《聊天机器人退场，智能体进实验室》

——AI的下半场，比的不是谁更会说话，而是谁能把实验做出来、把结果验出来

过去三年，AI在学会说话；未来三年，AI要学会干活。

这不是口号，而是一场已经开场的路线切换。

前几天，苏州开了一场学术交流会，主题是AI智能体。有意思的是议程：材料、医药、化学、化工、环境、能源，甚至学术出版。翻遍全场，找不到"聊天"两个字。

议题也很"硬"：行业数据基座怎么搭，垂类大模型怎么迭代，智能体核心技术怎么突破，智能实验室怎么建。会上还成立了一个面向全球的学术与产业联盟，首批理事单位覆盖亚洲、欧洲、美洲、大洋洲；主办方与一家实验室联合创办的国际期刊，今年一月创刊，已经刊出多篇成果。

把这些信息摆在一起，信号很清楚：AI的主战场，正在从屏幕搬到台面上。

一、大模型是脑，智能体是手

很多人把大模型和智能体混为一谈。区别其实只有一句话：大模型负责"知道怎么做"，智能体负责"按要求做完"。

脑负责理解和推理；手负责调工具、跑流程、看结果、再改方案。一个只会回答的系统，再聪明也只是顾问；一个能动手、能复盘、能迭代的系统，才是员工。

会议上那四个议题，恰好是一条完整的产线：数据基座是原料，垂类模型是机床，智能体是操作工，智能实验室是车间。缺任何一环，AI都停在"会说"的阶段。

其中最被低估的一环，是数据基座。它不是"把资料集中存起来"那么简单——不同来源的数据要统一口径、保留实验条件、标明质量，否则模型拿到的只是一堆数量庞大、彼此没法比较的信息。

公开数据只能训出通才，行业数据才能训出专家。互联网上的文本早已被各家抓了一遍又一遍，真正没被碰过的，是产线上的工艺参数、实验室里的失败记录、医院里的随访数据。

算力决定AI多快，数据决定AI多深。

二、为什么科研先落地

有人问：AI为什么不先去卖货、做客服、写文案，反而一头扎进实验室？

答案藏在三个条件里。

第一，反馈明确。实验成不成，数据说了算，不需要靠人的感受打分。对错清楚，智能体才能自我纠正。

第二，试错昂贵。一种新材料从发现到产业化，传统周期常常是十年到二十年，大部分时间花在"试了，不行，换一个"上。传统科研最贵的成本，从来不只是实验费，而是决策费——文献筛选、方案设计、数据整理、结果复盘，每一步都在消耗研究者的注意力。

第三，可以不睡觉。人类研究员一天排三组实验，智能体可以一夜排三千组，还能把每一次失败记下来喂回模型。

人靠灵感，机器靠穷举；而穷举本身，正在变成一种新的灵感。

这就是智能实验室的本质：不是把人赶出去，而是让模型提出的判断进入实验，让实验产生的数据返回模型，形成一个可检验、可纠正的循环。科研，正在经历自己的工业革命。

三、先停一下：输出流畅，就等于结果可靠吗？

这是所有人都该踩一脚刹车的地方。

演示里行云流水的智能体，进了专业场景常常处处碰壁。因为专业任务的难点，往往藏在答案之外：材料要看实验条件，医药要看证据质量，化工要看工艺约束。提出一个"听起来合理"的方案，只是起点；能不能复现、能不能验证、能不能追溯，才决定它走不走得下去。

所以越接近真实实验和生产，越需要明确权限边界、异常处理和人工复核。自动化的价值，要由验证结果来结账。

那人呢？人剩下的，恰恰是最贵的那部分：定义问题。机器擅长在已知边界里穷举，却不擅长判断哪条边界值得被打破。

答案正在变便宜，问题正在变昂贵。

四、协同不是扩大朋友圈，而是分工解决同一个问题

联盟覆盖四大洲，期刊刚刚创刊。先说清楚：这是起点，不是成绩单。"已经连接"不能直接写成"已经成功"。

但这种连接为什么必要？因为智能体落地所需的能力，散落在不同人手里：科研团队提出方法，企业理解需求，实验平台提供验证，出版渠道承接交流。方法找不到真问题，就停在论文里；需求接不上研究能力，就停在方案里。

有意思的是，智能体本身也是协作网络——多个智能体分工，往往强过一个大模型单干。人类的科研组织和智能体体系，正在形成某种镜像。

协同不是让所有人做同一件事，而是让不同能力解决同一个问题。

评价一个合作平台，盯住三件事就够了：有没有明确的任务，有没有共同认可的验证方式，有没有持续反馈的机制。

五、这件事对中国意味着什么

先说短板：基础理论和底层工具链，不少关键框架不在我们手上。这一点不必回避。

再说优势，恰好都在智能体最需要的地方。一是场景密度，全球门类最齐全的工业体系就在这里，每条产线都是天然实验室；二是数据厚度，几十年制造积累沉淀的工艺数据，是别人花钱也买不到的训练集；三是组织能力，把高校、院所、企业拉到一张桌子上建联盟、办期刊、定标准，在新赛道早期特别管用。

**上一轮我们跟着别人的论文跑，这一轮我们开始自己出题。**能出题的人，才有资格定规则。

六、给普通人的三条认知升级

第一，别再比"知道多少"。你知道的，机器都知道，而且更全。

第二，开始比"判断什么重要"。看到一个智能体项目，少问一句"用了多大的模型"，多问三句"解决什么任务、依据什么数据、怎样验证结果"。

第三，从执行者升级为定义者。去找那个"机器试了一万次也不知道该往哪试"的位置，那里就是你的护城河。

《圣经》里说，殷勤人的手必掌权。放在今天可以多读一层：殷勤不再只是动手快，而是把手腾出来，去做机器做不了的事。

蒸汽机没有消灭工匠，计算机没有消灭工程师，智能体也不会消灭科学家。被替代的从来不是人，而是低效的工作方式。

AI会说话，已经不新鲜了。AI会做实验、会证伪、会把一个想法推到产业化，才是真正的分水岭。

这个时代奖励的，不是最先学会用AI回答的人，而是最先学会向AI提问的人。

（唐加文，笔名金观平；本文成稿后，经AI审阅校对）