多智能体 AI 系统在真实量子物理实验室里跑通完整科研闭环

一个由 AI 智能体组成的协作团队，完成了自主科学研究迄今可能最重要的一个里程碑：一次端到端的研究周期，包括提出假设、设计实验、在真实实验室硬件上执行、发现系统性误差并修订实验方案，每一步都没有人工介入。这项工作由东京科学大学的 Mansouri、Kimura、Koga 和 Arai 于 2026 年 10 月 29 日发布在 arXiv 上，挑战了「AI 驱动的科学本质上仍是一项计算工作」的假设，并提出了一个具体的问题：基于大语言模型的系统如今能在物理实验室里提供怎样的研究自主性。

这篇论文arXiv:2610.40589，并不是以科学发现为主要内容的记录。它展示的是结构上更重要的东西：一套能以区分真正研究与研究表象的那种纪律自我约束的智能体架构。当智能体的第一次实验在数据采集过程中产生了参考测量值的漂移时，它们没有放宽验收标准，而是把结果判定为无定论，修订了测量方案，并重新进行了实验。第二次运行满足了最初的标准，支持了理论预测。失败、诚实的自我评估、纠正，这一连串行为，对任何研究系统（无论人类还是人工智能）来说都不是一件小事。

智能体在实验室里实际做了什么

这项研究聚焦于金刚石中的量子自旋系综，很可能是氮空位（NV）色心。NV 色心是金刚石晶体中原子尺度的缺陷，氮原子取代了空位旁边的碳原子。这些缺陷处的电子自旋可以被初始化、用精确计时的微波脉冲操控，并通过光学方式读出，这让它们成为量子传感和量子信息实验的标准测试平台，能在室温下运行，不需要超导量子比特所要求的低温基础设施。

实验目标是刻画这个自旋系统对一系列微波脉冲序列的响应方式。系统没有依靠人类实验者来制定校准策略，而是把问题直接交给 AI 智能体系统，要求其自主解决。智能体推导出了预测系统在整个脉冲序列族中响应所需的理论最少校准设置数量，这一过程不只依靠仿真，而是通过一套演绎过程完成，并在任何实验被投入硬件之前先经过计算验证。

这种两步检查（先作理论推导，再经计算验证，最后才执行实验）是一个鲜明的架构选择。它防止智能体把物理资源浪费在那些从逻辑上就无法区分竞争性预测的实验上，这种失效模式在人类主导的实验室里历来也造成了不小的无谓投入。

在理论框架建立并验证之后，智能体设计了旨在区分关于自旋系统行为的竞争性预测的实验。第一次实验运行看起来证实了理论结果。然后，作者把论文中一个核心的行为发现呈现了出来：在数据采集过程中反复进行的参考测量显示信号在漂移。智能体把这识别为实验不稳定的证据，而不是物理本身的信号，并把结果判定为无定论。随后，它们修订了测量方案以解决漂移来源，并第二次运行了实验。修订后的运行满足了预先设定的验收标准，支持了理论预测。

让这套系统与众不同的同行评审式架构

让这套系统区别于早期自主研究智能体的，是它以相互评审和真正的暂停能力为核心的多智能体结构。此前的单智能体系统，包括 2026 年 7 月发表的麻省理工学院 Cappellaro 实验室的重要工作，已经证明单个大语言模型可以自主运行一次 NV 色心实验：选定一个 NV 色心、校准其共振频率、运行拉姆齐干涉测量、加入 CPMG 序列来探测附近的核自旋。那项工作是有意义的进展，但它只用了单个智能体，至少有一次需要人工建议，而且硬件控制保留在智能体无法修改的确定性代码中。

Mansouri 等人的系统引入了一种不同的动态：智能体相互评估彼此的工作。当一个智能体提出一个研究问题或实验设计时，另一个智能体会对其进行评审，双方都可以暂停或重新引导研究方向。这种结构引入了一项在单一模型主导整个工作流时所缺失的检查机制。单个大语言模型可能产生盲点，在自己的上下文内沿着一条看似连贯、实则错误或不完整的推理路径走下去，或者没有注意到自己设计了一个循环论证式的实验。另一个在同样输入上独立推理的评审智能体，为发现这类问题创造了结构性的机会。

在正式投入实验执行之前要求独立的理论检查，是一项相关的保障措施。系统不是直接从假设跳到物理实验，而是先在计算上验证自己的理论推理。这种把思考步骤与执行步骤分开的做法，映照了资深科学家的工作方式，并降低了在消耗实验室时间和材料之前发现错误的成本。

这套系统的代码发布在github.com/E-zClap/auctopus，采用 CC BY 4.0 许可证。这篇 17 页的论文包含五幅图。

为什么物理实验室是比软件更难的问题

从计算研究转向物理研究，涉及一类很容易被低估的难度。当一个 AI 系统运行一次机器学习实验时，它编写代码、在受控的计算环境中执行，再读回数值结果。而物理实验引入了一整套完全不同的失效模式：设备校准漂移、样品间差异、温度效应、电磁干扰、样品制备中的人为失误、激光功率波动，以及量子系统特有的挑战，即退相干，它会以难以从第一性原理建模的方式、依赖局部电磁环境而使量子态退化。

金刚石中的 NV 色心，是室温下可用的、可控性较高的物理量子系统之一，这也是它成为热门研究平台的部分原因。NV 色心的自旋态可以通过用绿色激光照射金刚石来初始化，用微波脉冲操控，并通过测量光致发光来读出。这一流程已被充分理解，但要可靠地执行它，需要校准一系列参数：微波频率和功率、脉冲时长、读出时机，以及探测电子学的响应。当环境发生变化（因为实验室温度改变、激光发生漂移，或样品相对激光焦点移动了零点几微米）时，最优设置也会随之变化。在真实的量子传感实验室中，手动管理这些校准是一项不小的时间成本，而把它自动化是 AI 在实验物理学中最容易落地的近期应用之一。

量子传感实验中使用的微波脉冲序列，通过一系列精确计时的控制脉冲把信息编码进自旋态。包括拉姆齐光谱和CPMG（Carr-Purcell-Meiboom-Gill）动态解耦序列在内的一类常见序列，通过改变脉冲的时机和数量来探测自旋与环境相互作用的不同方面。要预测自旋系统在整个序列族上的响应，而不是逐一刻画每个序列，需要用解析方法推导出脉冲参数与响应之间的关系。这正是 Mansouri 等人的智能体所做的：推导出预测整个序列族响应所需的最小校准集，再设计实验来检验相互竞争的理论预测。

这项工作在快速演进的 AI 科研版图中处于什么位置

自主 AI 研究这个社区已经迅速走过了一篇综述论文（arXiv:2510.23045）所归纳的三代演进：聚焦单个研究步骤的基础模块（2022 至 2023 年）、集成化的闭环系统（2024 年），以及当前这个强调可扩展性和人机协作的阶段（2025 年至今）。

最知名的闭环系统是Sakana AI Scientist，2026 年 3 月发表于《自然》。它在机器学习领域运行完整的研究流水线：从一个研究方向生成想法、编写并运行实验代码、撰写论文，并进行自动化的同行评审。一篇 AI 撰写的论文通过了 ICLR 2025 工作坊的评审，Sakana 称其为首篇通过正式学术审查的 AI 生成论文。但 Sakana 系统完全在计算领域内运作。它编写 Python、运行模型、分析输出、撰写论文，一切都在软件环境中完成。它从未碰过实验室仪器、管理过物理实验，或在数据采集中遇到过硬件故障。当 Sakana 的作者承认局限性时，提到的是「构思不成熟、实现错误、实验误差和幻觉引用」，这些都是在生成文本和代码时出现的问题，而不是在管理物理现实时出现的问题。

软件实验与物理实验之间的差距，正是 Mansouri 等人这项工作所要解决的。物理系统失效的方式是软件所没有的。量子传感实验中的信号漂移，可能来自激光功率波动、样品支架的热效应、电磁干扰，或磁场的缓慢变化。这些现象，无论多少代码审查或提示词工程都无法预料。一个能识别物理实验失效、把它与真正的物理结果区分开、并作出恰当响应的系统，展示出的是一种在纯计算系统中找不到对应物的稳健性。

2026 年 6 月宣布的PNNL AutoLabs 系统同样运行在一个真实的物理实验室里，这是一个使用自动化 Unchained Labs 机器人的电池材料表征设施。但 AutoLabs 做的是把实验目标翻译成机器人指令，它不生成假设、不解读结果，也不会根据实验失败来修订方案。它是加速特定实验工作流的强大工具，而不是一个研究智能体。

因此，当前 AI 科研系统的光谱可以这样理解：AutoLabs 以及类似的任务自动化工具，在人类设定的工作流内完成执行。Sakana AI Scientist 及相关系统在计算层面闭合了从想法到产出的循环，但仅限于软件之内。麻省理工 Cappellaro 的单智能体系统，用单个模型和硬件安全护栏，在真实的物理量子实验室里闭合了这个循环。而 Mansouri 等人的系统，用多个相互评审彼此工作的智能体、一项暂停能力，以及在真实物理实验失效下展示出的自我纠正，在物理量子实验室里闭合了这个循环。

信号漂移的那一刻，揭示了什么是科学诚信

这篇论文中分析意义最重大的事件，是智能体选择不做的事。当参考测量显示出漂移时，智能体本可以保留这个结果、套用一个事后修正系数，或悄悄调整验收阈值让第一次运行过关。遗憾的是，这些也是人类研究中真实存在的失效模式，在时间或发表压力下走捷径，是许多领域可复现性问题的一个原因。

智能体没有做这些事中的任何一件。它们把这次运行标记为无定论，然后重新开始。

这种行为特质（在面对不利结果时仍坚持预先设定的标准）并不是可以默认存在于任何 AI 系统中的东西，它必须经过设计才能出现。Mansouri 等人的架构能产生这种行为，可以说比它最终得出的校准结果更有意义。一个在现实与之不符时悄悄调整标准、却仍产出看似合乎科学的结果的系统，比没用还糟糕，它制造的是虚假的信心。而一个把无定论的结果老实称为无定论的系统，才是可以信任的。

这与人们对 AI 生成研究的更广泛担忧形成了鲜明对比。AI Scientist 那篇综述指出，稳健性和治理是这一领域目前最主要的开放挑战。具体的治理担忧在于，自主研究系统可能用大量看似合理、实则薄弱或不可靠的论文淹没同行评审，或者收敛到那些恰好印证自身训练偏差的结果上。一个拥有预先设定验收标准和暂停能力的多智能体系统，至少在结构上能抵御这种失效的一种版本：它无法接受一个自己事先已经决定要拒绝的结果。

多智能体设计与单智能体、人在回路系统相比如何

有必要准确说明多智能体同行评审结构究竟实现了什么、没有实现什么。这里的「同行评审」一词，含义不同于人类的学术同行评审：它指的是，在智能体系统内部，在采取有实际后果的行动之前，一个智能体的推理会由另一个智能体来评估。这在结构上类似于结对编程（两位开发者评审同一段代码），或实证研究中的预注册要求（在数据采集开始之前，就先把假设和验收标准定下来）。

最直接的前身是麻省理工 Cappellaro 实验室 2026 年 7 月的系统，它以单个在极高推理强度下运行的 GPT-5.5 智能体作为主要驱动，硬件安全则由确定性代码控制。那套系统实现了相当程度的自主性，完成了三次完整的 NV 实验，耗时从 6.3 到 22.2 小时不等，但至少有一次需要人工建议，涉及一个智能体无法独立解决的校准偏移。Cappellaro 团队的离线基准测试还显示，更高的推理强度改善了假设的形成，但当模型只有脉冲序列信息、没有预期信号约束时，会在数据评估中产生新的失效模式。这说明单智能体的表现在很大程度上取决于提示词设计和推理强度，而这些很难系统地加以控制。

在实验执行之前，由第二个智能体评审第一个智能体提出的设计，或许能缓解一部分这种对提示词的依赖问题，因为评审智能体推理的对象是提案本身，而不是直接面对原始实验数据。这一结构性论点能否在不同类型的物理问题上得到经验验证，是论文提出、却无法在单一研究中完全回答的问题。它展示出的是，这种架构可以被实现，并且至少在一次真实实验条件下，能够产出暂停并修订的行为。

人在回路的系统，对大多数量子实验室来说仍是标准做法。典型的工作流程是由研究生或博士后设计实验、配置仪器控制软件、监控数据采集、定期检查参考测量，并判断数据质量何时足够。Mansouri 等人的结果表明，一个多智能体系统如今可以在数据采集期间无需人在现场的情况下，完成监控、质量检查和方案修订这些步骤。它并没有消除人类设置物理装置、选择研究方向，或在更广阔的科学背景下解读结果的必要性。但它消除了在实验设计与经过验证的实验产出之间，必须有人在回路中的要求。

约束与悬而未决的问题

在撰写本文时，公开摘要中还无法获取这套系统的若干重要信息。摘要中没有说明各个智能体角色使用的具体大语言模型，也没有说明智能体的确切数量或各自的功能。作者的完整论文（17 页、五幅图）包含这些细节，但架构上的具体选择（系统用的是通用前沿模型、针对物理微调的模型，还是两者的组合）直接关系到这种方法能在多大程度上推广。

这项实验研究的是一个物理系统（金刚石中的量子自旋），使用一类控制技术（微波脉冲序列）。把这种架构扩展到反馈周期更长、物理状态空间更复杂，或实验参数族更大的问题上，目前还未得到证明。校准一族微波脉冲是一个有明确验收标准、界定清晰的问题；许多重要的科学问题并没有这样的清晰度。

这篇论文的代码是开源的，这让其他研究团队有可能在各自的实验室环境中尝试这一方法。auctopus 这套架构能否推广到其他物理系统（冷原子、超导量子比特、材料合成、光学实验），将由社区的后续工作来决定。东京科学大学这个课题组，也可能是在为这套系统在基础研究之外的量子传感应用做铺垫：Keigo Arai 的实验室此前发表过关于机器学习辅助量子传感、磁成像和高压物理应用的研究，自主校准和方案管理在这些场景中会有直接的实用价值。

多智能体同行评审结构也引入了一种值得考虑的新失效模式：智能体之间的分歧。当评审智能体对一个假设或实验设计是否合理意见不一时，系统需要一套解决机制。摘要没有详细描述这一点，而它的设计可能会显著影响系统在有争议情形下的行为。

无人完全解决的治理维度

Sakana AI Scientist 团队主动撤回了他们的系统提交给学术会议的所有论文，理由是担心为 AI 生成的出版物过早设定规范。这种谨慎反映了 AI 科研领域的一种真实张力：目标是加速发现，但让科学知识可信的机制（独立验证、复现，以及由相关领域专家进行的批判性同行评审）可能会被数量激增的 AI 生成论文淹没，其中许多论文可能看似合理，实则有微妙的错误。

Mansouri 等人的架构处理的是这一治理问题的另一个版本：在生成阶段，而不是在传播阶段。智能体在实验失败后拒绝降低验收标准，这一设计选择防止了一类科学诚信失效，即对结果进行事后的合理化。但它没有解决另一些情况：如果智能体一开始的理论框架就是错的、物理系统的表现与智能体所用的模型不同，或者验收标准本身界定不清，会发生什么。在当前的架构中，这些仍然是人类的责任。

这一区别对研究机构、资助方和期刊应如何看待 AI 科研系统很重要。一个能按预先设定的标准自主采集经过验证数据的系统，是一件强大的实验室工具。而一个同时生成理论框架、并自行选择验收标准的系统，其运作层级需要专家的审视，因为如果这些假设本身是错的，那么这套运行得如此可靠的验证循环，验证的就是错误的东西。多智能体同行评审结构降低了这一风险，但没有消除它，因为在相似数据上训练出来的智能体，可能共享系统性的偏差，再多的相互评审也无法将其暴露出来。

对研究基础设施的影响，以及接下来会发生什么

Mansouri 等人的这一结果，出现在多个研究团队正竞相在各个科学领域展示类似能力之际。NIST 团队发表过关于自主自旋波谱学混合主动学习方法的研究。麻省理工 Cappellaro 实验室 2026 年 7 月的单智能体 NV 实验工作，是最直接的前身。自然的下一步是在更长的实验周期中实现多智能体协调：一个不只能运行一次校准研究、而能运行一系列相互关联的实验、并根据发现不断更新自己研究议程的系统。

对物理学界来说，近期的实际意义是：一个展示出自我纠正行为的多智能体系统，可以被部署为无人值守的夜间实验智能体，运行目前需要研究生守在仪器旁才能完成的校准研究、初步表征或参数扫描。在 GPT-5 级系统目前所处的模型规模下，这类运行的成本和延迟正变得越来越可控。

对更广泛的 AI 科研领域来说，这篇论文贡献了一个比排行榜基准更难作弊的行为基准：当一次物理实验产生不利数据时，系统是否坚持了自己的验收标准？这个问题（以及这里给出的答案），将影响研究界如何理解自主研究诚信的真正含义，而此刻，针对 AI 生成科学的治理框架仍在制定之中。