从Deep Research到AI科学家，大模型正在重塑科研全流程

我最近一直在做Deep Research（深度研究）相关工作。

昨天，我读到一篇最新的综述文章 AI4Research: A Survey of Artificial Intelligence for Scientific Research，它比较全面的总结了当前AI在科学研究领域应用的流程与关键领域。

• Paper: https://arxiv.org/pdf/2507.01903

• Projects: https://ai-4-research.github.io

从图中可以看出，Deep Research是AI for Research非常重要的部分。

今年，是大模型全面应用的元年。

过去的短短数月，我们在研发的AI智能体应用，不仅能实现准确、全面和丰富的知识问答，还能自动化完成数万字的专业研究报告。

这不是终点🏁

接下来，我们将深入到科学发现的场景。

AI可以自主进行选题与实验设计，并与实验机器人协同，从而独立完成科研全流程，发布研究成果。

未来的科学研究，将是人机共创。

这是一个不断演进的过程。

大致可以分为三个阶段。每个阶段是下个阶段的一部分，也都为下一阶段，提供了质的飞跃。

• Deep Search（深度搜索）

• Deep Research（深度研究）

• AI Scientist（AI科学家）

本文将对比剖析这三者的关键技术与应用场景，理清AI辅助科研的发展路径，实现从"知识解读者"到"知识创造者"的跨越式发展。

 1 

Deep Search: 找到准确知识

Deep Search是AI辅助科研的第一阶段，其核心目标是快速、精准地回答用户提出的具体问题。

与传统的搜索不同，Deep Search不是简单地返回一堆网页链接和文件名，让用户自行甄别判断，而是通过多路召回、融合检索，结合大语言模型的理解与推理能力，生成附带数据支撑和引用来源的精准答案。

一个例子是Jina AI开源的Deep Search项目：node-deepresearch。

Jina AI在《DeepSearch 与 DeepResearch 的设计和实现》一文中指出，node-deepresearch 的核心理念是通过在搜索、阅读和推理三个环节中不断循环往复，直到找到最优答案。 

node-deepresearch - 搜索→阅读→推理，循环迭代

来源：Jina AI

其中，搜索环节利用搜索引擎探索互联网；阅读环节专注于对特定网页进行详尽的分析；推理环节则负责评估当前的状态，并决定是应该将原始问题拆解为更小的子问题，还是尝试其他的搜索策略。

Deep Search工作流程包括以下步骤：

1. 意图理解：通过语义分析明确查询意图并重写查询

2. 信息检索：从海量数据中筛选相关材料

3. 数据分析：提取数据图表等信息进行分析处理

4. 推理整合：将分散信息组织成连贯答案

5. 生成回答：输出附带图表与引用来源的回答

在技术实现上，Deep Search的关键技术包括：

• 多路召回：通过全文检索、向量检索、SQL查询等多种方式检索信息

• 融合排序：对不同来源的结果进行相关性排序、过滤与整合

• 推理链：通过分步推理提高答案准确性

• 图表渲染：将复杂数据可视化为直观图表

Deep Search的核心价值在于其高效率与精准性。

它解决了传统搜索耗时耗力的痛点，让研究者能够在数秒内获取可靠的事实性答案，特别适合科研人员在文献调研、数据核实等场景使用。

 2 

Deep Research: 重构现有知识

当科研问题从简单的事实查询升级为复杂的系统性研究时，Deep Search便显得力不从心，这便需要Deep Research登场。

Deep Research不再满足于提供片段式答案，而是能够自动化生成结构完整、论证严密的长篇研究报告。

OpenAI推出的DeepResearch功能是这一领域的标杆产品。

Deep Research的工作方式类似专业研究助理：给定一个主题后，它会自动进行多轮深入搜索、分析和推理，最终生成包含清晰引用来源的专业报告。

它的工作流程如下：

1. 理解研究主题：明确研究范围和目标

2. 规划研究路径：设计章节结构和研究方法

3. 信息检索分析：深入挖掘多源数据

4. 动态调整策略：根据发现优化研究方向

5. 生成研究报告：输出完整的研究成果

Deep Research涉及以下关键技术：

• 多智能体协同：检索、写作、质量评估等多个智能体分工合作

• 上下文管理：处理超长文本时保持逻辑一致性，外部记忆架构

• 逻辑推理：识别信息间的隐含关联，构建严密论证链

• 强化学习：研究过程中调整策略，例如修正初始查询、补充遗漏信息或优化分析路径。

Deep Research的突破性价值在于其系统性，能自动化完成结构化的长报告。

它特别适合政策分析、行业研究、学术综述等需要深度整合多方信息的场景，让研究者从繁琐的资料整理中解放出来，专注于创新思考。

 3 

AI Scientist: 创造新的知识

AI辅助科研的终极形态是AI Scientist（AI科学家），或AI Researcher（AI研究员）。

这类系统不仅能检索和整合现有知识，更能自主提出科学假设、设计实验方案、分析数据并撰写研究论文，真正参与知识创造的全过程。

Intology AI开发的Zochi便是这样一个"博士级"AI科学家，其撰写的论文甚至被自然语言处理顶会ACL 2025主会场接收。

Zochi在这篇论文中提出了一个名为Tempest的框架，通过“树搜索”技术突破大语言模型的安全防线。

AI科研系统自动评审评分的对比分析。

Zochi在NeurIPS评审标准下获得7.67的平均分，显著超过人类论文接收阈值6分，而此前系统均未达到该阈值。

项目：https://github.com/IntologyAI/Zochi

Zochi证明了AI不仅能辅助研究，还可以独立完成高质量的科学研究，甚至能通过学术界的严格审稿过程。

AI科学家的工作覆盖科研全流程。

参考前文提及AI4Research综述文章，包括以下5个关键阶段：

1. 科学理解：阅读论文并提取图表数据

2. 学术综述：生成结构化文献综述

3. 科学发现：提出新假设（如新型材料组合）

4. 学术写作：自动排版LaTeX并插入实验图表

5. 同行评议：模拟审稿人反驳潜在质疑

其中，学术综述和学术写作，依赖于我们从Deep Research所开发的能力。

AI科学家的意义在于其自主性。

此前，Deep Search和Deep Research仅作为人类研究的辅助：人类提出问题或主题，AI在现有知识中给出回答，或整合成报告。

而像Zochi这样的AI Scientist系统，现在能够独立完成从假设提出到成果发表的全流程，其产出的不是简单的答案或报告，而是经同行评议认可的新知识。这标志着AI从"研究辅助工具"升级为"研究主体"。

 4 

AI赋能科研的演进路径

通过对比Deep Search、Deep Research和AI Scientist，我们可以清晰看到AI赋能科研的演进路径：

这种演进背后是科研范式的根本变革。

传统科研高度依赖研究者的个人能力与时间投入，而AI的介入正在重塑这一格局。

 5 

展望：人机共创的科研新生态

随着Deep Search、Deep Research和AI Scientist技术的发展，有朝一日，人机共创将成为科研新常态。

这种人机共创的协同方式，可能呈现为以下场景：

• 任务执行：人类负责创意提出，AI处理执行性工作。例如，研究者构想某种新型材料，AI自动检索类似结构、预测合成路径

• 辅助决策：AI作为人类科学家的第二大脑，实时辅助决策。例如，AI系统在实验过程中，协助动态调整参数

• 自主研究：AI独立完成特定领域研究。例如，Zochi在大模型安全领域的自主探索

可以看到，人机共创不是取代人类科学家，而是解放人类科学家的科研创造力。

当AI科学家处理了文献检索、数据清洗、实验操作等重复性工作，人类科学家便能更专注于突破性思考。

从Deep Search到AI Scientist，AI正在逐步深入科研核心领域。

我们分析与理解这三者的差异与联系，将帮助我们更好地研发和利用AI辅助科研的系统与工具，提升科研的效率与竞争力。

在未来的实验室里，人类提供想象力，AI提供执行力。人机共创，共同突破人类知识的边界！