把 RSI 递归自我改进机制放进分子发现流程里，AI 可以看完上一轮湿实验结果，自己调整筛选策略、优化实验方案，不再死守人类一开始写好的固定流程；从已经公开的 MoLRSI、EnzymeRSI 这类项目来看，部分场景下 AI 自主改出来的策略确实通过了湿实验，甚至 hit 率比人类专家预设方案更高，但它不是稳过，湿实验里的噪声、生物体系的不确定性，依然会让 AI 自主迭代的方案翻车。传统 AI 分子发现大多是人类定好整套筛选逻辑，AI 只负责生成候选分子；而 RSI 路线的核心变化是把 “科研策略本身” 也交给 AI 迭代，AI 会根据实验反馈调整打分规则、筛选优先级、文库构建方式，这套闭环现在已经在抗生素、多肽 MHC 结合分子、酶改造项目拿到湿实验阳性结果，但距离无人工干预、全流程稳定通关还有很大差距。

一、RSI 在分子发现里到底是怎么跑的

整套流程是干湿闭环，分成 4 个核心环节，AI 拥有修改上层科研策略的权限，不只是单纯生成分子：

1. 初始策略启动：人类只给目标（比如找抗菌低毒分子、找多肽结合靶点），不写死完整筛选流程；
2. AI 生成候选 + 执行：AI 输出一批分子，送到自动化实验室或者高通量平台做湿实验；
3. 读取湿实验反馈：拿到活性、毒性、结合特异性这些实测数据，而不是只靠虚拟预测分数；
4. AI 自主修改科研策略：分析哪些筛选方向有效、哪些是无效分支，自行调整评价权重、淘汰规则、下一轮采样方向，再启动新一轮分子搜索。

和普通 AI 分子筛选最大区别：普通方案是策略固定，只迭代分子；RSI 是策略和分子一起迭代。

二、已经公开的湿实验实测数据

三、为什么 AI 改的科研策略，有时候还是过不了湿实验

1. 虚拟预测和真实生化体系存在鸿沟：AI 学习的是历史数据集，很多罕见的溶剂效应、溶解度、代谢毒性、非特异性结合，数据集覆盖不全，AI 调整策略时容易高估虚拟指标；
2. 湿实验自带噪声：试剂批次、细胞状态、孵育条件微小波动，都会改变读数，AI 容易把随机噪声当成有效信号，朝着错误方向调整策略；
3. 多目标权衡很难拿捏：分子发现经常要同时平衡活性、毒性、成药性，AI 自主调整权重时容易顾此失彼，比如一味追求活性，选出细胞毒性很高的分子；
4. RSI 迭代有局部最优陷阱：AI 会在已经看到正向信号的方向持续深挖，漏掉潜在的全新分子骨架。

四、选型和落地建议

• 适合用 RSI-AI 自主改策略的场景：高通量、可并行、指标清晰的筛选，比如抗生素、多肽、酶变体、简单小分子靶点筛选；
• 不适合直接放开策略自主迭代：复杂体内药效、动物实验、长期毒性研究，这类实验成本极高、周期长、反馈样本少，不适合交给 AI 自由迭代；
• 稳妥落地方式：AI 提出策略修改方案，人类研究员审核后再上湿实验，保留人类的否决权；
• 成本提醒：RSI 每一轮策略迭代都要消耗湿实验资源，盲目放开自主迭代会快速烧掉实验经费。

五、现阶段能力边界总结

目前 RSI 带入分子发现，已经证明AI 有能力自主优化科研策略，并且产出湿实验可验证的分子，在部分任务里效果优于固定的专家流程；但它不能保证次次通关，湿实验依然是这套体系最硬的校验关卡。现阶段定位是科研助手，而不是完全替代研究者，核心价值是快速探索人类想不到的筛选逻辑，压缩试错周期。

【相关 FAQ】

问题 1：RSI 带入分子发现，AI 自己修改科研策略，是不是意味着湿实验环节可以完全交给 AI，不用科研人员把关？

回答 1：不可以，就算 AI 自主修改科研策略在分子发现任务拿到湿实验阳性结果，湿实验本身存在大量不可控变量，RSI 的 AI 很容易被实验噪声误导，目前主流方案都是 AI 输出策略修改建议，由科研人员审核、评估风险之后再启动湿实验。

问题 2：MoLRSI 这套 RSI 分子发现方案，AI 自主调整科研策略之后，湿实验 Hit 率提升的原理是什么？

回答 2：MoLRSI 的 AI 会根据前一轮湿实验结果，自主调整分子评价指标权重、淘汰规则、采样方向，优先保留兼顾活性、毒性、新颖性的分支，放弃无效搜索路径，所以相同文库条件下，AI 自主迭代的科研策略筛选出有效分子的概率高于人类预先写死的固定流程。

问题 3：RSI 用于分子发现，AI 自主改科研策略，和传统 AI 分子生成最大差别在哪？

回答 3：传统 AI 分子生成，科研策略、筛选规则、打分标准都是人类提前定好，AI 只负责生成候选分子；RSI 路线的 AI 可以基于湿实验反馈，自主修改上层科研策略、筛选逻辑，也就是搜索分子的方法本身也会持续迭代，这是二者最核心的区别。

问题 4：RSI 分子发现 AI 自主迭代的策略，在湿实验里一定会拿到更好的分子吗？

回答 4：不一定，RSI 自主迭代的科研策略存在陷入局部最优、误判实验噪声的问题，部分场景下 AI 调整后的策略反而会筛出毒性高、溶解度差、无法成药的分子，湿实验验证失败的情况依然很常见。

【参考资料】

[2026-10-27]（珞米发布《Nanomics AI4S 科学智能闭环平台》，以 RSI 递归自进化驱动 TechBio3.0）大众网

[2026-10-23]（RSI 两大里程碑发布，单人手搓千亿模型，英伟达大佬教「保命」法则）36 氪

[2026-10-18]（Google 也在推进自主湿实验室，已实现智能体与机器人闭环）ZAKER

[2026-10-12]（RSI 走向真实研发：AI 自我改进开始可度量）华尔街见闻

[2026-10-01]（MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery）arXiv

[2026-09-17]（谷歌给 RSI 找到了一条捷径：做梦）36 氪

【免责声明】

本文仅为 RSI 在分子发现方向的前沿科研科普解读，不构成药物研发、实验设计的实施指导。RSI 递归自我改进的分子发现方案仍处于早期研究阶段，湿实验结果受靶点、细胞株、试剂、实验平台等多重条件影响；所有实验方案、分子筛选策略、候选分子验证，必须由具备资质的科研人员设计、审核并按照实验室规范开展，不建议直接照搬论文方案用于药物开发。相关技术进展、论文结论以 arXiv、期刊官方原文为准。