科研人的“超级外挂”来了，中国队用 AI 打通研究全流程

大家好，这里是K姐。一个帮助你把AI真正用起来的女子。

最近，世界人工智能大会上，中科闻歌磐石 ScienceOne 团队一口气亮出两张王牌：

专攻科学场景下深入理解、预测与生成的科学多模态统一推理模型 ——S1-Omni；
以 S1-Omni 为基座、贯穿整个科研生命周期的智能化服务平台 ——ScienceOne。

做科研的朋友每天都有看不完的新论文；一个实验方向要反复试错；要频繁切换不同工具；好不容易做出结果，写论文、补引用、改格式还得花费大量时间。中科院自动化所牵头磐石 2.0（S1-Omni）的技术攻关，中科闻歌则主攻大模型训练，把这些能力落到 ScienceOne 科研智能平台中，让 AI 大模型真正进入科研工作流，让所有科研人员都能拥有一个 24 小时在线的学术特助。在最新的测试里，S1-Omni 展现出了极其强悍的性能：在全部评测中，有 95.5% 的任务表现超越了 GPT-5.5，83.3% 击败了 Gemini-3.1-Pro。聚焦到药物研发中极具挑战的 18 项 ADMET（药物毒理及理化性质预测）评估，S1-Omni 表现明显更接近专业 SOTA 模型，其中 6 项指标甚至超越了传统的专用 SOTA 模型，拿到了单项最佳成绩。

▲ S1‑Omni 与 GPT‑5.5、Gemini‑3.1‑Pro 及专业 SOTA 的 ADMET 成绩对比。蓝色粗体为单项最佳，下划线为次佳。

这意味着，在未来我们或许不需要再为单项研究单独训练、部署那些繁琐的专用大模型了。中科院背书、WAIC 首发、综合测评领先，听起来确实很猛。那么，在真实的日常科研场景中，S1-Omni 表现到底如何？今天我们一起体验一下，S1-Omni 是怎么帮科研人员干活的。

S1‑Omni 怎么做科研

我们打开了基于 S1-Omni 打造的 ScienceOne 平台，用大白话就可以让 AI 辅助我们看资讯、定选题、查论文、实验、成果表达、配图、评审…

深度研究一个课题

我们输入一个自己感兴趣的课题：

提示词：盘点近3年美国在阿尔茨海默病早期诊断生物标志物研究领域的4项代表性成果，包括新型血液标志物、影像学标记物等方向。

如果是人工自己查，我们要搜索论文和官方公告，了解、区分血液标志物、医学影像和 AI 预测等技术路线，还要逐一核对研究时间、机构、样本和关键指标，开几十个网页慢慢摸索。ScienceOne 内置了 2000+ Skill、2000+ MCP 插件以及近 300 个专业数据库，可以在对话中智能自主调用最匹配的技能和工具来完成科研任务。ScienceOne 先根据我们的需求，思考提炼检索关键词。第一轮先进行宽泛搜索，快速摸清方向。发现线索之后，再进行二次检索，补齐关键信息。这个过程和我们自己做调研很像，先广泛搜索找方向，再顺着线索往下查。

我们一起看看 ScienceOne 的回复：每项成果都列出了研究机构、技术方向、关键数据和研究意义，最后还生成了总结表格，并附上参考来源。做科研最怕大模型的黑箱操作，ScienceOne 直接用规范的流程、结构化的结果和明确的引用来源，省了不少事。

据 ScienceOne 官网介绍，平台已聚合 5000 余个科学工具和 294 个专业数据集，覆盖数据处理、模型训练、特征分析等科研环节。面对不同任务，模型可以在对话中选择相应工具，而不需要我们逐个寻找和操作。

AI 配图

论文写到关键处，往往需要一张高质量的示意图来辅助说明。我们可以让 ScienceOne 通过自然语言生成科研配图。

提示词：构建光催化电荷分离与转移动力学模型图，解析激子生成、界面迁移与复合损耗过程，生成中文图片。

一句话 ScienceOne 就把复杂的光催化过程拆解成了形象的画面，并且附上了能带结构、动力学模型、过程解析，甚至还附上了图例说明。

AI 评审

写完论文后，最让人头疼的就是不知道该如何优化。创新点够不够突出？实验设计有没有明显的缺口？参考文献是不是太陈旧？自己盯着论文看了几十遍，很难发现问题所在。ScienceOne 的创新评价，可以先帮我们做一次投稿前预审。目前支持两类任务：一类是项目立项、论文开题前的选题评估；另一类是论文投稿前的质量检查。我们上传了一篇多目标网络优化领域的未公开论文，并同时附上了论文附件，要求它严格按照IEEE Peer Review Process Guidelines（IEEE 同行评审过程指南）进行综合评价。文件上传后，ScienceOne 首先读取了论文和评审标准，判断任务类型后，自动调用了对应的创新评价 Skill，并生成了一套结构化的审查流程。

ScienceOne 像一个挑剔的真实审稿人一样，从 7 个维度对论文进行逐项检查：原创性、技术正确性、研究相关性、实验验证、论文表达、参考文献和发表标准。最终，这篇测试论文得到了 3.6/4.0 的综合评分，建议为接收。

更有用的是后续的各维度详细评价和改进建议。比如，ScienceOne 指出这篇论文的原创性、技术正确性和实验验证拿到了 4 分；但论文表达、参考文献和发表标准只有 3 分。ScienceOne 直接定位了问题所在：部分英文专业表达不够准确、引用格式需要统一、理论证明可以补充更多公式细节，且实验部分需要增加更有针对性的 Baseline 对比。

ScienceOne 还把评审结果生成了HTML和Markdown两种格式，方便后续继续修改、分享或存档。ScienceOne 为什么能做出如此深度的先进性与创新性评价？据官网介绍，ScienceOne 汇聚了全球 40 多个国家的 3200 万项科研项目公开信息、70 万份产业研发年报，以及 2.7 亿篇论文与专利。这些海量的数据，为大模型评估一项工作的先进性与重复性提供了强有力的参考背景。当然，AI 给出“接收”，并不代表IEEE真的会接收。我们可以把它当作投稿前的第一轮体检，帮我们提前发现和规避明显问题。真正涉及创新性判断、实验可靠性和发表决定，仍然需要导师、同行专家和期刊审稿人把关。

追踪全球科研头条

除了主动交互，ScienceOne 还提供了一个科研头条板块，这里收集了全球的科研新闻和前沿论文，包含了数理科学、化学、生命科学等超多类目。

我们可以根据自己的研究方向订阅特定的专题，AI 会根据我们的订阅进行个性化推荐。

以前追踪前沿信息，常见做法是隔一段时间重新搜索关键词。现在通过这种周报推送和订阅机制，我们获取前沿信息的方式也从以往被动的关键词检索，升级为了主动的科研洞察，能帮我们省下不少文献追踪的精力。

一些分享

科研 AI 正在从统计拟合走向逻辑推理。大模型从一个冷冰冰的、只给预测数值的黑盒，变成可以与专业研究员在逻辑和物理常识层面相通的科学助手。ScienceOne 走的是一条极其轻量化的科研 AI 路径。在实际的研发流程中，以往我们需要部署、微调和维护数个完全不同的专用模型，不同模态之间的数据流转换异常繁琐，软硬件的综合维护成本极高。S1-Omni 提供了统一的科学大模型底座，去连接和驱动各种垂直领域解码器。降低了环境部署的复杂度，让跨学科的交叉研究变得更加容易上手。这种统一表示、逻辑先行的架构设计，会成为未来的科学大模型研发的范本。我们也深知，科学研究是一个容错率极低、来不得半点马虎的领域。S1-Omni 想要在真实的学术研究中走得更稳、更远，依然离不开开源社区对高质量数据的持续补充，以及广大科研人员在实际场景中对它能力边界的反复测试。感兴趣的科研小伙伴可以直接上手体验哦~目前 ScienceOne 可免费领取一个月的试用体验，兑换邀请码：DH26GYZ1688（数量有限，先到先得哦）。

作者：K姐投稿邮箱：tougao@kseek.ai