科研圈已经把 RSI 递归自我改进框架带入分子发现任务，AI 可以根据上一轮实验反馈自主修改科研搜索策略，但这套方案还不能百分百稳定过关湿实验，目前只能做到部分场景下湿实验命中效果优于传统人工固定流程。传统 AI 分子发现大多是人类提前写死筛选规则、搜索策略，AI 只负责按固定方案生成分子；而 RSI 的核心是让 AI 自己判断哪套策略好用、哪条路径容易踩坑，自动调整筛选权重、目标平衡逻辑、候选分子采样方向，再输出新一批分子给湿实验室验证。湿实验本身有非常多噪声，溶剂、纯度、细胞批次、检测误差都会干扰结果，AI 在虚拟空间里自优化得到的好策略，搬到真实湿实验很容易失效；现阶段主流做法是 AI 输出候选分子清单，由自动化实验室或者实验人员完成湿实验，再把实测活性、毒性数据回传给 RSI 智能体继续迭代。研发团队一般会先在虚拟基准上跑通 RSI 循环，再从小规模湿实验开始闭环测试，逐步积累真实实验样本，慢慢降低 AI 策略在真实环境里的翻车概率。
RSI 分子发现方案核心信息清单
- RSI 含义：Recursive Self-Improvement，递归自我改进
- 核心能力：AI 自主迭代、修改分子发现科研策略，不依赖人工固定流程
- 验证环节：湿实验（wet-lab），包含体外活性、细胞、多肽结合等实测
- 代表项目：MoLRSI，专门面向分子发现的 RSI 智能体
- 典型指标：抗生素筛选 hit 率、多肽 MHC 结合命中数量、活性 / 毒性平衡
- 局限：虚拟仿真和真实湿实验存在鸿沟，策略迁移不稳定
不同分子发现方案对比
| 方案类型 | 策略来源 | 湿实验适配特点 | 短板 |
|---|---|---|---|
| RSI 自主优化 AI | AI 根据历史反馈自动调整科研策略 | 可以自主避开历史失败路径，持续迭代 | 容易过拟合虚拟数据，湿实验噪声下策略失效 |
| 传统固定流程 AI | 人工提前设定搜索、筛选规则 | 输出稳定，可控性强 | 策略不会随实验经验进化，遇到新靶点效率低 |
| 纯人工筛选 | 科研人员经验判断 | 对复杂生化机理理解强 | 筛选通量低、周期很长、人力成本高 |
RSI 分子发现闭环验证步骤
- 初始化：给定靶点目标、约束条件，RSI 智能体生成第一版科研搜索策略
- 虚拟筛选：按照当前策略批量生成、打分候选分子
- 湿实验部署：挑选高优先级分子进入湿实验，测试活性、毒性、特异性
- 数据回传：把湿实验实测结果、失败样本信息送回 RSI 智能体
- 策略自改：AI 分析成败原因，自主调整搜索策略、目标权重、采样偏好
- 循环迭代：使用新策略生成下一批分子，持续缩小有效分子搜索空间
【常见问题】
问题 1：RSI 带入分子发现，AI 自己改科研策略，为什么不一定能顺利过湿实验？
回答 1：RSI 带入分子发现，AI 自己改科研策略，它的优化很容易在虚拟数据集里过拟合，而湿实验存在批次噪声、生化体系不确定性，虚拟上有效的科研策略放到真实湿实验里就会失效。
问题 2：RSI 带入分子发现，AI 自主修改科研策略相比传统 AI 分子筛选优势在哪？
回答 2：RSI 带入分子发现，AI 自主修改科研策略，能够自动从过往湿实验结果里学习，动态平衡活性、毒性、新颖度等多个目标，不需要科研人员反复手动修改筛选流程，提升新靶点的探索效率。
问题 3：RSI 带入分子发现，湿实验在整个 RSI 闭环里面起到什么作用？
回答 3：RSI 带入分子发现，湿实验是给 AI 提供真实世界反馈的关键环节，只有湿实验产出真实测量数据，AI 才有依据判断当前科研策略好坏，完成下一轮策略修改与自我改进。
【参考资料】
[2026-10-29]（海淀又投出一匹 AI 黑马：27 岁清华教授，交出首个 RSI 模型）36 氪
[2026-10-17]（DiscoveryRSI：递归学习发现有价值的科研假说）智源社区
[2026-10-10]（MoLRSI：用于分子发现的递归自改进 AI 智能体）arXiv
【免责声明】
本文仅为 RSI 分子发现相关前沿论文与行业信息整理，RSI 带入分子发现、AI 自主修改科研策略尚处于前沿研究阶段；不同靶点、湿实验体系下验证效果差异很大，内容不构成药物研发、化合物筛选落地指导，最终分子有效性必须依靠完整、规范的多批次湿实验验证。