中科紫东太初推出ScienceClaw的AutoProject引擎，推动AI科研从任务级转向项目级自主科研。该系统通过Project2Task规划、TaskExecutor长程执行和EviGraph证据验证，实现项目规划、任务拆解、动态修复及成果沉淀，覆盖多学科，提升科研效率与可靠性。

深势科技发布玻尔·科学空间，为科研人员与AI科学家协同工作提供桌面环境。它整合文献、计算工具和实验资源，内置BioMaster、PharmMaster等专家，自动完成调研、假设验证、数据分析和论文写作。研究者只需提问和确认，AI接管繁琐工作，提升科研效率，并推出“玻尔107计划”征集重要科学问题。

源络科技与国家级科研实验室合作推出人形机器人Monte2，推动实验室3.0发展。该机器人能自主完成细胞毒性检测等复杂实验，具备环境理解、长序列任务执行和动态适应能力。计划到2027年扩展至百台，通过AI调度集群，旨在将科学家从重复劳动中解放，提升科研效率。

谷歌前工程师创办Discovery Loop，旨在用AI自动化科研实验循环，将周期从年压缩至秒，覆盖材料、生物等领域。此举可能颠覆科研权力结构，使AI设计能力成为核心，但也面临高成本和现实数据鸿沟。文章认为这暴露了传统科研效率低下，科学正被资本和代码重塑。

OpenAI的新模型GPT-5.6显著提升了科研效率，研究员的角色从操作工转变为指挥员。该模型能够自动诊断故障、优化系统、设计实验和解读数据，显示出AI在科研中的重要性。尽管流程加速，研究的创造性和判断力仍需人类掌握。

Google推出了“Gemini for Science”计划，整合多种AI工具以支持科研工作流，包括假设生成、计算发现和文献洞察，旨在提高科研效率，帮助研究者应对信息过载。AI将参与科学推理和实验自动化，推动科研进程。

Paperclip通过整合arXiv等数据库，重构了AI论文检索方式，允许AI快速检索和分析论文，提升科研效率。AI能够直接处理全文，支持批量操作和跨领域推理，变成主动的研究员。这一变革使科研从传统阅读转向数据处理，极大提高了效率。

UniScientist是一个开源的30B参数AI模型，能够实现科研闭环，包括提出假设、收集证据和验证。通过动态系统建模和人类专家的验证，该模型提升了科研效率，超越了许多大型闭源模型，旨在将科研问题转化为可验证的单元测试，推动科学发现。

人工智能（AI）提升了个体科研效率，但也导致科学知识的聚焦和多样性减少。清华大学与芝加哥大学的研究表明，AI助力个人学术发展，但集体科学探索的后续互动减少了22%，数据可得性是这一现象的根本原因。

复旦大学研发的AI学术工具WisPaper，旨在帮助科研人员高效检索和阅读外文文献，提供智能搜索、文献翻译和核心总结功能，提升学术研究效率。

GROK4是马斯克推出的最新AI大模型，具备强大的推理和生成能力，采用20万张显卡进行强化学习，显著提升科研效率。在“人类终极测试”中表现优异，超越其他模型。尽管日常任务处理能力一般，但在科研领域表现突出。未来将提供企业私有部署服务，市场竞争激烈。

研究显示，过去50年科学生产力下降且研究变得复杂。FutureHouse利用AI平台自动化关键步骤，助力科学家加速研究。创始人Rodriques和White希望通过AI工具解决科研瓶颈，提高效率。