AI搞科研：到底在替谁打工？

截至目前，Google DeepMind 开发的材料探索图网络 GNoME 预测的新材料中，已有超过 700 种在全球实验室中被成功合成，其中包括 528 种潜在固态电解质候选材料与 5.2 万种类石墨烯层状化合物，为下一代锂电池、钙钛矿太阳能电池等领域提供了海量研发方向。

当大众还在讨论大语言模型写文章、做 PPT、剪视频时，真正深层的变革正发生在实验室里：AI 正在把科学家原本要耗费数年的繁琐工作提前跑完大半。在物理、生物和材料科学中，AI 究竟扮演着什么角色？

从手工慢活到自动化流水线

传统科研极其消耗人力成本。一个博士生入行前几年，往往要在养细胞、跑胶、调参数和等待机时中度过；在物理计算中，算一个 100 原子体系的 DFT，机器满载运转数天也是常态。AI 的介入大幅降低了前期搜索与试错的边际成本。

DeepMind 在材料科学领域推出的 GNoME 工具，直接革新了无机晶体材料的筛选效率。过去人类靠直觉搭配元素、凭经验烧结，如今模型在虚拟空间中将整个元素周期表的组合快速遍历。GNoME 预测出约 220 万种全新潜在晶体结构，其中超过 38 万种被判定为热力学稳定的无机材料，相当于将已知稳定无机材料的体量大幅扩充。

在高度自动化的湿实验室内，AI 负责文献检索、生成配方，再联动机械臂配料、烧结炉处理以及 XRD 表征，极短时间内便能完成数十种新材料的试制。AI 并未打破物理定律，而是在物理规则允许的框架内，替人类穷举了此前难以承受的试错空间。

生物医药研发：从辅助工具到端到端介入

生物医药研发通常面临周期长、资金消耗大和监管严苛的挑战。以往的筛选逻辑依赖高通量筛查，在数百万个分子中被动淘汰。现在，流程已被逆转：模型率先梳理数千万篇文献和组学数据，推测潜在疾病靶点；生成模型在结构、代谢和专利空间内设计并修改分子；代理模型剔除劣质候选物后，再将极少数高概率候选送入湿实验，并由自动化设备执行细胞培养与活性测试。

目前已有端到端由 AI 深度参与设计并推进到临床后期的分子管线。尽管临床后期的不确定性依然客观存在，但 AI 已经贯穿了早期研发的核心逻辑。随着自动化实验室普及，药企研发模式正在由依赖人工计时的作坊，转向由算力和自动化设备驱动的常态化系统。然而，生物体机制极其复杂，模型的高分预测并不代表没有毒性或耐药性，发现阶段提速后，后续的临床开发与监管合规依然需要严谨验证。

瓶颈转移：从“想不出”到“验不过来”

尽管 AI for Science 进展显著，但行业并不会一夜之间全盘无人化。GNoME 预测的海量结构中，真正具备工业级可合成性、能规模化量产并满足成本效益的仍属少数。从实验室烧结出微量粉末，到最终落地为量产动力电池，中间需要跨越中试、良率控制、供应链配套以及成本壁垒。

本质上，AI 将科学研究的瓶颈从“想不出来”转移到了“验不过来”。以前受限于灵感与搜索效率，现在则受限于验证资源——谁掌握高精度表征设备、GMP 车间和临床试验资源，谁才能接住 AI 生成的海量候选方案。

诺贝尔奖得主 Demis Hassabis 曾强调，这类工具的意义在于扩展人类的探索直觉，而非取代人类的最终判断。随着生成能力不断提升，科学领域不仅需要善于构建模型的研究者，更需要具备深厚专业积累、能够对模型输出进行甄别与闭环验证的科学家。

商业化的现实逻辑

在商业维度上，AI for Science 并非纯粹的算法叙事，其链条贯穿上游算力芯片与基础模型，以及下游的自动化硬件、中试产线与临床试验。商业价值并不完全沉淀在纯模型层面，拥有高壁垒私有数据、打通软硬件闭环、能交付确定性结果的企业往往具备更高的抗风险能力。

在产业端，相比模型跑分，制造业和医药界更关注电池循环寿命的提升、成药分子的临床批件进度以及晶体材料在实际反应炉中的合成良率。AI 在科研领域的核心价值，正是替人类承担数百万次沉闷无趣的试错过程，大幅压缩文明探索的试错时间成本。