当Moderna的个性化mRNA癌症疫苗III期临床大获成功、Anthropic让Claude自主完成蛋白质设计全流程之时，AI4S已经用一个个里程碑证明：AI不仅能回答问题，更能执行真实的科研任务。8月24日，深势科技正式发布玻尔·科学空间公开测试版，为科研人员与AI科学家共同完成科研任务提供统一的桌面端工作环境。这款产品连接本地与云端的科学数据、计算和实验资源，将面向不同学科的AI科学家内置到科研流程之中，让研究者只需提问与确认，剩下的大量"体力活"，从文献检索到实验设计再到结果分析，都交给AI科学家去完成。
真实的科研工作，起点是一条条复杂而漫长的执行链路。文献和数据分散在不同平台，难以有效辨别与整合；多变的环境配置、参数调试让假设验证处处受限；大量时间被迫耗费在清洗数据、制作图表、解释结果这些"体力活"上。据相关统计，科研人员平均有超过一半的工作时间花在与研究核心无关的流程性事务上，真正用于提出新问题、理解深层机制的精力被严重挤压。这既是科研效率的痛点，也是AI4S产品化的机会所在。
玻尔·科学空间的定位，正是要把科学家从搜索、整理、验证、复现和沟通之中解脱出来，让他们把精力专注于提出更大胆的问题、理解更深层的机制、做出更重要的发现。深势科技将这款产品设计为"研究者提问，AI执行"的协作模式：研究者负责设定科学问题、判断方向、确认结果，AI科学家负责完成信息检索、方案设计、数据分析、图表制作等流程性工作，双方在同一个桌面环境中无缝协作，科研的"干湿闭环"由此打通。
玻尔·科学空间的核心组件之一，是面向科研全流程的AI科学家SciMaster。面对一个新的研究课题，最难的不是"搜到更多论文"，而是从海量信息中分清：哪些已经成为共识，哪些仍有争议，哪些地方还没有人回答。SciMaster会围绕研究问题自动检索文献与专利，不仅理解论文中的文字，还能读懂图表、分子和公式，形成结构化的调研结果，并进一步梳理研究共识、矛盾与空白，协助研究者提出有依据、可检验的研究假设。
当一个假设具备推进价值时，SciMaster还能结合已有研究、可用数据和实验条件，生成可执行的实验设计方案，明确研究变量、技术路线、关键步骤与结果判定方式。这种"从调研到假设到方案"的完整支持，让科研人员在项目启动阶段就获得了一位经验丰富的科研助理的全方位协助。据深势科技介绍，产品还连接了本地与云端的科学数据、计算和实验资源，研究者可以在同一界面内调用分子模拟、材料计算等深势科技多年积累的科学计算能力，让方案设计直接对接执行环节。
玻尔·科学空间的价值，不止于单点功能的堆叠，而在于把科研任务的全流程贯通起来。在文献调研阶段，AI科学家完成信息收集与判断，提供可执行的假设起点；在实验设计阶段，AI科学家生成方案并匹配可用的计算与实验资源；在数据分析阶段，AI科学家自动清洗数据、制作图表、解释结果；在论文撰写阶段，AI科学家协助整理文献、规范格式。研究者在每个环节只需提问、审核与确认，整个科研链条的效率因此大幅提升。
这种"研究者负责判断、AI负责执行"的分工模式，正在成为AI4S落地的主流范式。从行业动态看，AI制药企业已经在用AI完成靶点发现、分子设计、临床前研究等环节，科研服务机构则在用自动化实验机器人承接高通量验证工作，而玻尔·科学空间这类面向科研人员的通用工作台，则试图把AI能力普惠到每一个课题组。深势科技此前已将AI for Science的理念贯穿于药物研发与材料设计业务，此次发布的科学空间，可以看作其把内部能力产品化、向整个科研社区开放的一次重要尝试，也标志着AI4S正从"辅助计算"走向"自主科研"的新阶段。
AI科学家接管"体力活"之后，科研人员的角色将发生深刻转变。过去，科研人员是"全能选手"，既要懂科学，又要会编程、会做实验、会写文章；未来，科研人员更接近"科学指挥官"，核心能力变成提出好问题、判断研究价值、把握方向与质量。这种转变对科研人才培养提出了新要求：如何与AI科学家高效协作，如何验证AI给出的方案与结论，如何在AI辅助下保持科学判断的独立性，都将成为新时代科研工作者的必修课。
当然，AI科学家全面上岗仍面临现实挑战。实验验证的自动化程度、数据质量与标注规范、AI模型在科学推理上的可靠性，都会影响"AI科学家"的实际表现；科学发现最终的判定权与责任归属，也需要制度与伦理层面的讨论。但方向已经清晰：AI4S正在从"工具辅助"正式迈入"自主科学发现"阶段，当AI能承接越来越多的科研执行工作，人类科学家得以把精力投向更具创造力的领域，整个科学研究的产出效率与创新密度，有望迎来一轮质的飞跃。玻尔·科学空间的公开测试，正是这条道路上的一次重要落子。