南方财经记者谭砚文
未来的实验室可能是这样一番景象：机器人站在实验台前，完成一组合成实验，数据实时回传，智能体分析完结果，快速设计出下一组实验方案。
这些场景正在变成现实。9月22日，第二届广东省人工智能（885728）应用对接大会“人工智能（885728）+”科技创新专题会议在广州举行，一批AI赋能科技创新的成果集中亮相。
从实验室到工厂，AI正在完成一次身份之变，从查文献、处理数据的工具，变成做实验的“AI科学家”、看图纸做产品的“AI工程师”。这场变化的意义不止于效率。当科研与成果转化的两端同时被AI改写，谁先打通从基础研究到工业制造的链条，谁就能在下一轮产业竞争中占得先机。广东，正在给出自己的答案。
“多AI-多机器人”协同智能体系统。图源受访者。“AI科学家”进实验室
打开材智云脑MatBrain的客户端，输入材料研发的需求，背后的大模型智能体便能调动沉淀下来的科研数据，给出实验方案。这款由中国科学院深圳先进技术研究院材料人工智能（885728）研究所研发的智能体，已在团队内部广泛使用，客户端面向公众开放下载。
中国科学院深圳先进技术研究院材料人工智能（885728）研究所大模型智能体团队负责人史桐雨表示，MatBrain的思路，是把科研经验沉淀为可复用的模型与数据，让智能体在一次次使用中持续学习，越来越聪明，更切实地满足科研需求。该智能体在内部试用成熟后，团队便开始对外推广。
MatBrain的探索折射出的，是AI for Science的范式之变。AI不再只是查文献、处理数据的辅助工具，而是与科研人员并肩作战的伙伴。一种新的人机协同形式正在成形：人负责提出好问题、作判断，AI负责海量数据（603138）的搜索整理、建模优化与方案生成。
在广东，这位“伙伴”的成绩单还在拉长。例如，广州实验室发布毕方(AI Biologists)一站式多智能体科研工作台，为生命健康领域“AI+”科技创新提供自主可控的数智底座。南方医科大学珠江医院（884301）分享垂类大模型在重大疾病诊疗及临研转化中的应用，聚焦阿尔茨海默病等神经系统重大疾病，推动AI向专病诊疗深度赋能。琶洲实验室带来非侵入式可穿戴脑机AI反馈训练标志性产品，拓展脑机接口（886047）技术的产业化应用。
当AI开始分担重复性的脑力工作，重复性的实验操作也在被交出去——“AI科学家”正在走进现实。
在具体实验中，这种变化已经显现。以材料研究为例，做材料实验、化学实验时，科研人员常常要戴着防护手套，长期重复相同的操作。这种重复的劳动会限制科研人员进行创造性思考。
在深圳先进院的实验室里，一套多AI-多机器人协作系统已经投入运行。智能体负责控制模组化自动化实验平台，一项实验需要哪几个模块工作、按什么顺序进行，都由智能体来安排。同时，深圳先进院还与慧灵科技(深圳)共同成立千万元级的“AI科研智能体”联合创新体，其孵化的具身智能公司已落地广州南沙。目前，机器人已能执行基础实验动作，并正在学习量子点合成、纤维制作等操作。
史桐雨表示：“以后科研实验可能大多由机器人承担，科研人员则负责观察它们推进实验、分析数据，并承担统筹和决策工作。”
“AI科学家”的本质并不是取代科学家，而是把重复劳动交给机器，把数据积累下来供后续研究使用，让科研人员回到创造性工作中。人与机器各司其职、相互配合。
“AI工程师”把图纸变成产品
科技创新的难点，不仅在实验室，更在成果转化环节。
如果把材料研发分为1到10级，那么1到3级是实验室研发，7到10级是可以直接销售的产品，二者之间隔着中试放大验证的过程。“参数一旦放大，绝不是简单微调，还要面向量产回答稳定性的问题。中试因此成为材料研发中公认的‘死亡谷’。”史桐雨说。
深圳先进院近年来把AI引入中试项目，推动庞杂流程标准化，借助推理能力缩短验证周期（883436）。
以微胶囊材料中试为例，核心成分、壁材以及二者的兼容性都要反复试错。团队专门构建“层状推理”智能体，让模型架构精准匹配材料体系的需求，有针对性地完成配方设计与优化。如今，面向电池阻燃的灭火微胶囊、随温度变色的变色微胶囊等产品已经研发成功，部分实现销售。
中试环节效率的高低，直接关系到材料成果能否走向量产。史桐雨表示，引入AI后，中试研发效率提升约70%，不少企业专门找上门来做中试。
AI改变的不只是中试环节，也在改变工程设计的起点。“AI要从做工具转变为做工程师。”东莞市新一代人工智能（885728）产业技术研究院副院长孙晋祥表示，过去是工程师调用工具干活，现在则是让AI自己调用工具，独立完成任务。沿着这个方向，东莞市新一代人工智能（885728）产业技术研究院孵化了合木人工智能（885728）科技有限公司(以下简称“合木智能”)，打造出一套以制造语义计算为底座的工业智能体，为精密模具制造打造出一个“物理AI大脑”。目前，合木智能已完成种子轮千万元级融资，投资方为创新工场。
工业智能体优化全制造流程。图源受访者。
孙晋祥表示，选择模具制造作为切入场景，与行业高度依赖“老师傅”经验的特点有关。模具制造的人力成本约占整体可变成本的70%，高级技工紧缺、薪资上涨，不断压缩企业利润空间；关键岗位普遍要求3至5年实操经验，人才培养周期（883436）长，行业青黄不接。
团队整理了十万级高质量图纸数据，并挖掘百余位模具老师傅的经验，初步搭建起基于大小模型协同的精密模具制造语义空间和计算基座，目前已完成近10个智能体开发——部分智能体已具备相当于5年以上模具工程师的经验。
AI给科技成果转化带来的不只是速度：研发周期（883436）缩短后，垂直领域的AI应用将爆发式增长，市场空间也随之放大。孙晋祥表示，这套技术的底层是工程图纸，建筑图、电气图、电路图都可以泛化。广东模具企业达数万家，小批量、定制化正成为趋势，谁能更快响应市场，谁就多一分竞争力。
更重要的是，AI进场，并不意味着人退场。
孙晋祥说：“AI进来以后，实际上创造了更多的工程师。当大量AI工程师进入制造业，整个行业的蛋糕会做大，人则被释放出来，去做只有人能做的工作。”
从“AI科学家”到“AI工程师”，一条AI赋能“基础研究—中试验证—工业制造”的链条正在被打通。这条链条背后，是广东的雄厚产业家底：人工智能（885728）核心产业规模突破3000亿元，约占全国四分之一；10个万亿级产业集群，为AI提供了最丰富的应用场景。
科研与转化的两端同时被AI改写，坚实的产业基础正在转化为广东发展人工智能（885728）的新优势。
