Portal:AI与自动化科学
本门户研究 AI、自动实验、蛋白质与材料设计如何压缩技术窗口，以及递归能力增长对主体持续性、可解释性和治理的影响。
自动化科学把假设生成、实验设计、执行、测量、分析和下一轮选择连接成闭环。它可能缩短技术成熟时间，但任务速度、发现质量、真实世界复现、递归自我改进和通用智能属于不同能力层级。
- AI自动化科学与技术加速专题：从计算到实验闭环。
- 技术奇点与自动化科研：智能爆炸、加速回报和控制断裂。
- AI 自动化科研：能力、依赖和证据边界。
- AI药物发现与蛋白设计：生成、筛选与实验验证。
- 自驱动实验室：自动实验系统。
| 层级 | 可审查对象 |
|---|---|
| 工具增强 | 检索、预测、代码、模拟和实验建议 |
| 局部闭环 | 在限定空间内自动选择并执行下一轮实验 |
| 跨域发现 | 在多个领域提出并验证可迁移机制 |
| 科研系统改进 | 改进实验、模型、硬件和协作基础设施 |
| 递归能力增长 | 系统显著参与改进下一代智能系统 |
- 证据来源：AlphaFold 2021支持蛋白质结构预测能力突破，不证明自主完成全部生物医学研究。
- 证据来源：A-Lab 2023支持自动实验闭环案例，不证明实验系统具备通用科研自主性。
- 证据来源：奇点经典论证记录思想谱系和条件，不构成奇点时间表的实证证明。
- 所有系统输出仍需区分计算预测、实验合成、独立复现、临床转化和规模部署。
- 自动科研的有效单位应是预测数量、可复现发现还是临床和工程转化？
- 当推导不可被人类完整理解时，验证和责任如何组织？
- 递归改进的测量对象、边界和中止条件是什么？
- 能力增长如何实际转化为主体持续性，而非新增系统性风险？
新增案例必须记录输入空间、自动化边界、人工参与、实验验证、失败率和不可泛化范围。