想象你要用一屋子的镜片、光源和探测器搭一套实验。元件可以换，位置可以挪，连接方式也能重排。每多一个选择，可能的搭法就急剧增加。人类专家通常靠理论、经验和直觉缩小范围；这篇 Nature 综述讨论的是，能否让 AI 直接进入这个庞大的候选空间，寻找人未必会想到的装置。
这里的 AI 不是在实验结束后分析数据，也不是独立提出科学问题。它参与的是更靠前的一步：决定仪器怎样摆、元件怎样组合。论文把这件事概括为一种寻优问题——在预算、尺寸和器件可用性等现实限制下，搜索表现最好的硬件配置。
需要说明的是，本文依据 Mario Krenn 的一篇 Nature 综述。关键效果论断均来自这一信源，材料没有提供具体任务、指标和数值，因此不能把局部案例泛化成“AI 已经全面胜过物理学家”。
从调旋钮到重新搭装置
传统的自动优化更像替实验员调旋钮：装置结构已经确定，算法只调整少数参数。Krenn 认为，近期 AI 驱动的设计开始走得更远，能够提出全新的实验布局，也就是所谓的 de novo discovery——不是修补现成方案，而是从头寻找一种搭法。
综述称，这些配置有时会偏离已有的设计惯例，并能匹配、甚至超过人类设计装置的性能。不过，摘要没有说明这种比较发生在哪些实验里，也没有给出评价指标、基线或提升幅度。更稳妥的理解是：至少在综述覆盖的部分案例中，机器搜索已经不只是辅助调参，而能产出值得实际考虑的硬件方案。
这类任务本质上接近组合优化。可以把它理解成从海量积木中寻找最好的一种搭法：候选配置多到无法逐个试验，算法只能根据每次尝试的结果，逐步靠近更好的区域。困难还在于，实验设计同时包含两类选择。某个元件用或不用、两件仪器是否相连，是离散变量；镜片角度、线圈形状或元件位置，则是连续变量。AI 必须在两种空间里共同探索。
四道关决定它能走多远
综述用四个问题组织这个领域。
第一，怎样构造足够有表达力的搜索空间。搜索空间就是允许 AI 尝试的全部方案集合。范围太窄，机器只能在人的既有模板里微调；范围太宽，计算又可能变得难以承受。
第二，怎样建立快速而可靠的模拟器。真实装置不可能为每个候选方案都搭建一次，因此通常要先在计算机中预测效果。模拟太慢，搜索跑不动；模拟不准，AI 可能找到只在虚拟环境里优秀的方案。
第三，怎样把科学目标写成可计算的目标函数。目标函数就是给方案打分的尺子，例如让某项测量更精确。问题在于，算法会认真追逐这把尺子，所以评分方式必须真正代表研究者想要的东西。
第四，怎样同时处理离散与连续的设计选择。综述认为，这四道关共同决定了一套方法能否在计算可行性、实验可实现性、可解释性和结果可靠性之间取得平衡。
早期案例已经走进实验室
综述列举了两个较早的框架。Melvin 用于设计光子量子信息实验——即利用光子承载和处理量子信息的实验；它提出的若干配置后来得到实验室实现。Tachikoma 面向量子计量实验，也就是借助量子效应提高测量能力的实验；它最初使用遗传算法——模仿筛选、变异和迭代的搜索方法，后来又加入神经网络代理模型，用一个较快的预测模型代替部分昂贵计算。
这些例子的重要性不只在于“AI 给出了答案”，而在于答案能够被转化为真实装置。它们提示了一种新的分工：物理学家规定问题、评价标准和现实边界，AI 则在人力难以穷举的配置空间里寻找候选布局。机器在这里更像共同设计者，而不是自主科学家。
为什么现在值得关注
实验装置长期依赖专家积累的设计习惯。这些习惯非常有效，也会自然地把探索集中到熟悉的区域。AI 搜索的潜在价值，是系统检查那些不符合直觉、却仍满足物理目标和工程约束的组合。
Krenn 展望，未来如果能把多个物理领域的模拟器与大量实验目标结合起来，AI 或许可以发现仅凭人类直觉很难抵达的实验概念。综述进一步提出，这可能带来探索宇宙的新方式。但这仍是方向性判断，不是已经兑现的成果。
局限与未知
- 材料没有披露“匹配或超过人类设计”的具体任务、指标、基线和数值，无法判断这一结论适用于多大范围。
- Melvin 的实现数量与实施主体，以及 Tachikoma 后续代理模型的细节，尚未由对应原始论文交叉核验；Krenn 同时也是 Melvin 论文作者之一。
- AI 目前被讨论为硬件布局的搜索与生成工具。它不等于已经能够独立提出科学问题、执行实验并完成科学发现。