上海一群青年，造了個學術版OpenClaw

金磊 發自 上海
量子位 | 公眾號 QbitAI

搞科研，現在也能用龍蝦（OpenClaw）的方式打開了！

例如我們向學術版龍蝦提一個真實且專業的科研問題：

• 我正在研究心肌病的基因調控網絡。目前在單細胞轉錄組學數據分析中，有哪些方法可以用來預測細胞狀態的轉變？

視頻地址：https://mp.weixin.qq.com/s/tysZhj1pWIEqEegVWQ7HtA

可以看到，學術版龍蝦先是根據這個問題，從5億篇文獻中精準定位與問題高度相關的研究，找到了MIT和哈佛聯合發布的Geneformer。

但我們肯定是需要更高的精準度和更優的架構，這時候，學術版龍蝦就會繼續自主執行：

14個智能體同時并行，提出方案、評估、優化代碼，迭代11輪，最終將性能提升了11%以上！

要知道，這要放以前，一個研究生要做完這些工作可是要花上起碼半個月的時間。

嗯，科學探索領域的人們，終于是品嘗到了“龍蝦肉”的高能動性。

那么這個學術版龍蝦到底是何許AI是也？

不賣關子，它正是由上海科學智能研究院（上智院）聯合復旦大學最新發布的超級科研合伙人——大圣。

是一個系統級的、面向科學探索的高能動性智能體，致力于持續推動科研范式變革。

剛才的案例便是由上智院院長、復旦大學特聘教授、無限光年創始人漆遠親自展示的真實場景。

而之所以取這個名字，背后的原因很簡單：

• 天下苦科研久矣。很多科研人員都自嘲是苦行僧，搞科研就像經歷九九八十一難，大圣就像保護唐僧一樣，護送科學家攻克科研難題。

但畢竟科研完全不同于點外賣、發郵件。

它需要理解RNA序列、分子結構、氣象場數據；需要并行探索多條路徑，容忍失敗，沉淀非共識；更需要安全可信，不能幫倒忙，更不能泄露數據。

那么大圣到底能否做到呢？我們繼續往下看。

學術版OpenClaw，上天入體的那種

剛才演示的“研究心肌病的基因調控網絡”，其實只是大圣能力的冰山一角。

縱觀整場發布會之后，我們不難發現，大圣真的如其名，是已經做到了“上天入體”的那種。

生命科學：實現了干濕閉環

對于生命科學領域的研發而言，很大的痛點之一便是干濕分離。

計算機里算出來的模型（干實驗），在現實世界的生物實驗室（濕實驗）里往往面臨驗證困難、人工低效的難題，導致大量的時間和資金被浪費在無效的實驗試錯上。

但在現場，上智院的生命科學方向AI科學家郭昕便向大圣發出了這樣的三連問：

• AGT靶點的機制是什么？
• 請幫我設計20條siRNA序列，可以從文獻中總結一些規律。
• 用Huh7細胞系設計實驗。

視頻地址：https://mp.weixin.qq.com/s/tysZhj1pWIEqEegVWQ7HtA

AGT是治療原發性高血壓的明星靶點，而siRNA藥物設計則需要極高的精準度與高效的實驗驗證。

大圣不僅迅速回答了靶點機制，還基于文獻總結了GC含量等關鍵規律，生成了序列。

隨后，郭昕點擊了AI費米卡片，系統直接聯動了自驅動的生命實驗室。

視頻地址：https://mp.weixin.qq.com/s/tysZhj1pWIEqEegVWQ7HtA

現場連線中，實驗室工程師確認設備自檢完成，機械臂開始舞動。高通量多智能體正在進行細胞感染的核心實驗動作，脂質體介導的轉染操作在16分鐘內完成了96個樣本。

相較于傳統手工實驗，效率提升了3到4倍。更重要的是，實驗數據自動回傳，形成“設計-執行-反饋-優化”的干濕閉環，大幅提升了siRNA設計的成功率。

基座模型：多模態理解的突破

數據的模態復雜性，同樣也是AI面臨的一大挑戰。

上智院共性技術部主任研究員譚志羽，在現場則是展示了大圣在處理RNA結構數據時的能力。

他先是輸入了一張RNA模態的二級結構數據，并結合自然語言指令：

• How would you categorize this RNA contact map in terms of RNA families?

模型不僅準確分類，還輸出了細膩的細節幫助理解。

緊接著，譚志羽要求設計一個能識別并殺害癌變細胞的Toehold Switch RNA序列：

• The first RNA is the trigger and the second is the linker. Design a high-performance toehold switch sequence.

大圣直接理解了這些多源科學條件，跳過了繁瑣的文本轉換，直接輸出了可用于實驗驗證的高性能序列。

當需要更換Trigger重新設計時，模型在同一個上下文中完美繼承了之前的 Linker 信息，實現了真正的多模態對齊與生成：

• Use this as the new trigger and keep the same linker from the previous turn. Design a new toehold switch sequence.

地球科學：大圣也已經上天

除了像RNA這種層面的“入體”，大圣的觸角甚至伸向了太空。

據了解，基于伏羲氣象大模型的積累，上智院已與復旦大學、之江實驗室完成了“空地數據互聯—伏羲模型上天—星上計算”的閉環鏈路驗證。

上智院地球科學方向AI科學家孫修宇介紹，想在天上進行科學計算有諸多挑戰，傳統的科學計算復雜度太高，無法部署在太空。上智院和復旦大學的聯合研究團隊使用伏羲大模型替代物理求解，并對它進行了輕量化改造，成功將其送上太空，讓太空科學計算變成可能。

目前，該模型已在軌穩定運行一個月，完成了從地面數據上傳到星上計算推理到核心數據回傳的完整閉環鏈路驗證。

下一步，團隊計劃發射更多衛星星座，補齊全球氣象觀測短板，提供更低時延、更準確的天氣預報服務。

人文科學：還有蘇格拉底式的思辨

除了硬科學，大圣在人文社科領域同樣表現出色。

上智院研究員、格物致研聯合創始人王雯莉演示了中華文化通識教育的案例。

視頻地址：https://mp.weixin.qq.com/s/tysZhj1pWIEqEegVWQ7HtA

面對學生提出的問題，大圣不會丟出死板的百科定義，而是編排出一條高效的教學workflow，串聯起一場蘇格拉底式的深度思辨，旨在培養學生的獨立思考能力。

涵蓋生命健康、地球科學、物質科學、數學與計算、通識教育……這就是大圣的“七十二變”，一個真正意義上的全域科學智能體。

大圣煉成記：黃浦江畔的青年科學家們

大圣能在科研領域打造出這般 “龍蝦式” 的高效玩法，背后是研發團隊對底層 AI 架構的徹底重構，更是黃浦江畔一群青年科學家的智慧與心血凝聚。

去年7月在上海舉辦的世界人工智能大會上，上智院、復旦大學與無限光年共建的星河啟智科學智能開放平臺正式亮相。歷經大半年的持續迭代，如今的星河啟智已匯聚400余個科學模型，沉淀22PB級高價值數據與5億篇文獻專利資源，而大圣，正是這個平臺全面升級后的重磅成果。

要理解大圣是如何煉成的，必須深入其不斷進化的系統級專業能力，而每一項核心技術的突破，都對應著一位科研骨干的攻堅故事。

大圣的大腦：多模態科學基礎模型

科學數據往往是人類不可讀的模態，如RNA序列、分子結構、氣象流場等。主流的科學大模型往往將這些數據轉化為文本處理，但這會導致關鍵信息的丟失。

“我們需要一個真正的能夠多個科學模態對齊的科學領域的基礎模型。”譚志羽深知其中的痛點。

原本主攻通用視覺模型的他，加入上智院后，既肩負著共性技術團隊的管理重任，更帶頭攻堅構建起神珍科學多模態基礎模型，走出了科學大模型研發的第三條路。

不同于學科專用模型缺乏多科學模態信息融合，也不同于文本統一式模型造成科學信息失真，神珍模型實現了原生多科學模態輸入與生成。

每一個科學模態都有專用科學領域的Tokenizer，生成原生高保真的Science Token。這意味著，模型輸出的數據可以再次作為輸入，具備自反思能力，從而實現長思考、長思考。

上智院一直深耕AI4S領域并沉淀了女媧、伏羲、燧人等垂直領域科學大模型的多個高質量科學Tokenizer，使得大圣在文本科學推理上達到業界SOTA水平，同時在RNA理解與生成上與專用模型持平。這是大圣能夠理解科學語言的基石。

大圣的記憶：多分支群體記憶架構

有了大腦還不夠，大圣且得需要一個穩定的群體記憶。

現有的智能體多為單線程記憶，容易在科研的多路徑探索中發生記憶混亂，導致失敗經驗被丟棄，少數派觀點被忽略。

“科研的過程是一個路徑多、周期長的過程。”上智院數據平臺工程高級工程師沈礫捷總結道。

并且他還發現，現有智能體的單線程記憶模式，在科研場景中極易出現記憶混亂：失敗的經驗被輕易丟棄，少數派的非共識觀點被忽略，甚至會因記憶覆蓋導致研究源頭無法追溯。

因此，沈礫捷精準總結出了單體記憶的三大核心挑戰：信息回溯依賴相似性而非正確性，迭代中記憶覆蓋造成源頭丟失，錯誤經驗直接拋棄引發知識流失。

有著多年產業界工程研發經驗的沈礫捷，將軟件工程中Git版本管理的核心思想，創新性引入智能體記憶架構設計，為大圣打造出獨有的多分支群體記憶方案。

這套架構以海量文獻為基礎，搭建起主體認知主干；當大圣啟動多個分身并行探索科研路徑時，每個分身都擁有獨立的記憶分支與專屬數據存儲，實現了信息的有效隔離。

這種隔離帶來了雙向保護：既守住了主體認知的安全底線，也為非共識的少數派記憶分支，提供了自由探索的安全環境。

而無論是成功的經驗還是失敗的教訓，經過專業審核后，都會回流至主體認知，并通過廣播總線同步至整個記憶網絡，讓每一次探索都成為大圣的 “成長養分”。

目前，這套多分支群體記憶架構，已落地于上海市科學智能百團百項超寬禁帶半導體研發項目，成功支撐起十余個專業智能體的有序協同，在實際科研場景中驗證了其價值。

大圣的法器：場景驗證Skills

有了能力和記憶，還需要靠譜的執行工具。

在人工智能行業，這被稱為 Skills（技能包）。但科研領域的Skills不能僅是提示詞工程，必須是經過真實場景驗證的流程。

王雯莉擁有豐富的藥物研發經驗，她將自己主導10+藥物管線的經驗，提煉成一個個可復用的Skills。

她強調，大圣的Skills體系并非從概念出發，而是源自對真實科研任務的反復實踐。

目前，這套體系已形成300余個可復用Skills，覆蓋物質、生命、地球、人文社科四大學科群，20多個科研場景。

在新型補鋰劑分子研發中，成果直接轉化2000萬元并獲得數億投資；在某難成藥靶點藥物研發中，潛在價值估計高達5億美元。

除此之外，聚焦到王雯莉個人，作為上智院物質科學團隊的核心骨干，她長期處于技術研發與產業落地的交匯點，在復雜真實場景中積累了豐富而成熟的實踐經驗。

如今作為上智院孵化企業“格物智研”的聯合創始人，她正以科研普惠為使命，推動AI真正走進科研一線。由格物智研打造的AI科研驗證基礎設施平臺即將于今年6月上線，讓AI從工具升級為科學家的伙伴，成為科創探索者的"超級科研合伙人"。

大圣的緊箍咒：安全可信與閉環

高能動性的智能體必須戴上金箍。

為此，無限光年高級產品專家楊鵬達介紹了大圣的安全體系。

他介紹說，傳統的智能體安全存在不可能三角，即高自主性、高安全、低資源消耗往往難以兼得。

大圣則是通過體系化設計，分三層來做到保障：

• 執行層（Skill 內容安全、沙箱環境安全、MCP 服務安全）
• 協作層（智能體互聯安全、隱私計算）
• 存證溯源層（分布式賬本、血緣計算）

特別是沙箱安全，與云原生架構深度融合，支持亞秒級啟動和獨立內核，每個沙箱都裝備了全堆棧實時審計。

隱私計算混合架構，性能損耗降至3%以內，與智能體安全互聯相結合，實現了“數據不外流、任務可進場”。

在“大圣”與上海氣象局和上海庫帕思科技有限公司的合作中，高保密數據僅需返回預警指標，海量PB級數據僅需返回相似案例，最終由大圣整合輸出，讓原本不可用的數據變得可用，讓海量數據查詢變得高效。

如其名，當大圣戴上“金箍”、腦中響起安全相關的緊箍咒，在以往高自主性、高安全、低資源消耗不可能三角里，實現了關關難過關關過。

全面鏈接物理世界：大圣的自驅動實驗室

數字世界的模型迭代或許只需秒級，但物理世界的真值驗證，卻往往是一場漫長的跋涉。

人工實驗不僅耗時費力、復現困難，即便是當前主流的自動化實驗室，也多依賴預設腳本運行，缺乏對物理世界的主動探索與真值反饋。

基于智能體自主探索與軟硬一體調度，大圣提出“上天入體”的科學全域閉環：通過自驅動的生命實驗室與天算實驗室，實現全天候、跨尺度的物理實證。

像郭昕和孫修宇介紹的自驅動的生命實驗室和天算實驗室，則是代表了剛才我們提到的大圣的“入體”和“上天”。

郭昕堅信AI必須走向物理驗證。他主導的干濕閉環實驗，讓大圣的建議不再是紙上談兵。通過強化學習串起軟件到硬件的閉環，模型隨著實驗數據的積累越學越智能。例如我們上面展示的藥物研發案例就是很好的詮釋。

孫修宇則致力于讓計算能力推向太空觀測前沿。他所在的團隊完成了伏羲模型在星載計算機上的推理驗證，接下來計劃與業界伙伴合作共建AI氣象星座，讓它不僅僅是為互聯網服務，更可以智能地成為理解地球的眼睛和大腦。

那么大圣背后的這群青年科學家，為何選擇聚集在上智院？

對于這個問題，在量子位與他們交流的過程中得到了答案。

在王雯莉看來：

• 在上智院，領域科學家和AI專家、工程師都聚在一塊兒，每個人有各自擅長的東西、經常面對面碰撞想法。這樣創造出來的東西自帶各方基因。

量子位用原生多模態融合來比喻這種人才配比時，王雯莉連連點頭表示認可。

郭昕也表達了他的看法：

• 比如DeepMind創始人哈薩比斯，他是一個極其綜合之人，既有計算機的背景，也有神經生物學的背景，既開發過知名游戲，也是國際象棋大師，他把DeepMind打造出了非常好的融合氛圍，可見想要把科學智能做到頂級，人與人的融合是必須的。在上智院，我們不僅是在心理上是近的，物理上也是在一個空間的。

除此之外，沈礫捷對在上智院工作的整體自由度也是極其認可：

• 這里不僅有自由度極高的探索環境，不用打卡、允許想法落地，更重要的是在有組織科研的框架下配有海量的高質量算力、充足的資源。

或許也正是因為如此的科研環境，才有了此前上智院PackingStar推動三百年數學難題“親吻數”的突破，也才有了如今大圣的系統性進化。

One More Thing：

發布會最后，復旦大學校長助理、上智院理事長、上海創智學院副院長吳力波介紹了第四屆世界科學智能大賽的創新賽道——AI4S智能體CNS挑戰賽。

她說，這場賽事試圖組織科研技術新秀回答一個關鍵問題：智能體能否深度參與并推動頂級科學問題的解決。

與通常的技術賽不同，AI4S智能體CNS挑戰賽要求參賽團隊研發的智能體獨立完成文獻理解、代碼重構、假設提出、實驗驗證與結果迭代，挑戰并超越CNS等頂級期刊已發表成果及同等級研究的當前SOTA。

本次挑戰賽賽題組組長、復旦大學研究員、上智院AI科學家屈超在與量子位的交流中也表示：

• 我們賽事的初衷，便是讓科學回歸科學，讓Agent承擔繁瑣工作。減少科研人員在文獻調研、復現baseline、寫代碼等重復性工作上的時間消耗。

賽事將分為初賽、復賽、決賽三個賽段，共設置四項挑戰任務，包括：高通量藥物虛擬篩選優化、靶向分子設計與逆合成規劃閉環、蛋白質構象系綜生成挑戰以及神經算子自動改進。評審包括金力、龔新高等頂尖科學家。

大圣只是一個開始。

科學探索路上的“唐僧”們，要不要共同求取科研的真經？感興趣的小伙伴可以報名AI4S智能體CNS挑戰賽哦~