自主科学发现（Autonomous Scientific Discovery, ASD）是“AI for Science”范式的重要演进方向，旨在通过大模型智能体（AI Agents）与多模态大模型（Multimodal Large Language Models）的深度融合，构建具备自主规划、科学推理、实验设计与结果验证能力的智能科研系统。该类系统能够在最小人类干预下，形成感知—推理—决策—执行—反馈的动态闭环，实现跨学科知识的持续生成与验证，从而突破传统科研范式在效率、规模与认知深度上的固有瓶颈。其核心目标在于赋予“AI 科学家”以持续自我改进与知识演化能力，推动科研模式由以人为中心的手工探索，向人机协同乃至高度自主的科学发现范式转型，进而革新城市科学、地球科学、材料科学等复杂系统领域的知识发现方式。

1. 动态自主科研工作流：自主科学发现系统遵循“观察—假说生成—实验规划—数据分析—验证与进化”的闭环科研流程。智能体能够基于实时反馈与不确定性评估，动态调整研究假设、实验路径与资源配置，实现跨阶段、跨任务的全流程自主协同。

2. 自主进化与科学推理机制：通过强化学习、自我反思（self-reflection）与持续学习机制，智能体能够在实验失败或证据不足的情形下主动修正推理过程与研究策略，逐步提升科学假设质量、实验效率与创新能力，形成可积累、可迁移的科学认知结构。

3. 具身化与闭环实验执行系统：该方向进一步融合多模态科学数据（文本、图像、时序数据、光谱信号等）与专业科研工具链（仿真平台、科学数据库、自动化实验设备），驱动机器人系统、自动化仪器或数字孪生环境在物理或虚拟空间中自主执行实验操作，实现从假设生成到实验验证的端到端闭环科学发现。