9月13日，在2026浦江创新论坛人工智能赋能科学研究专题论坛上，上海人工智能实验室升级发布书生·端砚科学发现平台，并全面开放其全栈服务。继今年7月首次发布之后，平台这次完成了三项核心能力升级：面向复杂科研任务的模型与Science Harness协同、贯穿全程的可信科研证据链，以及真实科学验证闭环的打通。
平台的定位也随之变化。它不再只是帮科研人员完成一项任务的工具，而是连接算力、数据、模型、智能体、科学工具与实验设施的工作平台，贯通科学问题定义、方案规划、资源编排、计算分析、实验验证与认知迭代的完整链条。
升级回应的第一个问题是，面对复杂长期的科研任务，AI如何保持研究状态并持续推进。传统AI科研工具擅长回答文献问题或调用单点工具，一旦任务跨越数周、需要多轮方案调整，上下文与目标就容易漂移，最终产出往往只能算素材而不能算结论。书生·端砚的做法是把模型与Science Harness协同起来，让科研任务在受控的执行框架里分阶段推进，每个阶段的输入输出都留下记录。
平台将接入新推出的书生科学多模态大模型S2与书生物理世界模型W0。前者提供科学专业、长程科研及智能体能力，通过架构设计为长周期科研任务提供支撑；后者通过原生力触与双工协同等突破，为大模型的数字化能力进入物理世界提供关键支撑，为科学智能从方案推演走向真实实验打开路径。两个模型的组合对应科研任务的两个层面：S2负责理解文献、提出假设与编排工具调用，属于认知与规划层；W0则试图把数字世界的结论连接到物理世界的操作，属于执行层。过去这两层之间缺少衔接，模型能给出方案却无法确认方案在真实设备上是否成立，而原生力触与双工协同的意义正在于此。
第二个问题是，面对模型生成的结果，如何核查证据、复核过程并复现结论。平台围绕交付对齐、独立核验、执行复现三个环节构建可信科研证据链，把文献、数据、代码、工具调用、计算结果与实验记录组织成一条完整链条，让研究过程从输入到输出的关键环节相互关联、有迹可循。
在证据链之上，平台引入评审智能体，对AI生成的研究结果做独立核验，围绕需求完成度、正确性、证据与来源、可复现性、产物质量、工具执行、历史审查七个维度逐维核验，核验结果按结论分级输出。对科研场景而言，这个设计的价值在于把不可复现的答案挡在交付环节之前，而不是等到论文投稿或者实验失败之后才发现问题出在中间某一步。七维核验的设定实际上把科研评审的部分逻辑前置到了执行过程中。需求完成度与正确性回答的是结论是否站得住，证据与来源回答的是依据从哪里来，可复现性回答的是别人能否重复，产物质量与工具执行回答的是过程是否规范，历史审查则用来发现与既有结论的冲突，按结论分级输出让研究者可以优先关注高风险结论。
第三个问题是，如何把计算方案送进实验系统，并依据反馈调整研究路径。论坛上，上海人工智能实验室联合上海同步辐射光源、中国散裂中子源、原子制造大装置、电合成新技术研究所，把自主科研闭环延伸至大科学装置与中试平台。科研人员可以借助大科学装置的实验条件与精密探测能力，探究常规实验条件下难以揭示的科学机理。
通过中试平台，平台还能开展概念验证与放大试验，推动科研成果走向产业应用。同时，书生·端砚将以人工智能赋能方案研究、实验设计、运行控制与数据分析，服务大科学装置和中试平台的智能化升级。这条路径把干实验与湿实验之间的断层补上了，计算侧的方案可以直接进入实验侧的排队与执行流程，实验结果也能反向修正模型假设。大科学装置的接入难度在于机时稀缺与流程刚性。同步辐射光源、散裂中子源这类设施的实验申请周期长、排期紧，一次实验的设计缺陷就意味着数月的等待。把方案设计、参数扫描与数据分析交给AI辅助，可以在提交申请前完成更充分的可行性验证，提高单次机时的产出效率。
目前书生·端砚已在生命科学、关键材料、半导体、核聚变、量子、地球气象六个核心科研领域落地。在蛋白质进化与新材料研发等前沿研究中，平台完成了干湿实验闭环，实现科学发现全流程的端到端验证，这也是它区别于单纯科研问答产品的关键指标。
平台现已推出本地客户端以及科研模型墨点计划，测试期间每位用户每月可获得免费Token，用于调用多元模型与相关科研服务。对科研团队而言，把模型能力、实验设备与数据链条打包成可按需使用的服务，意味着进入门槛从自建算力与工程团队，降低到提出一个值得验证的科学问题，这也在改变科研资源的分配方式。免费Token的策略延续了国内大模型平台的一贯打法，先用低门槛换取真实使用场景与反馈。对科研场景来说，这种策略的意义更直接：高校课题组与小型实验室通常缺乏充足的算力预算，而它们恰恰是提出长尾科学问题的主力，把调用成本降到接近零，才有可能收集到足够多样的任务类型。