AI 自动化科研

节点 ID	technology.ai-automated-science
阶段	当前
状态	进行中
时间	2010年代至今
前置依赖	高质量数据、科学模型、实验自动化、测量、主动学习、人工审计
持续性作用	压缩长寿与修复技术的发现、验证和迭代周期
解锁条件	跨领域复现、可靠失败检测、闭环治理和现实转化
证据来源	证据来源：AlphaFold 2021；证据来源：A-Lab 2023；证据来源：NIST人工智能风险管理框架1.0

AI 自动化科研：把机器学习、科学数据库、仿真、机器人实验、测量和主动学习组织成可迭代的科研闭环。^[1]

稳定对象、阶段与状态

本页只描述稳定节点 technology.ai-automated-science，不把相邻研究对象、商业产品或科幻想象合并进同一技术状态。阶段为当前，模板状态为进行中，时间字段为“2010年代至今”。

“已实现”只表示至少一个受监管产品、特定适应证或可重复工程系统存在，不表示覆盖所有人群、疾病、环境或主体持续性目标。

历史前置包括计算机辅助发现、机器学习、实验室机器人、电子实验记录、主动学习和高通量实验。

历史技术谱系将上述历史前置条件与本节点的直接技术依赖分开：前者解释概念和工程来源，后者必须在当前实现中实际可用。

若其中任一安全关键依赖缺失，应降级为受阻、受限研究或人工监督模式，而不是用未来能力补写现实缺口。

把文献/数据表示、假设生成、候选设计、实验执行、测量、质量控制和模型更新连接为可审计闭环。原页机制摘要：闭环通常为目标定义、候选生成、实验选择、自动执行、结果测量、误差分析和下一轮更新。人工研究者仍负责目标、边界和异常审查。

目标变量：

直接依赖与输入
  -> 机制发生并改变目标变量
  -> 局部组织/设备/信息状态变化
  -> 主体能力、恢复窗口或风险函数变化
  -> 以最终功能、生存、安全和可及性终点验证净收益

对 Human Infra 的预期作用：它是间接持续性节点：不直接降低人体死亡风险，但可能提高长寿干预、药物、材料和器官工程的产生速度。该作用是适应证与情境限定的；不能从机制直接推出有效永生。

蛋白结构预测、材料自主实验和若干药物设计环节已有实绩；跨领域自主科学家、可靠因果发现和端到端临床转化未实现。^[2]

原基线页面的状态字段为“进行中”。本轮按 2026-07-25 可核验边界校准模板字段，但不把公司新闻、单例、注册存在或机制论文写成通用疗效。

分层验证终点：

解锁条件：跨领域复现、可靠失败检测、闭环治理和现实转化

反证或降级条件：

主要风险：

原页特异边界：自动化不等于自主发现全部科学规律。数据偏差、实验瓶颈、错误累积、目标错位和不可复现结果会限制加速。

替代路线：

路线选择不得替代个体临床、法律或危险实验决策；本页不提供诊断、用药、寿命预测或操作步骤。