ScienceBuddy · AI 科研搭档
可交互的 Scientific Agent，探索真实科研交互中的 RSI in RSI
它重点探索一种交互式 Science RSI 形态：用户提出科学问题，智能体调用工具并给出回应；科学家的追问、修改、采纳、否定和重新运行形成反馈，进而推动科研智能体工作环境和 Harness 的持续演化。
访问 ScienceBuddy9 月 16 日发布
02为什么发起这个计划
科学发现需要的，
不只是一个更快的工具
今天的 AI 已经能够检索文献、生成代码、处理数据并辅助完成部分科研任务。但真正的科学发现，往往始于一个尚未被清晰定义的问题，并经历假设形成、证据组织、工具调用、实验验证以及持续修正。
这些过程无法只在标准数据集或封闭任务中完成。AI 需要进入真实科研环境，接触科学家真正关心的问题，理解不完整的数据与约束，并从实验和现实反馈中持续学习。
- 01
从真实问题出发
不预设所有问题都已被形式化，而是从科学家面对的未知、瓶颈与异常现象出发。
- 02
在真实反馈中验证
让模型输出接受数据、实验、专家判断与现实环境的检验。
- 03
在合作中持续演进
沉淀可复用的问题、工具、数据与验证机制，让每一次探索成为下一次发现的起点。
科学家带来真实问题、数据和实验反馈，PhAI 带来模型、工具和分析，在真实实验里一起验证，结果回到科学家手里。
把光标移到图上
03什么是 DFM
从完成科研任务，
走向参与科学发现
DFM（Discovery Foundation Models）不是一个单一模型，也不是要求所有系统按同一套流程运行的软件框架，而是 PhAI Labs 围绕 Discovery Intelligence 提出的一套研究范式、能力定义和系统组织方式。它通过形式化定义、流程图示、系统实例和真实科学案例，把“发现”从一个模糊概念具体化为一种可学习、可执行、可评测的模型系统能力。
DFM 科学家合作计划为这一范式引入真实科学问题、数据与验证条件，让系统在真实研究中形成判断。
三个独立的研究与工程方向
ScienceBuddy、ScienceIDE 和 JEPA-Anything 是三个完全独立的模块与研究方向，在产品形态、使用方式、论文和技术实现上彼此独立，不存在必须的调用或依赖关系。从未来愿景上看，三者可以形成一种可组合的研究路径：ScienceBuddy 通过科学家与智能体的交互收集反馈和研究轨迹；ScienceIDE 将这些数据和经验进一步组织为可复用的科学环境，用于任务执行、强化学习和模型训练；JEPA-Anything 则探索对多个科学环境和干预结果进行统一的状态预测和模拟。这是一种未来可能的组合方式，不代表三者当前已经完成集成，也不改变它们各自独立的定位。
ScienceIDE · 科学集成开发平台
集成科学环境、代码、工具与训练流程的科学集成开发平台
它把真实科学代码、研究流程、任务目标和验证标准转化为可运行、可测量、可复现的科学环境，让研究者能够在真实科学场景中开展 Agent 执行、模型训练和强化学习研究。
ScienceIDE 项目主页9 月 17 日发布JEPA-Anything · 跨领域统一科学世界模型
面向跨领域状态预测、干预模拟和科学诊断的统一科学世界模型
它探索如何在视觉、生物、临床、分子、控制和物理等不同领域中，学习能够预测世界状态变化的潜在表示，并为干预预测、状态合成和科学诊断提供统一接口。
JEPA-Anything 论文9 月 18 日发布04我们寻找什么
什么样的问题值得共同探索？
相比一个已被完整定义、只需要调用现成方法完成的任务，我们更关注那些具有真实科学价值、仍存在关键未知，并且能够获得数据或实验反馈的问题。
- 01
一个真正重要的未知
它可能帮助我们理解尚未解释的现象、发现新的机制或规律，或形成新的研究方法，而不只是对既有流程的小幅优化。
- 02
一个尚未解决的瓶颈
现有理论、模型、数据分析或实验方法还不能令人满意地回答它，并且失败原因本身值得研究。
- 03
一个可以进入的起点
已经存在一定的数据、文献、工具、实验条件或领域知识，使双方可以建立第一步探索。
- 04
一个可以验证的反馈
系统提出的判断或假设，能够通过数据分析、实验、专家判断或真实环境被支持、修正或推翻。
可以从这些问题开始思考
- 01你在研究中观察到了什么无法解释的现象？
- 02当前方法为什么还不能解决这个问题？
- 03已经具备哪些数据、工具或实验条件？
- 04什么结果会被视为实质性进展？
05首期重点与合作对象
让领域判断、数据与验证条件，
进入同一条发现链路
计划面向高校、科研机构、实验室和产业研发团队中的科学家及研究人员。问题可以处于早期构思、数据积累、方法受阻或实验验证阶段。
首期重点：生命科学与生物医学
这些领域已经积累了大量多模态数据、专业工具和实验验证条件，同时仍存在大量复杂、开放且具有重要影响的科学问题。
我们希望与这样的研究者共同探索
- 01
有科学问题、希望系统引入 AI 能力的科学家与研究团队
你知道哪些问题真正重要，也了解现有方法的局限，希望把大模型、科研 Agent 或自动化实验更系统地接进研究流程。我们从具体的研究瓶颈出发，一起判断 AI 能在哪些环节发挥作用，并共同设计和验证方案。
- 02
以计算、建模与仿真为主要手段的实验室
你已经积累了专业数据、科研代码、计算模型或仿真环境，希望用 AI 拓展现有的分析与探索方法。我们一起看 AI 如何在其中开展可验证的研究任务。
- 03
希望把 AI 与实验研究结合的湿实验团队
你能开展实验、获得观测数据、检验假设，也想知道 AI 能否帮上实验设计、结果分析和下一步方向的选择。我们一起把从提出问题到获得证据的链路接成闭环。
- 04
希望探索新型科研方式的青年 PI、博士后和博士生
希望把 AI 深度带入科研过程、愿意共同探索新研究范式的青年研究者。有持续关注的问题、相关的研究积累，或想一起探索的方向，都欢迎提出合作意向。
- 05
面对复杂研发问题的产业研发团队
你在研究产品或工艺背后的科学问题，已有业务场景、数据积累或测试条件，但现有方法仍难以解释关键现象，或需要大量试验才能找到可行方案。我们一起识别其中适合 AI 参与的环节，结合实际研发要求，用计算、仿真或实验评估进展。
06合作方式
不是提交一个需求，
而是共同推进一项研究
PhAI Labs 可以提供
- AI 研究与工程支持
- 围绕大模型、智能体、强化学习、工具调用与科学智能提供算法和工程支持。
- 模型、工具与计算资源
- 根据项目需要讨论相关模型、数据处理工具与计算资源。
- 问题建模与联合验证
- 共同把开放问题转化为可以探索、可以反馈并可以验证的研究路径。
- 成果沉淀与对外传播
- 对形成实质成果的项目，进一步探索联合研究、论文发表或开源发布。
- 长期共研与资金支持
- 对于经过早期验证、双方目标与投入匹配且具备持续研究价值的项目，可进一步探索长期联合研究及相应资金支持。具体方式由双方根据项目进展共同确定。
科学家提供与参与
- 解释问题的重要性与现有方法的局限
- 提供必要的领域知识与已有研究材料
- 在授权范围内提供数据、工具或实验条件
- 对分析、假设与结果提供专业判断和验证反馈
数据与知识产权进入实质性合作前，双方将通过书面协议明确数据使用范围、保密要求、成果发布、署名方式及知识产权安排。
- 数据仅在明确授权范围内使用
- 是否用于模型训练或系统改进另行确认
- 未公开数据与结果按约定保护
- 论文、代码、模型与专利按贡献及协议确定
07探索案例
从真实的科学问题出发
首批种子用户正在将真实科研问题带入测试。我们将在获得相关研究者授权后，逐步公开具有代表性的探索过程、阶段结果与经验。
与其只展示最终答案，我们更希望呈现问题如何被定义、AI 参与了哪些环节、科学家如何判断和反馈，以及研究如何因此向前推进。
案例 01
GALILEO
具身 AI 科学家的自主治疗发现
Generalizable Agentic Laboratory Intelligence for Learning, Experimentation, and Optimization
GALILEO 是 DFM 理念在生命科学领域的一次具象化实践：AI 不再是完成单个任务的工具，而是进入真实科研环境，从真实问题出发，在实验反馈中持续学习，参与科学发现的全过程。相关成果以预印本形式发于 bioRxiv（2026 年 6 月）。
- 研究问题
现有 AI 系统在生物医学中大多停留在“预测”阶段，预测靶点、预测分子性质，却无法走到真实的实验干预。GALILEO 要回答的核心问题是：AI 能否走出预测，在动态膜系统中自主完成“从候选多肽发现到湿实验验证”的完整闭环，找到可干预肿瘤免疫的治疗性靶点与分子？
- 已有条件
- 临床知情的多肽先验库（CPP），为候选分子提供可追溯的起点
- 机器人固相多肽合成平台，支持 AI 设计的分子自动合成
- 多模态表型分析能力，涵盖膜电流、代谢通量、T 细胞功能等
- TCGA、CPTAC、GEO、GTEx 等公开组学数据与湿实验验证团队
- AI 参与方式
GALILEO 以 OTAS（Observation–Thought–Action–Summary，观察–思考–行动–总结）推理循环为核心，自主执行：
- 从多肽先验库中检索候选，并通过可审计的局部操作编辑序列
- 自主排序靶点分支，优先锁定 LRRC8C 与 SLC25A1 两条通路
- 根据湿实验反馈持续更新目标信念、序列策略、检测方案与机制假说
- 全过程可追溯、可审计，科学家可随时查看与介入
- 阶段进展
- 已完成从预测到干预的闭环验证，成果发布于 bioRxiv 预印本
- 生成的多肽成功阻断 LRRC8C 电流、扰动渗透压与氧化还原稳态、促进肿瘤依赖性 T 细胞激活
- SLC25A1 方向的多肽破坏柠檬酸输出代谢、降低细胞外酸中毒、增强 CD8+ T 细胞功能
- 正在推进成果公开与后续转化，案例细节将在研究者授权后逐步披露
DFM 视角GALILEO 体现了 DFM 的核心主张：从“完成科研任务”走向“参与科学发现”。AI 进入真实科研环境，接触科学家真正关心的问题，理解不完整数据与约束，从实验和现实反馈中持续学习，让每一次探索成为下一次发现的起点。
08后续推进流程
从申请到共同研究
- 01
提交申请
说明科学问题、已有进展、关键瓶颈，以及可以提供的数据或验证条件。
- 02
评估筛选
综合科学价值、AI 参与空间、数据与验证条件，以及双方资源匹配度进行判断。
- 03
初步沟通
PhAI Labs 与申请方进一步理解问题背景、合作诉求与现有研究基础。
- 04
共同设计
明确研究目标、工作路径、人员投入、数据使用方式和阶段验证标准。
- 05
开展合作
进入早期验证或深入共研，并根据真实反馈持续迭代和推进。
09常见问题
你可能还想了解
01什么样的问题更适合进入首期合作？
我们优先关注具有明确科学价值、仍存在关键未知、AI 有实质参与空间，并能够获得数据、实验或专家反馈的问题。问题不需要已经完全形式化，但应当能够说明为什么重要，以及第一步可以从哪里开始。
02问题还比较早期，尚未形成完整方案，可以申请吗？
可以。识别有价值的未知并把它转化为可研究的问题，本身就是 DFM 希望参与的环节。申请时请尽量说明观察到的现象、现有方法的局限，以及目前掌握的线索或条件。
03合作通常会从多大范围开始？
我们倾向于先围绕一个边界清晰的子问题开展早期验证，确认问题建模、数据条件、AI 参与方式和验证路径是否成立，再决定是否进入更深入的联合研究。具体范围和节奏由双方共同设计。
04PhAI Labs 如何判断是否适合合作？
主要考虑科学问题的重要性、DFM 与科研 Agent 能否带来新的研究增量、数据或验证条件是否可行，以及双方在当前阶段能否投入匹配的研究与工程资源。
05合作可能形成哪些成果？
成果不预设为单一形式，可能包括经过验证的新假设、可复用的研究流程、工具或数据资产、模型与 Agent 能力改进，也可能进一步形成论文、开源项目或其他联合成果。
06首次申请时，哪些内容不应直接提交？
请勿直接上传患者隐私、临床敏感信息、受第三方限制的数据、未确认授权的材料或其他需要保密审查的内容。进入进一步沟通后，双方再确认合适的数据交换和保护方式。
10立即申请
从一个尚未被充分理解的问题开始
不需要先把问题整理成完整的项目方案。请先告诉我们：你真正想理解的未知是什么，为什么它重要，目前的研究进展和主要困难是什么，以及已经具备哪些数据、工具或验证条件。
立即申请 飞书问卷
请勿在首次申请中直接上传患者隐私、临床敏感信息、受第三方限制的数据或其他尚未确认使用权限的材料。