“当前，很多人都在进行 AI for Science 的研究，然而大多数都停留在理论层面和实验室层面。我们来自于行业高校，所以就想多走一步，看看能否让 AI 真正进入垂类领域。我们所在的化工行业占国民生产总值的 17%，因此我们也想证明 AI 不仅可被用于日常生活，也能在行业赋能中发挥关键作用。”近日，中国石油大学（北京）副教授周天航告诉 DeepTech。基于这样的理念，他和所在团队打造出一款名为 Cyber Academia-Chemical Engineering 的系统，它好比是一个能够自主演化的数字学术小镇，在这个小镇里住着不同领域的专家，它们分别是分子设计专家、中试放大专家、工程验证专家、实验研发专家、理论机制专家、工艺安全专家和质量控制专家，它们能像真正的科研团队那样发现问题和互相讨论，通过计算和实验来获取数据，以及通过协作解决复杂问题。

图 | Cyber Academia-Chemical Engineering 示意图（来源：资料图）

Cyber Academia 拥有以下三个突出特点：一方面它可以实现自主研究演化，另一方面它可以实现涌现式科学发现动态发展，再一方面它是一个数字小镇。传统 AI 只能解决人类已经明确定义的问题，而本次系统可以让不同领域的专家持续交互和相互启发，期间它能够自主发现那些人类尚未意识到的科学问题和跨学科联系。更重要的是，该系统不仅能发现问题，还能自主设计完整的技术路线，从理论分析、实验验证到工艺优化，整个研发链条都可以由多智能体协作完成。

作为相关论文的通讯作者，最让周天航期待的是其对于“暗知识”的探索能力。在科学知识中隐藏着大量人类难以察觉的隐含关联，Cyber Academia 通过跨领域的知识整合和持续演化，有可能挖掘出这些被遗忘在角落里的“暗知识”，将它们转化为突破性的科学发现。这种从被动响应到主动探索的转变，可能会催生一种新的科研发现范式。

图 | Cyber Academia-Chemical Engineering 提示效果（来源：资料图）

前面提到，研究团队来自于中国石油大学（北京），这是一个传统工科院校的团队，团队负责人徐春明院士深耕石油石化多年，近期还承担了 NSFC-CAS 联合项目“低碳智慧化工”的专项。2022 年，本次论文的通讯作者周天航从德国（硕博 7 年）留学回国，开始着手探索 AI 在化工中的应用。

周天航表示，本次论文的作者们都非常年轻，也都打过游戏，所以有一天他们开始思考：能否构建一个 AI 游戏系统，让它不再是被动的工具，而是能够主动探索、自主发现科学问题？

在此之前，人们通过外加知识库和微调技术，使得大模型能够准确完成人为规定的专业任务比如分子性质预测和排序。但是，该团队真正期待的是 AI 能够自主发现科学问题，并能实现真正意义上的重大科学突破。受到美国斯坦福大学 AI 小镇中 AI 智能体的启发，研究团队打算构建一个更加专业化的学术社区。

其表示，斯坦福 AI 小镇展示了多个智能体如何在虚拟环境中自主互动以及形成社交网络，这让研究团队意识到：如果将这种自主交互模式用到科学研究场景中，让不同专业领域的 AI 专家自由对话和协作，能否产生类似真实科研团队中的跨学科碰撞和创新火花？

于是，研究团队提出了“Cyber Academia”（赛博学术圈）这一概念。不同于斯坦福 AI 小镇主要被用于模拟日常生活，研究团队希望创建一个专门的学术研究环境，让 AI 专家能够像真实的科研人员一样进行深度的专业讨论、跨学科合作，甚至能够自主发现新的研究方向。

明确研究目标之后，他们开始思考如何将概念转化为可实现的系统。期间，他们面临的问题是：需要哪些类型的专家？经过对化工领域研究链条的梳理，研究团队确定了上述七个核心专家角色，这七个角色覆盖了从分子层面到工艺系统层面的完整研究链条。

图 | Cyber Academia-Chemical Engineering 中的专家示意图（来源：资料图）

当研究团队完成七个专家智能体的部署后，他们启动了系统的首次自主运行，在让系统在相同初始条件下连续运行三天之后，他们收集了 1200 轮对话。然而，通过检查对话记录他们发现依然存在一个严重问题：专家们经常出现明显的“幻觉”现象，它们会偏离核心技术问题，陷入抽象的概念讨论中。

接下来的关键挑战是：如何让这些 AI 专家真正具备专业深度？通用大模型虽然知识广博，但在面对化工领域的专业问题时往往浮于表面。为此，研究团队为每个专家配备了领域专属的知识库，并开发了检索增强生成、领域自适应微调和知识图谱技术的三重知识增强机制，研究团队利用大模型针对这些对话中的各个专家智能体的响应速度、准确性和问题解决能力三个维度进行评分，借此发现知识库增强机制使得所有七个专家智能体的对话质量分数平均提高了 10%-15%，这从根本上确保了技术判断基于可验证的科学证据，而不是模型的“想象”。

图 | Cyber Academia-Chemical Engineering 中的知识增强示意（来源：资料图）

之后，针对配备了知识库的专家智能体之间的对话，研究团队开展了进一步的分析，借此发现部分专家之间的协作效率仍然不够理想。例如，分子设计专家和工艺安全专家、质量控制专家和理论建模专家等两个专业领域较远之间的专家在协作时存在大量的概念混淆情况，这就导致两个智能体之间形成了严重阻碍跨域交流和协作决策的语义鸿沟。

针对这一难题，研究团队联想到本体工程的概念。本体，是一种形式化的知识表示，它定义了特定领域中概念、属性及其相互关系。本体工程的目标是开发能够准确、有效地表示特定领域知识的本体，并能提供一个共享的词汇理解方式，以便既能促进信息的交换，也能促进系统间的互操作性，从而解决沟通协作中遇到的概念混淆情况。

于是，研究团队引入协作智能体（CA，Collaboration Agent）。协作智能体配有了专门的本体工程知识库和多智能体协调策略，可被用于弥合不同专业领域之间的语义鸿沟，能够辅助专家智能体之间的沟通协作。

图 | Cyber Academia-Chemical Engineering 中协作增强示意（来源：资料图）

说到这里，周天航告诉 DeepTech：“所以本次成果的价值不在于简单地增强单个专家的知识深度或处理能力，而是在于通过本体工程来建立语义桥梁，让原本孤立的专家智能体能够超越知识边界限制，通过持续的互动动态来调整协作策略，从而开拓出来真正的问题解决路径。”当不同的专业视角能够在统一本体框架之内充分交流时，那些在单一领域之内难以察觉的技术关联和创新机会就能涌现出来，从而推动多智能体系统从“简单任务执行”向“更高层次的自主协作智能”进行演化。

另据悉，此前该团队基于在长时储能领域的成果孵化出了一家名为中海储能的公司，公司主营业务是研发铁铬液流电池。该公司曾推出全球首款铁铬液流电池垂类大模型 FlowBD 和“分子—电网工业智能体”。其中，FlowBD 和“分子—电网工业智能体”也是本次论文通讯作者周天航基于中海储能的数据主导研发而来。而基于本次成果，周天航后续也会以中海储能的实际产业应用作为试验田，对其产业应用效果进行测试。

参考资料：

https://arxiv.org/pdf/2510.01293