从实验室到诺奖：AI独立科研的漫长征途

AI正在以前所未有的速度渗透科学研究各个领域，从预测蛋白质结构到筛选候选材料，其辅助作用日益凸显。然而，当谈及由AI独立驱动、足以赢得诺贝尔奖的颠覆性科学发现时，一位深度参与其中的研究者给出了一个冷静的预期：我们至少还需要等待二三十年的时间。

爆发中的AI for Science与现实的“验证墙”

曾在谷歌DeepMind担任资深研究科学家、并参与过Gemini等大型项目的曹原，如今作为Unreasonable Labs的联合创始人，正致力于推动AI进行新知识发现。他观察到，AI for Science确实已进入一个成果频出的爆发期。

但繁荣之下，一个根本性的瓶颈日益清晰：验证。在软件和数学领域，AI可以近乎即时地测试代码或通过形式化验证工具（如Lean）检查证明过程，实现快速迭代。然而，在生物、材料、物理等硬科学领域，任何假说或发现最终都需要回归到真实的实验室中进行验证。

  • 成本与时间：一次关键实验可能耗费巨大，或需要漫长的准备与等待周期。
  • 试错限制：这使得AI难以像编程智能体那样进行低成本、连续、快速的试错学习，其探索效率受到物理世界的严重制约。

更深的鸿沟：创造新概念的抽象能力

比实验验证更难的，是科学发现中最核心的创造性思维。曹原指出，当前的人工智能模型非常擅长在已有的知识体系、定义和定理中搜索、组合出答案。它们是基于已知的卓越“模式识别者”和“关联大师”。

但是，它们还远远无法像人类顶尖科学家那样，从复杂现象中抽象出全新的数学对象、提出革命性的定义或构建前所未有的理论框架。这种“概念抽象”能力，是开创新科学范式的基础。

曹原将这种能力称为通往通用人工智能（AGI）的“最后一英里”。他认为，只有跨越了这最后一道鸿沟，AI才能真正具备独立进行源头创新的心智，而不仅仅是强大的辅助工具。这不仅是工程挑战，更是对智能本质理解的突破。

因此，尽管AI正在加速科学研究的进程，但期待它完全独立地做出诺贝尔奖级别的贡献，我们仍需保持耐心。未来的二三十年，将是人类智慧与机器智能在探索未知前沿中深度融合、互相启迪的关键时期。