Nature点赞！哈佛MIT最新作：AI科学家时代来了（

1.哈佛大学mit

科学史的每一次飞跃，往往伴随着工具的革新随着近期大模型和智能体的飞速发展，这条路径正在通向一种全新的阶段：「AI科学家」在AI赋能科研的前沿，我们正见证一个重要的里程碑：从证明AI智能体「能否」解决特定科学问题，转向思考如何让它「高效、可靠、规模化」地参与整个研究过程。

2.哈佛大学科学家

Nature近期发布的新闻解析， 报道了由哈佛大学Marinka Zitnik和高尚华团队与MIT发布的首款大规模工具开源框架ToolUniverse。

3.哈佛教授

新闻链接：https://www.nature.com/articles/d41586-025-03246-7ToolUniverse开放的在线环境让研究人员能够用自然语言将各类大模型和智能体 连接到不同科学领域常用的工具，为打造AI科学家奠定了基础。

4.哈佛大学人工智能

项目主页：https://aiscientist.tools论文详解：https://arxiv.org/abs/2509.23426代码开源：https://github.com/mims-harvard/ToolUniverse

5.哈佛教授osama

当AI生成模型不再足够AI科学家为何而来？传统LLM（大语言模型）的核心能力是 「文本生成」，但科学研究需要的远不止于此：它需要分解复杂问题（如 「如何优化降胆固醇药物」）、规划实验步骤、调用专业工具（如分子模拟软件）、验证数据合理性，甚至在结果偏离预期时自我修正。

6.哈佛大学最新发现

这种 「推理 行动」 的闭环，正是AI从 「模型」 升级为 「科学家」 的关键AI智能体的突破在于将 LLM 与三大机制深度耦合：规划能力：将 「发现新药物」 拆解为 「靶点识别→化合物筛选→性质优化→专利验证」 等可执行步骤；

7.哈佛教授sinclair

记忆系统：追踪中间结果（如 「某化合物对肝组织的渗透率」），避免重复计算或逻辑断裂；工具调用：连接外部数据库、模拟器、分析软件，弥补 LLM 自身在专业计算（如分子结合能预测）上的短板但科学研究的特殊性给 AI智能体 其提出了更高要求：不同学科（生物、化学、物理）的工具格式不统一、数据需可复现、实验流程需严谨验证。

8.哈佛和mit的校训

若仅依赖通用的工具调用协议（如MCP，模型上下文协议），无法解决 「如何让AI理解质谱数据格式」「如何协调分子模拟与临床数据库的输出」 等专业问题而这，正是ToolUniverse解决的核心问题之一ToolUniverse

9.哈佛大学corey教授

科学AI Agent的生态基石ToolUniverse并非单一工具，而是一套 「连接 LLM 与科学工具」 的标准化生态（图 1）它的核心目标是：让任何LLM都能通过统一接口，调用600 科学工具，完成从 「提出假设」 到 「验证结论」 的全流程研究。

10.哈佛研究

图1：ToolUniverse 是一个用于打造AI科学家的生态系统通用型大语言模型（LLM）、推理模型与智能体可连接ToolUniverse提供的600余种科学工具，实现科研工作流自动化统一科学工具的「HTTP」。

解决三大痛点就像HTTP协议统一了互联网通信，ToolUniverse为AI科学家定义了专属的 「科学工具交互标准」（图 2），既能够无缝集成本地部署的开源工具，也能安全、规范地连接强大的闭源模型与API服务，解决了MCP协议在科研场景中的三大痛点：

图2: ToolUniverse通过统一协议连接机器学习模型、智能体、科学软件工具、数据库与API它引入了标准化的工具规范框架，使语言模型能够一致地发现、调用并解析各类工具类似于HTTP在互联网通信中确立标准的方式，ToolUniverse 协议通过两项核心操作：Find Tool（查找工具） 与Call Tool（调用工具）， 定义了AI科学家如何请求工具并接收结果。

工具发现难：通过「Tool Finder」组件，AI可结合关键词搜索、向量嵌入检索、LLM推理，从600 工具中精准匹配需求（如 「需要预测化合物肝毒性」 时，自动定位ADMET-AI工具）；调用不规范：「Tool Caller」组件会先验证输入（如分子结构格式是否符合 SMILES 标准），再执行工具，最后将输出转化为结构化数据（如 「结合能 – 8.2 kcal/mol」 而非杂乱文本）；

推理难闭环：新增 「推理控制层」，让AI能理解工具输出的科学意义（如 「该化合物脑渗透率高→可能引发中枢副作用」），而非仅机械调用这种标准化设计，让AI从 「会用工具」 升级为 「会用科学工具解决问题」。

四大核心组件支撑AI科学家的完整生命周期ToolUniverse 通过四大组件（图 3），覆盖了AI科学家从 「工具获取」 到 「 workflow 优化」 的全流程需求，真正实现 「可编程的科学协作」。

图3: ToolUniverse 提供了六项关键能力，支持AI科学家完整的生命周期：查找工具、调用工具、添加新工具、将工具串联为工作流、从自然语言生成新工具，以及优化工具规范以提升可用性Tool Manager：工具的 「注册与管理中心」。

它解决了 「如何将新工具接入生态」 的问题：本地工具（如实验室自研的数据分析脚本）只需提交 「功能描述 参数格式 输出示例」，即可被自动纳入统一 schema；远程工具（如云端分子模拟平台）通过 MCP 协议接入，无需暴露内部代码，兼顾安全性与兼容性；

自动验证工具有效性（如 「输入错误分子结构时是否返回提示」），确保AI调用时的可靠性Tool Composer：科学 workflow 的 「搭建者」科学研究很少依赖单一工具，比如 「药物筛选」 需要串联 「靶点数据库→化合物库→分子对接工具→毒性预测工具」。

Tool Composer 的作用就是：定义工具间的数据流（如 「分子对接工具的输出结构，直接作为毒性预测工具的输入」）；支持条件逻辑（如 「若毒性预测超标，则返回上一步重新筛选化合物」）；生成可复现的 workflow 脚本，方便人类科学家追溯或修改。

通过智能体系统，实现工具间调用关系的自动构建与优化Tool Discover：工具的 「自动生成器」当现有工具无法满足需求（如 「需要一种新的基因表达数据可视化工具」），AI 可通过自然语言描述需求，Tool Discover 会：。

将文本描述转化为结构化工具规格（如 「输入：CSV 格式表达矩阵；输出：热图 火山图」）；自动生成代码、测试用例，通过 「预期行为 vs 实际输出」 的反馈循环迭代优化；无需人工编码，让工具库随科研需求动态扩展。

Tool Optimizer：工具的 「质量守护者」科学研究强调可复现性，Tool Optimizer 通过三大动作保障工具稳定性：定期生成测试用例（如 「用已知活性的化合物验证分子对接工具的准确性」）；

分析工具输出与规格的偏差（如 「某工具预测的结合能与实验值误差突然增大」）；自动更新工具文档或参数设置，确保AI调用时的一致性跨模型兼容让每类LLM都能成为科学助手不同科研场景对LLM的需求差异极大：实验室本地分析可能需要轻量开源模型（如 Llama 3），而复杂 hypothesis 推理可能依赖云端大模型（如 Claude 3），生物医药研究还需专业模型（如