近期大模型的进展推动了面向科学的 AI 向代理式科学迈进，即 AI 代理能够自主进行科学发现。实现这一目标需要在计算推理与物理实验之间闭环，使自驱实验室（SDL）成为关键。但现有 SDL 存在悖论：引入基础模型提升了语言能力，却削弱了对物理世界的落地。当前体系把模型视为仅输出符号化工作流的无体规划器，由此阻断了具身实验直觉的培养。为破解该悖论，需在认知可学习性（学习研究什么）、实验可学习性（学习搜索何处）和具身可学习性（学习如何行动）三条相互依赖的轴线上嵌入可学习性。基于此，我们提出具身科学代理（ESA），通过三大协同模块实现数字智能与物理具身的统一：数字代理利用基于记忆的推理和贝叶斯优化提供认知与实验可学习性；具身代理通过通用仪器控制提供具身可学习性；具身统一接口实现两者的无缝协同。我们在自主废水处理实验中验证 ESA，搜索空间超过两亿种条件。经过 15 轮连续实验，ESA 将最终溶液透射率从 82% 提升至 99.7%，对应染料残留浓度降低 98.5%，实现几乎完全脱色；其学习到的视觉运动策略还能在仪器位置变化时保持有效，展示了面向自主科学发现的下一代 SDL 的可行路径。
点评