Co-Scientist升级：AI走出屏幕，首次在真实实验室「造出」半导体

新智元报道

Google DeepMind与杜克大学联合发布了AI科研系统Co-Scientist的重大升级版本，Co-Scientist是Google基于Gemini构建的多智能体科研系统。

此前的版本主要聚焦于计算机内的假设生成，即AI「想」出科学猜想，再由人类去验证。

此次升级的核心突破在于：Co-Scientist首次成为一个以真实实验执行为基础的闭环科研伙伴，能够贯穿假设生成、实验执行到论文撰写的完整流程，并在材料科学、生物学和计算机科学三个领域产出了具有真实世界意义的新成果。

论文链接：https://arxiv.org/abs/2602.03837

论文指出，当前AI科研面临的最大瓶颈，正是「AI能在计算中提出什么」与「能在物理世界中验证什么」之间的鸿沟。纯计算型的AI科研系统容易出现「奖励作弊」，编造看似合理但并不存在的实验结果；而现有的自动化实验室又局限于狭窄的特定任务。此次工作正是为了弥合这一鸿沟。

Google DeepMind的研究员Samuel Schmidgall、涂涛 （Tao Tu）与杜克大学电子与计算机工程系助理教授王浩哲（Haozhe Wang）共同担任通讯作者；

Google DeepMind研究员Samuel Schmidgall和杜克大学博士生朱筱锴 （Xi aokai Zhu）为论文共同第一作者。

论文作者还包括Google首席科学家Quoc V. Le，谷歌研究员程勇、荣克然等，合作单位涵盖Google、杜克大学、哥伦比亚大学和德州农工大学。

AI设计半导体配方

材料科学部分的物理实验验证全部在杜克大学王浩哲课题组完成。

团队将Co-Scientist与实验室自建的半自动化化学气相沉积（CVD）系统对接，让AI设计的合成方案在真实的高温反应炉中接受检验。这是本次工作中最「接地气」的一环：AI给出的不再是停留在纸面上的想法，而是可以直接在设备上运行的生长配方。

1.AI提出无毒新路线，自下而上合成新型二维碳化物晶体

MXene是一类具有优异导电性的二维过渡金属碳化物，其中Ti₃C₂Tₓ是研究最广泛的成员，但长期以来只能通过氢氟酸等危险试剂「自上而下」刻蚀获得，直接的自下而上CVD合成一直未能实现。

Co-Scientist针对杜克实验室CVD系统的具体几何结构和现有原料，从272个候选方案中提出以六氯乙烷（C₂Cl₆）替代剧毒、易挥发的四氯化钛（TiCl₄）作为前驱体。

研究团队经过25轮迭代优化后，成功生长出高结晶度的二维层状晶体，其X射线衍射、扫描电镜、能谱及球差电镜表征均显示出与Ti₃C₂Tₓ MXene高度一致的晶格特征（层间距约1.13 nm，面内晶面间距约2.51 Å）。团队同时指出，最终的原子级相结构仍需进一步的截面原子分辨电镜验证。

一次成功：数分钟内定制配方，一次性长出三种单层半导体

二维过渡金属硫族化合物（TMD）是被寄予厚望的下一代半导体沟道材料，但其CVD生长对设备高度敏感，文献配方往往无法在不同实验室之间直接复现，通常需要数月的反复摸索。

Co-Scientist仅根据杜克实验室自建设备的硬件约束（炉体结构、可用化学品、衬底类型），在没有任何历史配方参考的情况下，生成了完整的工艺参数，在第一次尝试中即成功合成出高质量单层MoS₂，三角形单晶尺寸超过50微米，拉曼光谱确认了其单层厚度。更值得注意的是，团队将该方法推广到实验室此前从未合成过的MoSe₂和WS₂，同样一次成功。

此外，借助Gemini 3 Deep Think的快速推理能力，Co-Scientist能在数分钟内生成配方并直接将其转化为控制CVD设备的机器指令，整个实验流程约一小时即完成三种材料的首次生长，展示了AI直接操控半导体制造设备、实现「实验室在环」（lab-in-the-loop）半自主迭代的可行路径。

半导体行业AI科学家张笑通博士表示：

「这项工作把大模型多智能体系统真正接入了半导体材料的研发与制备，打通了从设计配方到设备执行、再到表征验证的闭环。传统CVD工艺对设备高度敏感，配方很难跨设备迁移，调试往往要耗费大量人力、资金和时间。而Co-Scientist仅凭设备信息和硬件约束，数分钟内生成配方，一次成功长出三种单层半导体。

论文还提出了提升AI科研可靠性的新思路：将幻觉与抄袭惩罚写入优化目标，每条结论与实验日志逐条比对，让AI科研可追溯、可验证、可审计。随着这类系统与制造设备的深度融合，AI有望成为工艺研发的核心引擎，加速下一代材料从实验室走向应用。」

这项工作表明AI已经不仅能「设计」材料，还能针对具体设备直接「制造」半导体，将原本需要数月摸索的工艺开发压缩到数分钟到数小时。这为AI驱动的自主纳米制造以及未来「AI设计并制造自身硬件」的愿景迈出了关键一步。

生物学与计算机科学的同步验证

在生物学领域，Co-Scientist与哥伦比亚大学合作，从稀疏的成像数据中预测工程大肠杆菌在不同诱导剂浓度下的群集形态，预测结果与未发表的湿实验测量在四项形态指标中的三项达到定量吻合。

在计算机科学领域，Co-Scientist在仅给定研究方向、无人干预的情况下，自主设计出推理时扩展架构Agent_H，在HealthBench Hard与Professional基准上超越了六个前沿模型，并在医生盲评中显著降低了潜在临床风险。

让AI科研更可靠、更安全

针对AI科研系统容易「编造结果」和「抄袭」的问题，团队引入了可靠性模块：将幻觉和抄袭惩罚直接纳入优化目标，并将论文中的每一项定量结论与原始实验运行日志逐条比对。

一项由30位领域专家参与、共450次独立评审的双盲研究证实，这些机制显著降低了严重幻觉和抄袭的发生率；内置的安全系统拒绝了98.7%的有害研究请求。

AI科研的下一站，是走进真实世界

从「在计算中提出假设」到「在真实设备上完成验证」，此次Co-Scientist的升级标志着AI科研范式的一次关键转折：AI不再只是人类科学家的「思考助手」，而开始成为能够动手、能被检验、能对结果负责的科研伙伴。

材料、生物、计算机三个领域的同步验证，加上可追溯、可审计的可靠性机制，共同回应了当前AI for Science最受质疑的两个问题——它做出的东西是真的吗？它能在实验室之外的物理世界里成立吗？

当然，这项工作仍处于早期阶段：CVD系统只是半自动化，新型碳化物的原子级结构仍待确认，从「一次成功」到「稳定量产」之间还有很长的路。

但方向已经清晰——随着AI与实验设备、表征仪器和制造工艺的深度融合，「AI设计并制造自身硬件」的愿景正从科幻走向工程议题。可以预见，未来的实验室里，人类科学家将更多地扮演目标设定者与审核者的角色，而把海量的配方探索与迭代交给不知疲倦的AI。那一天到来的速度，或许比我们想象的更快。

作者介绍

王浩哲（Haozhe Wang）是杜克大学电子与计算机工程系助理教授，领导 The Wang Lab，AI4S资深专家，长期专注于利用人工智能赋能纳米制造与二维材料研究，致力于让 AI 自主设计、制备并优化自身的物理硬件。他是 ATOMIC 自主显微镜平台、AI co-scientist、以及AI控制CVD系统的核心开发者，荣获 NSF CAREER 等奖项。

涂涛（Tao Tu）是Google DeepMind的资深研究科学家（Staff Research Scientist），长期专注于利用人工智能（特别是Gemini模型）赋予计算机超人类级别的医疗与科学智能。他曾是谷歌知名医疗大模型Med-PaLM、AMIE（AI 诊疗对话系统）以及Med-Gemini的核心贡献者。

荣克然（Keran Rong）现任SpaceX AI研发团队成员，参与Grok的研发。此前，他曾担任Google DeepMind研究员及技术项目经理，专注在大语言模型与AI科学推理等领域。曾作为核心贡献者,参与研发了Google的PaLI系列多模态模型， AI co-scientist，ATOMIC以及Gemini 。

参考资料：

https://arxiv.org/abs/2608.26701

编辑：LRST