编辑丨%
自动驾驶或自动设计已经成为 AI 引导技术发展中一道显眼的标签。在这过程中，AI 负责引导整个发现过程，帮助设计实验与完善决策策略。
这种由 AI 实时分析数据并提示研究者何时调整策略的「人机协作实验室」逐渐流行起来。但这种形式时常会引起研究者的讨论：科学研究到底是谁占据主导，人或是 AI？
来自美国阿贡国家实验室（Argonne National Laboratory）与芝加哥大学（The University of Chicago）的团队提出了一种名为 AI 顾问（AI advisor） 的决策模型，该模型允许人工智能与人类专家共同主导「自主实验室」的发现流程。
相关研究内容以「Adaptive AI decision interface for autonomous electronic material discovery」为题，于 2025 年 12 月 18 日发布在《Nature Chemical Engineering》。
论文链接：https://www.nature.com/articles/s44286-025-00318-3
AI 顾问
「自主实验室」是近年来科研自动化领域的热门概念，它借助机器人、自动化仪器和 AI，能够自动执行实验、调整参数、分析结果。自主实验室的目标是让研究过程更快、更系统、更少依赖人工重复劳动。
但这种全自动流程也带来了一个关键问题：AI 在分析和优化时虽能处理大量数据，却在面对有限数据时的决策能力方面不如人类专家，后者可以凭借经验和直觉灵活调整策略。
这促成了 AI 顾问的诞生这是一种协作模型，并非追求「AI 绝对主导」或「人类绝对主导」的极端方式，而是设计一个能在关键时刻提醒人类介入的 AI 顾问系统。
图 1：利用 AI/AE 平台加速 MIECP 探索。
这款 AI 顾问的运作流程与特点大致如下所述：
实时性能监测：AI 顾问持续分析自主实验室运行数据，以识别性能趋势的下降或偏离预期的变化。
策略提示机制：当 AI 识别到性能降低或可能的策略瓶颈时，它会提示研究者考虑是否改变策略、重新定义实验设计空间，或改进参数设置。
共享控制权：这种模式强调「人机共有主控权」，AI 负责高速处理数据、人类负责综合判断与策略调整。
灵感来自金融投顾软件：团队参考了帮助投资者做实时交易决策的软件逻辑，用于科学探索场景。
作者团队表示：人们一直在关注自我改进的 AI——能够修改自己的算法、生成自己的数据集、重新训练自己等等。但这里他们采取了合作的方式，人类也能参与其中。希望这些努力促进人类与 AI 的合作，与 AI 共同发现成果。
图 2：AI 顾问的实时进展监控和分析及其可选交互。
顾问能发挥的作用
研究团队将 AI 顾问模型部署在 Argonne 国家纳米尺度材料中心的自主实验室 Polybot 中，用于研究和设计一种名为混合离子-电子导电聚合物（MIECP） 的电子材料。该材料对于未来的能源设备与电子元件开发具有重要意义。
在这种协作框架下完成的实验结果显示：
与传统「最先进技术」相比，AI+人类协作产生的MIECP 材料在混合导电性能上提高了约 150%。
AI 顾问帮助研究者识别出两个关键设计因素：更大的晶体层状间距（crystalline lamellar spacing）和更高的比表面积（specific surface area），这两个因素是提高材料体积电容性能的关键。
这种成果不仅提升了材料性能，而且通过协作过程形成了更全面的性能——设计参数关系理解。
图 3：采用 AI/AE 平台实现自主 MIECP 探索。
作者对此的评价是：对于材料学有两个相互关联的目标——提升材料性能或开发新性能。想要实现这点就需要深入了解不同材料设计策略、参数与加工影响。通过大幅扩大整个结构变异空间，AI 顾问确实帮助实验团队达到了这两个目标。
更紧密的双向沟通与学习
传统自主实验流程往往意味着科研者提前设定好策略，然后让自动系统完成所有循环，再由研究者分析结果。这种方式在面对复杂多变量问题时固然高效，但却可能陷入「单一策略陷阱」。
AI 顾问的提出，为这种流程提供了动态调整机制。
团队下一步计划实现更紧密的双向互动，使模型能够：从人类决策中学习并优化自身策略逻辑，将反馈纳入后续建议中，构建「可逆学习循环」，而不是单向建议输出。也就是说，AI 顾问将不再只是「提醒者」，而有望逐步成为「可学习的协作者」。
相关报道：https://phys.org/news/2025-12-ai-advisor-labs-creation-generation.html
