生命科学里的AI应用，公众记住的往往是蛋白质结构预测这类单点突破。农业科研面对的是另一种难题：文献与数据的量级极大，结论之间互相矛盾，真正有价值的线索埋在几十万篇论文与几十套组学数据的交叉处，靠人力读不完。据中国农业科学院官网与中国科学报10月22日报道，该院农业基因组研究所商连光团队联合崖州湾国家实验室、盐碱地综合利用国家技术创新中心，发布了一套面向植物逆境研究的自进化AI科学家系统，命名为绿洲，相关论文发表在《分子植物》上。这套系统不预测结构，它的工作是把科研流程本身自动化。
绿洲的架构模拟的是一个科研团队的分工。系统由6个AI智能体协作，先由规划角色识别研究意图并制定任务计划，再调用文献检索、数据分析、科研数据库查询等工具执行，最后由审查与综合模块检查证据覆盖是否充分，确认后才生成结论。这个流程设计的巧妙之处在于把审查独立出来。多数AI科研助手的问题出在最后一环，模型给出看起来合理的结论，但支撑证据并不完整，研究者要花大量时间回溯核对。绿洲把审查做成一个独立环节，专门检查结论是否有足够的证据覆盖，等于在流水线上装了一道质检。系统还有一个自进化特性，能从历史任务的失败与纠错中学习可复用的经验，把踩过的坑沉淀成后续任务的约束。全过程记录保存在共享工作空间里，便于研究者回溯核对每一步调用了什么工具、基于什么数据得出什么中间结论，这对科研场景的可信度至关重要。值得注意的是自进化能力的具体含义，系统记录的不只是成功路径，还有失败的检索与推理过程，下一次遇到同类问题时把这些记录当作约束条件，避免重复调用同样的工具、重复走同样的死路，这种积累方式比重新训练模型便宜得多，也更适合科研机构有限算力的现实。
智能体再聪明，没有领域知识也只能空转。绿洲配套建设的知识库规模不小：收录超过15万篇植物逆境相关论文摘要与1.5万篇开放获取全文，同时接入植物逆境表达数据、GWAS与QTL定位结果、群体变异数据、eQTL以及种质资源等结构化信息。知识库的覆盖范围也明确划定，包含拟南芥、水稻、玉米、小麦、大豆与陆地棉6个物种，以及盐、干旱、高温、低温4类主要非生物胁迫。这个范围的选择有实际考虑，6个物种涵盖了模式植物与主要粮食与经济作物，4类胁迫覆盖了全球农业生产中最主要的减产因素，范围收得太窄无法支撑跨物种迁移推理，收得太宽则数据质量难以保证。结构化数据的接入是另一个关键，文献里的结论是观点，组学数据是证据，把两者放进同一个检索空间，智能体才能做文献与组学数据的融合推理，而不是只做文献综述。这也是这类系统与通用大模型问答的根本差别，后者能总结文献，却读不了GWAS的原始统计结果。
系统能不能用，最终要看实验验证。团队选择水稻耐盐作为案例，让绿洲提出候选基因，再把这些候选送进实验室做功能验证，结果是一个候选基因被证实与水稻耐盐响应相关。这个结果需要准确理解它的分量。一方面，从海量线索中筛出可验证的候选并最终得到实验支持，说明系统提出的假设不是随机噪声，具备真实的科研价值；另一方面，被证实的只有一个基因，这个命中率放在药物研发的语境里或许算正常，放在作物育种里则说明系统目前更适合作为线索生成器而非结论生产者。官方表述也保持了克制，称该研究为植物抗逆机制研究与作物抗逆改良提供辅助工具。这种表述水平在AI科研的报道里其实很珍贵，多数宣传会直接把辅助工具说成科学发现。对真正做育种的团队而言，一个经过验证的耐盐基因本身就有价值，后续可以进入标记辅助选择与品种改良流程，只是这条链路要走完需要好几年。换个角度说，系统真正的贡献是把搜寻范围从几千个候选收窄到几十个，让实验资源集中投放，这一步在人力条件下往往要耗费一个团队半年以上。
把绿洲放进AI for Science的整体版图，会发现农业的位置有点特殊。药物研发有明确的商业回报预期，资本愿意为分子设计付高价；材料科学的实验闭环相对容易自动化，机器人可以7×24小时跑；农业科研周期长、回报分散、公共品属性强，长期缺乏商业资本投入，但这恰恰是公共科研机构的主场。中国农科院这类机构的选择很务实，不去拼算力与模型规模，而是从文献与数据的组织入手，把几十年积累的领域知识变成智能体可以调用的结构化资产，这条路的技术门槛不在模型，而在数据治理与领域理解。也正因为如此，这类系统的护城河比通用模型更深，通用模型会被更强的通用模型替代，而一个把6个物种的组学数据、15万篇文献与育种经验编织在一起的系统，替代成本极高。往远看，农业AI的价值不会体现在单篇论文上，而会体现在育种周期的缩短上：传统育种培育一个抗逆品种要八到十年，如果线索发现环节能从数年压到数月，整条链路的节奏都会变。