前面四个方向都是给科学家一件更好的工具；这个方向想替代的是科学家的工作流程本身：读文献、提出假设、设计实验、分析数据、迭代、写成论文。它通常是一组分工合作的智能体，底座就是通用大模型。
它和 RSI 是同一套机器：研究对象换成 AI 自己，就是 RSI 第三阶段「AI 加速 AI 研究」。所以这一页同时收录 RSI 线里那些对科研有外溢的证据。
取决于研究对象：研究机器学习时，实验就是跑代码，验证几乎免费；研究生物或材料时，要么接自动实验室，要么等人去做湿实验。这也是为什么 AI 科学家的第一批成果集中在机器学习领域。
这里通用大模型就是主角：Robin、Co-Scientist、AI Scientist 的底座都是前沿通用模型，专用科学模型只作为它们调用的工具。
FutureHouse 的多智能体科研系统：提出假设、设计实验、分析湿实验数据，再据此提出下一轮假设。
第一次把「实验室在环」的完整科研循环交给 AI，找到一个老药的新用途；但实验仍由人来做，候选药离临床还很远。
争议与局限：ripasudil 本身是已上市药物，这是「重定位」而不是全新分子；细胞实验到临床疗效之间还有很长的距离。
基于 Gemini 的多智能体科研系统，2026 年 8 月的新版本接入了真实实验室，覆盖材料、生物与计算机科学。
通用大模型直接给出实验配方并在真实实验室一次成功——SOTA 牵引 AI4S 最直接的一例；但仍是半自动，结构确认也还不完整。
争议与局限：论文自己承认，MXene 类材料的合成结果「需要进一步实验确认原子结构」；这是 Google 自家团队的论文，尚无第三方复现。