AIMS 把实验里的不确定性转成下一步动作，科学 agent 的边界更清楚了

斯坦福、麻省理工学院等机构的研究团队把一个 AI agent 接进了低温量子材料实验：它要处理的不是一份干净的数据集，而是会漂移的仪器、分布不均的样本，以及同一组数据对应的多种物理解释。论文里的 AIMS 用三个闭环处理三种不确定性：我现在在哪里、应该在哪里测、这些数据到底支持哪种机制。1

这项工作最有价值的地方，不是证明 AI 已经会做科学，而是把「科学判断」拆成了一串可以检查的动作。一个 agent 如果只能照着脚本把实验跑完，它只是自动化；如果它能发现观测不可靠，改变下一步计划，并保留互相竞争的解释，才开始触及研究工作的难处。

AIMS 运行在低温微波阻抗显微镜上。这类实验有一个很具体的麻烦：样品降温后，探针可能偏离原来的位置；样品内部的有效区域很小，不能假定随便找一点就能测到想要的信号；即使信号测到了，经典机制、量子机制和样品无序也可能留下相似的迹象。论文把这三个问题分别做成导航环、测量环和发现环，而不是把「不确定」留在报告最后的一句免责声明里。1

第一环处理「我在哪里」。研究团队把探针从随机方向上移开约 500 微米，再让 AIMS 通过标记图案和扫描图像找回样品位置。在一次流程里，系统用 6 次扫描把探针带到样品中心 150 微米以内。遇到图像质量差、探针碰到表面碎屑等情况，它会标记高不确定度，并选择重新扫描或用高斯过程重建图像。和人类操作、脚本控制的流程相比，论文报告导航总时间从约 10 小时降到约 4 小时。1

这里的重点不是 4 小时这个数字本身。自动化脚本也能重复一套顺利流程，真正拉开差别的是 AIMS 没有把坏图像当成正常输入继续往下走。它把「我对当前位置没有把握」变成了重新获取证据的动作。对实验来说，这比一句「模型置信度 62%」有用得多，因为置信度必须能改变计划，才会进入科学工作流。

第二环处理「应该在哪里测」。AIMS 先在较大区域扫描，再根据相邻栅压下的图像变化筛出相关响应更强的区域，然后用网格光谱测量 twist angle 和局部无序，最后按信号数量、信号深度、噪声和与预期填充的偏差给候选点排序。研究者用独立的图像指标和更密的人定义网格复核，人工选出的最佳位置与 AIMS 的选择相差约 200 纳米。1

这一步体现的是「测什么」之外的另一个问题：「在哪里测，才不会把样品的偶然性误当成物理规律？」AIMS 没有直接把研究者的经验删掉，而是把原本带有主观色彩的选点过程变成了可重复的评分、复核和回写。研究者仍然可以检查它的选择，系统也没有把一次排序包装成最终结论。

第三环处理「这些数据支持什么解释」。论文研究的是扭转双层 MoSe₂ 中不同填充状态的热稳定性。研究者先给出经典热机制和受量子涨落影响的机制，AIMS 再根据模型残差、测量限制和样品不均匀性扩展出其它可能，包括 twist domain 不均、测量信号只是热力学熔化的不完美代理，以及超越平均场的物理。它不要求在第一轮就从两个选项中选出一个，而是为每个未解决的不确定性提出下一次计算、校准或测量，再用新增证据更新机制排序。1

这使「会不会推理」变成了一个更难、也更可观察的问题：它是否知道下一步证据应该是什么。一个模型能生成十个漂亮假设，并不等于它能区分哪项实验最有机会淘汰其中九个。AIMS 展示的是一个窄场景里的工程答案，离普遍的科学判断还有很远，但它把验证能力从一句口号拆成了可审计的行动链。

Google DeepMind 在 2026 年 7 月关于科学 agent 的文章中，把当前变化概括为「猜想机器」：agent 可以快速生成假设和候选方案，现实世界的反驳仍然需要实验、机构和同行评议，速度慢、成本高。文章还承认，科学家需要的不只是论文里写得清楚的知识，还有在失败中形成的默会经验，例如如何让细胞系长好、如何判断一次模拟是否真的跑对。2

AIMS 对这个判断的补充是：人的作用不一定只剩最后签字。研究者在实验开始前提供科学问题、初始假设和安全约束，agent 负责扩展假设空间、安排测量、处理失败和提出区分机制的后续动作。人把方向和边界放在前面，机器在边界内承担高频的搜索与证据更新。这个分工比「AI 做，人在环路中监督」具体得多，因为它指出了监督发生在哪些节点，以及什么样的输出值得被否决。

当然，AIMS 的证据范围很窄。它是一篇 2026 年 7 月 17 日提交的 arXiv 预印本，实验对象是特定的低温显微镜和量子材料流程。论文显示了一个系统如何在三类不确定性之间切换，并用独立指标、不同起点、人类定义网格和盲评做了对照；它没有证明同样的设计能迁移到生物实验、临床研究或开放式理论发现，更没有证明研究者可以放弃问题设定。1

这也是判断科学 agent 时应该保留的尺度感：不要只看它是否完成任务，要看它在任务失败或证据不足时做了什么。它有没有停下来重新测量？有没有改变测量位置？有没有把竞争解释保留下来？有没有把人类无法接受的风险动作挡在边界外？如果这些问题没有答案，所谓自主性可能只是把不透明的流程跑得更快。

宾夕法尼亚大学、卡内基梅隆大学和哈佛商学院的研究者发布 BusinessCaseBench，用 238 个商学院案例生成 615 道题，覆盖 18 个商业学科，测试模型在不完整信息、权衡取舍和多方利益冲突中的分析能力。三款前沿模型的部分得分为 81.6% 至 88.4%，但要求满足评分标准全部条件时，最高只有 49.6%，最低为 32.0%。研究者因此把高部分得分解释为强草稿，而不是无需审阅的完整答案。3

这个差距和 AIMS 的发现环是同一个提醒：判断不能由一个漂亮的平均分代替。完整性、遗漏了什么、下一步如何补证据，才决定输出能不能进入真实工作。

Emmanuel Jeannot 在 2026 年 7 月提交的论文《The Industrialization of Research》中，把 AI 参与研究描述成从「研究者掌握完整过程」转向「机器管道加人类监督」，并提出三个风险：学徒制传递的默会知识可能变薄，机器生成结果可能超过人的理解速度，同行评估可能被输出洪水压垮。它是一篇观点性预印本，不是对这些后果的独立实证测量，但提出了 AIMS 没有解决的长期问题：如果年轻研究者越来越少亲自经历定位、测量、失败和复核，他们以后凭什么判断 agent 的动作是否合理？4

AIMS 让我们看到了一种可行的分工，BusinessCaseBench 提醒我们别把高分当验收，工业化研究的讨论则把时间尺度拉长到人的训练。三者合在一起，科学 agent 当前最值得追踪的指标不是它能生成多少答案，而是它能否把不确定性变成可复核的下一步，同时让人类仍然有机会学会为什么这一步值得做。