AI 自主调整科研策略，RSI 递归自改进方案落地分子发现并接受湿实验验证

现在已经有研究团队把 RSI 递归自我改进框架带入分子发现赛道，这套方案和过去 AI 只按人类写好的固定流程筛选分子不一样，AI 可以看完上一轮湿实验返回的数据，自主修改筛选策略、调整评价指标、更换搜索算法，再生成下一批待测试分子。湿实验是这套体系最大的门槛，模拟计算里分数好看的分子，在真实生化、抗菌、蛋白结合实验里很容易失效，最新 MoLRSI 这类智能体已经在抗生素、多肽 MHC 结合分子两个场景走完闭环，在相同筛选库下，AI 自己迭代出来的工作流命中成功率高于专家预先设计的流程，但它不是万能的，湿实验里存在试剂纯度、细胞批次差异、生物噪声等大量不可控变量，很多时候 AI 优化出来的策略只能在限定任务里有效，还不能直接通用到全部药物、新材料分子开发，现阶段更多是科研辅助工具，人类科学家依然要负责把关安全、设计边界、核验异常结果。

一、RSI 用于分子发现的核心工作流程清单

• 初始设定：人类只给目标约束，比如抗菌、靶向蛋白结合、控制毒性，不固定全套筛选步骤
• 候选生成：AI 智能体按照当前搜索策略输出一批候选分子
• 湿实验执行：通过自动化实验室或者人工生化实验，测出活性、毒性、特异性等真实数据
• 策略自改：AI 读取实验反馈，判断原有策略哪里低效，自主调整打分权重、搜索空间、筛选分支
• 记忆沉淀：保存跨任务经验，把在一个分子项目学到的优化逻辑迁移到下一个同类任务
• 循环迭代：使用更新后的科研策略，继续生成新一轮分子，反复循环

二、传统 AI 分子筛选与 RSI 自主科研方案对比简表

三、当前湿实验验证取得的实测结果

1. 抗生素筛选场景：MoLRSI 自主迭代出的工作流，命中活性分子率 15.9%，对比专家固定流程 8.7%，同时兼顾抗菌活性、细胞毒性、结构新颖性三个目标
2. 多肽 MHC 结合设计：AI 自主策略产出 8 个经过湿实验验证的阳性结合分子，同条件对比基线大模型没有找到有效靶点分子
3. 局限表现：在酶改造、新材料方向的 EnzymeRSI 测试里，部分优化策略只在特定蛋白靶点生效，更换底物之后效果下滑明显

【常见问题】

问题 1：带入分子发现的 RSI 方案，能不能稳定通过湿实验这一关？

回答 1：部分限定场景下可以通过湿实验验证，像 MoLRSI 在抗生素、多肽结合分子任务拿到了阳性实验结果；但生物体系噪声大，RSI 自主调整后的科研策略没有办法保证次次成功，很多在计算仿真里表现优秀的方案，进入湿实验依然会失效。

问题 2：在分子发现里面，RSI 和普通 AI 分子设计最大差别，是不是 RSI 可以自己修改科研策略？

回答 2：是的，普通 AI 分子设计只负责按照人类给定的策略产出分子；分子发现场景下的 RSI 智能体，会基于湿实验结果，自主调整整套科研筛选策略、打分规则和搜索路径，而不是一成不变执行人类方案。

问题 3：使用 RSI 做分子发现，是不是科学家就不需要参与湿实验环节了？

回答 3：不是，湿实验操作、安全风险评估、异常实验数据排查、划定研究边界都离不开科研人员；RSI 的定位是自主迭代科研策略，负责生成候选、分析反馈，无法替代人类做最终的科学判断和安全把关。

问题 4：RSI 带入分子发现之后，会不会以后新药分子全部交给 AI 自主研发？

回答 4：现阶段还做不到，目前 RSI 在分子发现仅在小范围靶点、限定筛选库完成验证，复杂药物研发包含动物实验、药理、毒理、临床，整个链条很长，RSI 自主科研策略还没有办法覆盖完整新药管线。

【参考资料】

[2026-10-28]（MoLRSI 递归自改进智能体用于分子发现，湿实验结果）arXiv

[2026-10-18]（谷歌把 RSI 递归自改进闭环接入自主湿实验室）DeepTech

[2026-10-12]（RSI 进入 AI for Science，分子与酶设计前沿进展）华泰睿思

[2026-09-25]（AI 科学家自主迭代实验策略、干湿闭环科普）中国网科技

【免责声明】

本文关于 RSI 在分子发现、湿实验验证的内容来自公开预印本论文和行业科技报道，相关技术仍处于前沿科研阶段，技术效果受靶点、实验条件、数据集影响，不代表可以直接落地用于药物开发，所有生物、医药相关实验必须遵守科研伦理与相关监管规范，不能直接当作研发生产依据。