Agent4S｜科研第五范式革命

围绕科研的信息过载问题，讨论LLM与Agent的角色分工、闭环执行和科研组织变化，并分析人类在责任、价值判断中的作用。

> 作者：王恭骏　·　[阅读微信原文 ↗](https://mp.weixin.qq.com/s?__biz=MzkyNjY0NjI3NA==&mid=2247485805&idx=1&sn=8a6bdbeee106c43e1003f19dc2f9a025&chksm=c2356000f542e9160e11463609a31983cc78ab974ca8ed46a3837a7fd4d37236f91f362593cf#rd)

# Agent4S｜科研第五范式革命：从人类认知中心到人机共生系统

内容摘要

1、人工智能在科研中的角色正在从认知工具走向认知主体。

2、Agent4S 将问题拆解、路径规划、工具调用与结果验证组织成可执行闭环。

3、科研活动的主导约束正在由人类认知容量转向系统调度能力。

全文约 5456 字，阅读时间约 11 分钟。

## 科研面临认知瓶颈的结构性矛盾

从数据增长到认知瓶颈：科研面临的结构性矛盾

图1：从数据增长到认知瓶颈：科研面临的结构性矛盾。

人工智能驱动科研正在经历一次由“认知工具”向“认知主体”的结构性跃迁，从“人类认知驱动系统”演化为“人机混合认知系统”。

2025年末的乌镇，全球顶尖科学家不再争论AI能否做科研，而是讨论如何让AI成为合格的“同事”。短短几个月后，香港科技大学的峰会进一步确认了这一趋势：人工智能在科学发现中的角色发生了根本性位移。它不再是被动等待指令的计算工具，而是能够主动理解目标、规划路径并执行任务的合作伙伴。这场变革并非未来预言，而是正在发生的现实。我们需要厘清三个核心事实：人工智能此刻处于什么阶段？它在科研现场究竟如何工作？当下的科研生态相较于过去发生了哪些结构性改变？

过去三十年，科学研究的主要瓶颈集中在人类个体的线性处理能力，包括文献阅读速度、推理深度以及长期记忆容量，这一约束在经典“假设—验证”循环中形成稳定均衡。实验层面的限制同样清晰，仪器通量、材料成本与实验周期构成物理边界，使得科研活动在时间与资源维度上呈现可预测的线性扩展。

这一均衡已被数据规模的指数增长所打破。以生命科学为例，PubMed收录的年度新增文献数量已超过200万篇[1]，单细胞测序、分子动力学模拟与高通量筛选所产生的数据进入PB级别，数据生成速率远超人类认知系统的吸收速率。DIKW链条中的“信息—知识”转化环节出现拥塞，高维数据空间中的潜在模式无法通过传统人工分析被有效提取。短期结果表现为文献冗余、重复实验与低效探索，长期结果则体现为科学发现速率的边际递减。

在这一背景下，科研系统的主导约束从“实验资源稀缺”转向“认知处理瓶颈”。类似计算机体系结构中的I/O受限状态，人类研究者更接近“串行处理器”，擅长低维语义判断与价值评估；数据系统则演化为“并行计算阵列”，在高维空间中持续生成未被解释的信号。两者之间缺乏高效的中间层接口，导致知识生产过程出现结构性脱节。结论可以压缩为一句话：人类线性认知能力与指数级数据增长之间，已经形成稳定且持续扩大的结构性张力。

## 人工智能正从高阶函数拟合、计算工具发展为具有感知-决策-执行闭环能力的认知主体

人工智能在科研中的能力演化：从工具到认知主体

图2：人工智能在科研中的能力演化：从工具到认知主体。

人工智能在科研体系中的角色已经历了三次清晰的功能跃迁，其演化路径可抽象为：“函数调用层—认知增强层—系统执行层”。

第一阶段对应传统机器学习与专用模型，其核心形态是函数型工具。此类系统以输入—输出映射为基本结构，典型应用包括回归预测、分类识别与数值拟合。在材料科学中，深度神经网络被用于晶体结构预测；在生命科学中，卷积网络承担图像分割任务。此阶段的关键特征是能力单点化，模型无法跨任务迁移，也不具备上下文理解能力，科研人员仍需承担问题拆解与流程组织的全部职责。

第二阶段由大语言模型驱动，其本质是对人类知识体系的向量化压缩与语义重建。以GPT、Claude为代表的系统，通过数万亿token训练，实现跨领域知识整合与推理能力生成[2]。该类模型在科研中的作用集中于“想和说”的环节，包括文献综述生成、假设构建、方法设计建议与代码生成。其技术核心是Transformer架构下的自注意力机制，使得长程依赖关系可以在高维嵌入空间中被捕获[3]。这一阶段解决的是“知识压缩与语义推理问题”。模型能够在毫秒级时间内完成跨学科知识调用，将原本需要数周完成的文献整合任务压缩至分钟级。然而，LLM仍然停留在认知层，其输出结果不具备直接执行能力，无法调用实验设备、数据库接口或仿真系统，科研流程仍然存在明显的断点。

第三阶段即当前阶段，其核心标志是Agentic AI的出现。AI Agent以LLM为“中枢处理单元”，在任务目标明确后，能够动态指挥自身的流程与工具使用，并基于环境反馈持续规划、执行和调整任务过程，在执行中保持对任务完成方式的控制，以自主完成复杂任务。典型架构包括ReAct（Reasoning and Acting）、ToT（Tree of Thoughts）以及多智能体协同框架[4][5]。在该体系中，科研任务被形式化为可调度的进程，工具调用类似于外设驱动，数据流在不同模块之间以结构化格式传递，呈现出明显的操作系统特征。

此类系统被定义为Agent4S，即面向科学研究的智能体框架。AI Agent能够独立完成从问题拆解、路径规划到结果验证的完整流程。例如，在自动化材料筛选中，Agent可以调用数据库获取候选结构，执行模拟计算，分析结果并更新搜索策略，行为模式接近于初级研究人员。其核心意义在于，科研主体从单一人类个体扩展为“人类—智能体”混合系统，知识生产过程开始具备可编排性与可复用性。

## 科研范式的跃迁：从人类驱动到人机混合认知系统（第五范式）

科研范式的跃迁：从人类驱动到人机混合认知系统

图3：科研范式的跃迁：从人类驱动到人机混合认知系统。

当前科研体系的变化是由数据规模、计算能力与算法结构共同驱动的系统性重构。这一重构可以从三个维度进行分析。

### 数据规模与认知能力的非对称增长

传统科研流程建立在数据可控的前提之上。研究者通过实验设计生成有限样本，再利用统计方法进行分析，形成结论。这一模式在小数据环境下具有稳定性。当前环境中，数据生成机制发生改变。高通量测序技术可在单次实验中产生数十万细胞级别的数据点，材料数据库如Materials Project已积累超过十万种计算结构[6]。数据规模的增长呈指数趋势，而人类认知能力的提升接近常数。这一非对称增长导致“信息过载—洞见稀缺”的结构性矛盾。科研人员可以访问几乎无限的信息，但有效提取新知识的能力未同步提升。问题的核心不在于数据不足，而在于缺乏高效的模式识别与知识压缩机制。

### LLM与Agent的角色分化与能力边界

在当前体系中，LLM与AI Agent承担不同层级的功能，其关系类似于编译器与操作系统。LLM负责语义处理与推理，其输入输出均为文本或符号序列，适用于假设生成与知识整合。其优势在于跨领域泛化能力，能够在不同学科之间建立隐含联系。Agent则承担任务执行与流程控制，其核心在于“任务闭环能力”。Agent通过调用外部工具实现实际操作，例如运行Python脚本、访问数据库、控制实验设备或触发仿真计算。其行为可被建模为状态机或强化学习过程，具备自我优化能力。在工业实践中，采购Agent已实现从需求解析到订单生成的全流程自动化；在科学计算领域，多智能体系统可并行处理PB级数据集，并在分布式环境中进行任务调度。这类系统逐步演化为“数字员工”，其产出具有稳定性与可追溯性。

在能力分化逐步清晰的前提下，AI Agent在科研体系中的功能边界可被形式化描述为“高维搜索—低维决策”的协同接口，其执行优势集中于可枚举空间中的结构逼近与策略优化，包括组合爆炸问题、规则封闭流程与多模态表征学习等任务类型。

### 科研范式的跃迁：第五范式的形成

科学研究的范式演进通常被划分为四个阶段：经验范式、理论范式、计算范式与数据范式[7]。当前阶段出现新的断裂点，即数据范式仍依赖人类提出研究问题。AI Agent的引入改变了这一前提[8]。智能体可以在大规模数据中自动识别异常模式，生成候选假设，并通过仿真或实验验证其有效性，将原本由人类完成的跨阶段推理、实验编排与结果评估，重构为可调用、可组合的智能执行单元，从而压缩知识转化链路中的中间摩擦与信息损耗。科研流程从“人类驱动”转向“人机协同驱动”。

这一变化构成所谓“第五范式”，即AI驱动科学发现。其核心机制在于，将原本分散在不同阶段的认知任务整合为统一的计算流程，使得知识生成过程具备连续性。技术驱动因素包括多模态模型的发展、工具调用能力的提升以及强化学习在复杂决策中的应用。需求驱动因素则来自数据爆炸与人力成本上升的双重压力。

传统科研体系中，研究者的边际产出受限于时间序列上的串行处理能力，而Agent4S通过多代理协同与任务分解机制，将实验设计、数据处理与假设迭代并行展开，形成类“分布式认知”的执行结构，使科研活动由个体认知驱动转向系统级调度驱动。此类变化对应于生产力理论中的“工具体系升级”与“劳动过程再组织”。

从历史参照看，该转变与科学革命时期实验方法的制度化具有同构性，当时标准化实验流程将经验性知识转化为可复现的操作序列，进而改变知识生产的边界条件；亦可类比工业革命中机械系统对手工劳动的替代，其关键不在于单机效率，而在于生产过程的可分解性与规模扩展性。Agent4S的引入，使科研任务从“认知连续体”转化为“模块化任务图”，这一变化满足生产力变革的核心判据，即生产要素组合方式的根本性重排与边际成本函数的形态改变。

在现实层面，可验证案例已呈现出跨领域一致性。在蛋白质结构预测中，基于多模型协同的智能体系统将数据检索、结构生成与置信度评估解耦并重组，显著缩短假设验证周期；在自动化化学实验平台中，闭环Agent能够基于实时数据调整反应条件，实现实验策略的在线演化，其表现为实验空间探索路径由人工经验驱动转向策略搜索驱动；在大规模文献挖掘与假设生成任务中，多代理系统通过语义分工与结果互证，提升了知识重组的覆盖范围与一致性[9][10][11][12]。这些案例共同指向一个结构性事实：科研活动的主导约束正在由人类认知容量转向系统调度能力，生产函数中的关键瓶颈已发生迁移。

## 现阶段科研的新范式：各层结构的重组

第五范式（Agent4S）的核心本质，在于将“寻找规律的过程”本身转化为可计算、可执行的算法策略。

传统科学追求的是稳定、可复现的结论，即对自然规律的静态刻画；而在当前体系中，研究的对象逐步转向“生成知识的机制”。换言之，科学的产出不再只是定理、模型或经验公式，而是能够持续产生这些结果的动态系统。知识由“终点”转化为“过程函数”，科研活动由一次性探索转化为持续运行的生成流程。

在这一框架中，假设的生成不再依赖个体经验的偶然跃迁，而是被嵌入到高维语义空间中的系统性探索。基于跨学科语义结构的压缩表达，使原本分散在不同领域中的隐含关联得以在统一表示中被激活。Agent在此基础上执行的受约束生成过程，不是盲目的组合扩展，也不是线性的逻辑推导，而是在概率分布与目标函数共同限定下，对潜在解释空间的有序逼近。那些曾被归因于“灵感”的路径，在这一体系中被重新解释为可复现的搜索轨迹，科研由此从启发式活动转向策略驱动的结构化过程。

与之相伴的，是协作形态从“个体叠加”向“系统调度”的转变。传统科研的组织方式，本质上仍是多个串行认知单元之间的松散耦合，其效率受限于沟通成本与认知带宽；而在多智能体体系中，任务被拆解为标准化节点，在统一协议下并行执行与交叉验证，科研过程因此呈现出分布式计算的结构特征。

当这一机制被置于更大尺度观察，其直接结果是科研生产函数的整体重构。

首先发生变化的是能力的获取方式：复杂技能不再以内化训练为前提，而通过外部Agent调用即时获得，这使得不同学科之间的操作门槛被显著压缩，研究者得以在更高抽象层面参与问题定义与结果解释，从而推动科学活动的参与结构趋于开放。进一步地，科研流程本身开始呈现出工业化特征。实验设计、数据处理与结果验证被封装为可复用单元，在统一框架中被连续调度执行，单次实验成为持续生产链中的一个状态转移。科学由此摆脱“手工作坊”式的间断性推进，转向接近自动化工厂的稳定运行。

知识的存在形态也随之发生改变。在Agent系统中，知识以结构化数据与可执行策略的形式被完整保留，并在后续运行中不断被更新与强化。这意味着知识不成为系统属性，其演化路径呈现出单调积累特征。科研活动因此转向“连续迭代”，认知高度不再随个体更替而波动，而在数据与算力的推动下持续上升。

在这一背景下，算力的地位从辅助资源转变为决定性变量。科学发现的速率，不再主要受限于研究者的时间与精力，而与计算资源、数据规模及实验通量呈现直接耦合关系。算力不仅扩展了搜索空间的边界，也改变了探索路径的密度，使得原本需要长期积累的认知过程可以在高频迭代中被快速逼近。科研由此完成从“时间受限系统”向“资源受限系统”的转换，其增长模式更接近基础设施驱动的扩展过程。

然而，执行能力的外移并未消解人类在科研体系中的核心地位，人类逐渐退出具体流程的操作环节，转而承担目标设定、约束定义与结果裁决的职责。这种角色变化并非能力削弱，而是职能的上移：科学活动的意义、边界与方向，仍然依赖于人类主体所提供的外部参照系。

也正是在这一层面上，Agent4S的边界变得清晰。首先是安全伦理问题，即科研活动中责任归属的制度性约束。在高风险领域（如药物设计、生物工程）中，决策后果无法由算法主体承担，从而使最终判断权必须保留在人类主体之中。这一约束类似于纽伦堡审判之后确立的科学伦理框架，其核心在于责任与权力的不可分离[13]。其次，当生产的效率提升之后，科研问题的重要性排序，并非可由数据自发生成，而依赖社会需求、学科传统与个体判断所构成的外部评价体系。即使在完全信息条件下，Agent4S仍无法生成“为何值得研究”的判据，这一问题在科学史中长期存在，例如曼哈顿计划所引发的技术能力与价值选择之间的张力，其本质在于生产能力与价值导向的结构性分离[14]。第三，认知地图的内卷化扩展，Agent4S通过高效填补跨学科空隙，使知识网络趋于稠密，从而降低低悬果实的存在概率。这一过程对应于科学发展中的“常规科学扩张”阶段，其极限由托马斯·库恩所描述的范式稳定期所界定，在该阶段内，创新更多表现为局部优化而非边界突破[15]。Agent4S正加速这一阶段的到来，却无法内生地产生范式跃迁，因为后者依赖对既有框架进行否定性重构，而非搜索空间内的最优解逼近。这些约束共同表明，AI Agent在科研中暂时无法替代人类在责任承担、价值设定与范式重构中的核心角色。

因此，第五范式下的科学研究，正在从以个体认知为中心的探索活动，转变为以系统调度为核心的生成过程；但在这一转变之上，关于责任、价值与范式的最终判定，仍然牢固地锚定在人类之中。这种“机制外移而意义内留”的结构，将构成未来相当长时期内科研体系的基本形态。

## 新需求、系统性问题与分层行动应对框架

科研范式的变化引入新的约束条件，其影响覆盖各个方面。研究者需掌握与AI协作的基本方法，包括提示设计、任务拆解与结果验证。基础设施需求表现为对高质量数据集、工具接口与计算资源的依赖。智能体运行需要稳定的API与标准化协议，当前尚未形成统一规范。评价体系面临重构压力。论文数量无法全面反映科研贡献，工具开发、数据构建与流程设计需要纳入评估指标。角色转型带来结构性压力。初级研究者需适应工具使用，中级研究者需识别可自动化环节，高级研究者需设计整体系统架构。而从宏观上看，治理问题集中在数据隐私、责任归属与技术滥用风险。AI生成结果的可解释性不足，增加了监管难度。

针对上述变化，不同层级主体需要采取差异化策略。科研新手应从文献处理与代码辅助入手，逐步建立人机协作习惯，将重复性任务外包给智能体。资深研究者需要识别科研流程中的高重复环节，将其模块化并交由AI执行，将精力集中于问题定义与理论创新。科研管理者需构建统一的技术平台，整合数据资源与工具接口，同时建立多维度评价体系。政策制定者需要在技术发展与伦理规范之间建立平衡，通过制定标准与法规降低系统性风险。

AI驱动的科研变革已进入可操作阶段，Agent4S作为核心执行框架，正在重塑科研主体结构与知识生产机制。效率提升表现为时间尺度压缩与资源利用率提高，方法论变化体现在从线性流程向闭环系统转变。新的问题集中在协作机制、制度设计与风险治理，其解决路径依赖跨学科协同与长期制度建设。上述趋势共同指向一个结论：科研系统正在从以人类为中心的认知结构，演化为人机共生的复杂系统。

参考文献

[1] Landhuis E. Scientific literature: Information overload [J]. Nature, 2016, 535(7612): 457-458. https://www.nature.com/articles/nj7612-457a

[2] OpenAI. GPT-4 Technical Report [R]. arXiv:2303.08774, 2023. https://arxiv.org/abs/2303.08774

[3] Vaswani A, Shazeer N, Parmar N, et al. Attention Is All You Need [C]. NeurIPS 2017. https://arxiv.org/abs/1706.03762

[4] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing Reasoning and Acting in Language Models [C]. ICLR 2023. https://arxiv.org/abs/2210.03629

[5] Yao S, Yu D, Zhao J, et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models [C]. NeurIPS 2023. https://arxiv.org/abs/2305.10601

[6] Jain A, Ong S P, Hautier G, et al. The Materials Project: A materials genome approach to accelerating materials innovation [J]. APL Materials, 2013, 1(1): 011002. https://doi.org/10.1063/1.4812323

[7] Hey T, Tansley S, Tolle K. The Fourth Paradigm: Data-Intensive Scientific Discovery [M]. Microsoft Research, 2009. https://www.microsoft.com/en-us/research/publication/fourth-paradigm-data-intensive-scientific-discovery/

[8] Merchant A, Batzner S, Schoenholz S S, et al. Scaling deep learning for materials discovery [J]. Nature, 2023, 624(7991): 80-85. https://www.nature.com/articles/s41586-023-06735-9

[9] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold [J]. Nature, 2021, 596(7873): 583-589. https://www.nature.com/articles/s41586-021-03819-2

[10] Boiko D A, MacKnight R, Kline B, et al. Autonomous chemical research with large language models [J]. Nature, 2024, 624(7991): 570-578. https://www.nature.com/articles/s41586-023-06792-0

[11] Szymanski N J, Zeng Y, Bennett T, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials [J]. Nature, 2023, 624(7990): 86-91. https://www.nature.com/articles/s41586-023-06734-w

[12] Ghafarollahi A, Buehler M J. SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [J]. Advanced Materials, 2025, 37(7): 2413523. https://arxiv.org/abs/2409.05556

[13] The Nuremberg Code (1947). Trials of War Criminals before the Nuremberg Military Tribunals under Control Council Law No. 10, Vol. 2, pp. 181-182. U.S. Government Printing Office, 1949. https://en.wikipedia.org/wiki/Nuremberg\_Code

[14] Rhodes R. The Making of the Atomic Bomb [M]. Simon & Schuster, 1986. https://www.simonandschuster.com/books/The-Making-of-the-Atomic-Bomb/Richard-Rhodes/9781451677614

[15] Kuhn T S. The Structure of Scientific Revolutions [M]. University of Chicago Press, 1962. https://press.uchicago.edu/ucp/books/book/chicago/S/bo13179781.html

---