近日，谷歌DeepMind发布《猜想机器》报告，系统剖析人工智能智能体对科研范式的重塑。报告指出，依托基础模型多步推理能力的跃升、外部工具链的成熟及任务定制化程度的提高，AI智能体已具备深度参与真实科研的潜力。以帝国理工学院微生物学家José Penadés团队为例，其历经近十年研究的细菌抗生素耐药性机制，被DeepMind的Co-Scientist智能体在48小时内精准还原，并额外提出一项极具潜力的全新研究方向。 智能体的普及正将科研人员从文献筛选、数据整理与代码编写等基础工作中解放，使其角色向目标设定与高阶方案调度转变。在药物重定向、芯片架构设计及数学证明等领域，AI已展现出高效的假设生成与候选方案搜索能力。然而，报告警告，AI呈指数级增长的假设产出，正与实验验证、同行评审的物理节奏严重脱节，科研体系已触及严峻的验证瓶颈。 为破局这一挑战，报告呼吁科研资助机构优化前沿智能体的普惠访问与数据标准化建设，加速自动化公共实验平台的布局以扩充验证产能，并推动同行评审机制向数据实质审查转型。同时，科研教育体系需保留无智能体辅助的基础训练阶段，以维系学者对机器输出的批判性判断力。AI虽能极大加速科学发现的前半程，但将计算假设转化为确凿知识，仍仰赖严谨的人工验证与科研基础设施的系统性迭代。