Microsoft 釋出 Discovery：用多智慧體加速企業科研與材料研發

過去在實驗室裡研發新材料或者篩選藥物分子，科研人員往往要泡在海量文獻裡，手動寫指令碼、跑模擬，一折騰就是好幾個月甚至幾年。

在 2025 年的 Microsoft Build 大會上，微軟拿出了一個新解法：名為 Microsoft Discovery 的企業級智慧體平臺。它不是單獨一個聊天機器人，而是讓科研人員能組織起一支由專屬 AI 組成的智慧體團隊，從提出科研假設到呼叫高效能運算（HPC）模擬，全程打配合。

組建科研專屬的 AI 專家團

微軟做這個平臺的核心想法，是解決大語言模型在做科研時的致命軟肋。普通大模型遇到複雜、分散且充滿矛盾的實驗資料時，很容易胡言亂語或者漏掉上下文。

Microsoft Discovery 在底層搭建了一套基於圖譜的知識引擎。它不是簡單地搜尋關鍵詞，而是會梳理私有資料和公開發表文獻之間的深層關係，記錄彼此矛盾的理論、不同的實驗結果以及跨學科的前提假設。最關鍵的是，它的推理過程是透明的，每一步都帶有來源追蹤，方便專家隨時核驗糾錯。

在知識圖譜之上，科研團隊可以用自然語言直接設定各種專業分工的智慧體，比如專門負責跑分子性質模擬的、負責刷文獻的。微軟讓 Microsoft Copilot 在其中充當總排程室，根據研究人員的提示詞，調動不同的智慧體跑通端到端的科研流水線。

200 小時篩出新冷媒，拉來輝達助陣

為了證明這套流程不是紙上談兵，微軟講了一個自家的真實案例：研究人員利用 Microsoft Discovery 中的 AI 模型和高效能運算模擬工具，僅用了大約 200 小時，就找到了一種適用於資料中心浸沒式冷卻的新型非 PFAS 冷卻液原型。在傳統研發流程中，這通常需要幾個月甚至數年。

外部機構也已經用上了它。比如美國太平洋西北國家實驗室（PNNL）正用 Microsoft Discovery 開發機器學習模型，最佳化核裂變產物中放射性元素的分離流程，藉此減少科研人員暴露在輻射環境中的時間。此外，聯合利華也是早期採用類似模擬技術的客戶之一。

除了底層依託 Azure 雲平臺，輝達也全面接入了這個生態。Microsoft Discovery 將整合輝達針對化學模擬最佳化的 ALCHEMI NIM 微服務，以及用於藥物研發的 BioNeMo NIM。在算力底座上，微軟正在全球部署基於輝達 GB200 NVL72 的機架級系統，新出的 Azure ND GB200 v6 虛擬機器在推理吞吐量上據稱比上一代八卡 H100 虛擬機器提升了最高 35 倍。

為什麼重要

我們認為，Microsoft Discovery 走得最聰明的一步，是它沒有試圖去做一個全知全能的超級科研模型，而是老老實實做了一套「聯結器」。它把大模型最擅長的高層意圖拆解，和傳統的數值模擬、高效能運算軟體接在了一起。

長期以來，科研計算領域有一道很深的鴻溝：懂化學、生物的科學家不一定精通高效能平行計算，做模擬調參非常耗時；而 AI 專家又不懂行業機理。微軟用自然語言來配置智慧體分工，讓缺乏高深計算背景的實驗人員也能排程龐大的 HPC 算力，這極大降低了計算化學和數字生物學的准入門檻。

當然，隱患也不是沒有。實驗科學是一門極度嚴肅的領域，如果知識圖譜在解析外部文獻時理解了有偏差的資料，或者智慧體在組合呼叫工具鏈時發生了隱蔽的邏輯錯漏，可能會把科研人員帶進死衚衕，造成高昂的算力和試錯成本。雖然微軟強調了透明度和可溯源，但最終的裁判權依然完全壓在人類科學家身上。

對於化工、製藥和材料領域的企業來說，現在完全值得接入試水。特別是在初期的分子篩選和性質預測階段，用它來砍掉前期幾個月毫無意義的盲目試錯，已經拿出了真金白銀的產出回報。