“结果如何保存”；SCP 与 SciGraph-SCP Server 提醒我们，智能体时代还必须关心“科学上下文如何持续存在”：一次实验的目标、证据、工具选择、参数依赖、执行过程、失败原因与结果反馈，都应成为可被系统读取和复用的数据对象。
04
## 文献正在被转化为可执行流程
几篇近期论文把这条趋势表现得比较清楚。2026 年 3 月 2 日发表的 *ReactionSeek* 指出，化学 AI 的瓶颈并不只在模型能力，也在于大量高价值数据仍被锁在非结构化文献中。该工作将 LLM 与化学信息学工具结合，从有机合成文献中自动抽取并标准化复杂信息，在 Organic Syntheses 语料上关键参数的 precision 和 recall 均超过 95%，并进一步生成 AI-ready 数据集和可用自然语言查询的合成助手[4]。
2026 年 4 月 3 日发表在 Communications Chemistry 的 *Verification and execution of the scientific literature via chemputation augmented by large language models* 则更进一步：它不是停留在“读懂论文”，而是把论文中的合成步骤和分析数据抽取出来，翻译为通用的 XDL 代码，再交给机器人平台执行，用真实实验验证文献步骤是否可复现[5]。在这一意义上，文献开始从“供人参考的说明书”，转化为可以被机器检查、翻译和执行的流程描述。
把这条线索与 2023 年 11 月 29 日发表在 Nature 的 A-Lab 放在一起看，逻辑会更清楚。A-Lab 在 17 天内完成 353 次实验，成功合成 57 个目标中的 36 个无机材料。它的重要性不只在于自动化程度高，更在于把第一性原理数据库、文献中抽取的合成启发式、机器学习解释和主动学习优化连接到同一闭环中[7]。也就是说，AI4S 的关键进展不是“实验室里多了一台机器人”，而是数据开始在模型、知识、实验和反馈之间连续流动。
AI4S 文章插图 3
*图源：ReactionSeek、文献执行与化学计算系统、自主无机材料实验室相关论文图示。*
05
## 为什么化学与材料是一个关键观察窗口
化学和材料值得单独讨论，并不是因为它们比其他领域更重要，而是因为这两个领域集中暴露了 AI4S 落地时最难处理的数据问题。ReactionSeek、Chemputation 和 A-Lab 等工作之所以有代表性，正是因为它们面对的不是干净的标准数据集，而是文献、图像、实验步骤、表征结果和设备反馈交织在一起的真实科研材料[4,5,7]。
与生物领域相比，化学和材料研究中的许多关键信息并不集中在标准数据库中，而是分散在 PDF、反应路线图、谱图、图注、批次差异、实验条件和失败记录里。真正影响实验成败的，往往是“温度差了 5 度就失败”“换了前驱体批次结果漂移”“某条谱峰提示副反应出现”这类细节。生物领域较早支撑起 AlphaFold 等突破，除了算法因素，也与 GenBank、RCSB PDB 等基础设施较早将序列和结构数据组织为机器友好形式有关。相比之下，化学和材料的数据基础更碎片化，也更依赖上下文和专家经验。
因此，讨论科研第五范式下的数据规范，不宜只停留在抽象框架。更具体的判断是：未来 AI4S 的门槛，不在于谁先拥有一个“更会聊天”的模型，而在于谁能把文献、谱图、实验步骤、失败记录和设备反馈组织成可操作的数据系统。模型能力会继续提升，但真正稀缺的是高质量、可追溯、可更新、能够进入闭环的数据基础设施。这也是前面几类工作共同指向的结论[1-8]。
06
## 下一步：空间智能与实验室世界模型
还有一条值得作为趋势线索保留：李飞飞近两年关于 Spatial Intelligence 的讨论。它本身不是 AI4S 论文，但提示了实验室自动化下一阶段可能面对的问题。2025 年 12 月 11 日，Stanford HAI 收录了 Fei-Fei Li 在 TIME 的文章 *Spatial Intelligence Is AI’s Next Frontier*；2026 年 1 月 21 日，World Labs 发布 World API 时也指出，机器人和 embodied AI 的进展受限于训练数据不足和可信评估环境稀缺[9,10]。
放回科研场景，这条线索意味着：未来实验室并不只是“文献 + 数据库”的集合，它还是一个真实的三维空间，包含仪器、样品、路径、碰撞、安全边界和时序约束。下一代 AI4S 可能不仅需要文本智能和工具调用，也需要空间智能、仿真环境，以及面向真实实验场景的世界模型。
## 结语
概括来说，第五范式下的数据规范不再只是后台整理工作，而是科研智能系统能否稳定运行的基础条件。AI4S 的竞争也不只是模型规模或算力的竞争，而是能否把分散的科学记录转化为机器可读的数据，把静态结果转化为闭环反馈，把论文知识转化为可验证、可执行的科研流程。谁能更早建立这样的数据与上下文基础设施，谁就更接近真正可用的 AI Scientist。
## 参考文献
1. Li, H., Sarkar, S., Lu, W. et al. Collective intelligence for AI-assisted chemical synthesis. Nature 651, 107-115 (2026). https://doi.org/10.1038/s41586-026-10131-4
2. Jin, Y., Wang, J. J., Xu, F. et al. NMR-Solver: automated structure elucidation via large-scale spectral matching and physics-guided fragment optimization. Nature Communications (2026). https://doi.org/10.1038/s41467-026-71315-0
3. Tian, S. Y., Ren, Z., Zheng, Y. et al. Transfer-learning guided design of high-performance conjugated polymers for low-voltage electrochemical transistors. Nature Communications (2026). https://doi.org/10.1038/s41467-026-71381-4
4. Li, J., Li, M., Yang, Q. et al. ReactionSeek: LLM-powered literature data mining and knowledge discovery in organic synthesis. Nature Communications 17, 3356 (2026). https://doi.org/10.1038/s41467-026-70180-1
5. Pagel, S., Jirasek, M. & Cronin, L. Verification and execution of the scientific literature via chemputation augmented by large language models. Communications Chemistry (2026). https://doi.org/10.1038/s42004-026-01993-w
6. Lu, C., Lu, C., Lange, R. T. et al. Towards end-to-end automation of AI research. Nature 651, 914-919 (2026). https://doi.org/10.1038/s41586-026-10265-5
7. Szymanski, N. J. et al. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature 624, 86-91 (2023). https://doi.org/10.1038/s41586-023-06734-w
8. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J. J. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3, 160018 (2016). https://www.nature.com/articles/sdata201618
9. Stanford HAI. Spatial Intelligence Is AI’s Next Frontier. https://hai.stanford.edu/news/spatial-intelligence-is-ais-next-frontier.
10. World Labs. Announcing the World API. https://www.worldlabs.ai/blog/announcing-the-world-api.
11. Jiang, Y., Lou, W., Wang, L. et al. SCP: Accelerating Discovery with a Global Web of Autonomous Scientific Agents. arXiv:2512.24189 (2025). https://arxiv.org/abs/2512.24189.
12. 上海人工智能实验室. 打造“科学智能生态中枢”，驱动科学发现群体涌现，科学智能上下文协议（SCP）2.0发布. 2026 年 2 月 28 日. https://www.shlab.org.cn/news/5444236.
13. AI4S / OpenKG. 构建AI原生的科学知识图谱服务：浙大联合上海AI Lab发布SciGraph-SCP Server. 2026 年 4 月 23 日. https://mp.weixin.qq.com/s/OflN5a3y8DtRDaV6EeIxSg.
---