科学发现迎来AI变革，实验室成为新战场

发布时间：2026-07-18 14:11阅读：2

过去两年，我目睹了AI在办公室里承接大量琐碎任务：编写代码、记录会议、进行检索、排版文档，甚至帮人打开一封难以措辞的邮件。然而，若仅将其视为"更高效的白领工具"，我认为这一定位过于局限。科学智能（AI for Science）正在将模型推向实验室、数据中心和研究团队的交汇点。

这里的愿景并非让模型替科学家撰写更规范的论文，而是让它融入科学发现的完整链条：提出假设、设计实验、采集新数据、再决定下一步验证什么。届时，科学研究的瓶颈将从"是否有创意"转向"实验与数据能否跟上步伐"。

基础模型（foundation model）擅长从海量文本、图像、结构化数据中归纳规律，因而特别适合在蛋白质、材料、化学反应和数学推理这类高维空间中生成候选答案。然而，一个候选分子在屏幕上再完美，也必须通过真实实验来验证。真正拖累研究进度的，往往是培育、合成、测量、失败和反复验证的过程。

这也正是机器人实验室（robotic laboratory）值得单独关注的缘由。机械臂、传感器和自动化工作流不仅仅是实验人员的替代品，它们让模型的每一次推测都能更快获得反馈。模型不再只是读取历史数据，而能够参与创造新数据。

资本流向通常不能证明技术必然成功，但很能说明人们认为瓶颈在何处。仅在这一轮融资中，周期实验室（Periodic Labs）获得3亿美元种子轮融资，莉拉科学（Lila Sciences）完成3.5亿美元A轮融资，卡斯普人工智能（CuspAI）融资1亿美元，卓越实验室（Excelsior）获得9500万美元融资，柴发现（Chai Discovery）约7000万美元，和声（Harmonic）完成1.2亿美元C轮融资，公理（Axiom）则有6400万美元种子轮融资。

这些资金并非都押注在同一种"全能科学家"身上。有的专注于材料发现，有的聚焦生物医药，有的试图推进形式化数学。它们共同的理念更为朴素：若模型能缩小筛选范围、让实验更密集、将失败也转化为可复用的数据，研发效率就有机会形成可累积的优势。

对于"自动化科研工作者"这一说法，我既感到振奋也保持审慎。有人预计到2026年9月会出现有用的AI研究实习生，到2028年出现能独立完成有意义研究的系统。时间表听起来很具体，但现实会被实验成本、设备排期、数据质量和安全约束反复拖拽。

科学研究还有一个办公室任务很少遇到的难题：结论必须经得起现实世界的检验。代码通过测试，不代表一条生物路径就真的可行；一张图拟合得很好，也不保证材料能在真实条件下合成。模型可以将候选方案排序，但需要高性能计算（High Performance Computing, HPC）、可靠仪器和同行评审来筛选出真正可行的方案。

我更看好一种并不浪漫、但更实际的组织形态：AI工程师负责模型、工具和评估，领域科学家负责提出好问题和识别虚假信号，实验团队负责将结果落实为可重复的操作。三者共享一本证据账本，谁提出的假设、谁做了什么实验、哪里失败过，都能被下一轮调用。

这也解释了为何单看大模型排行榜没有太大意义。科研中的能力迁移，不仅发生在模型参数里，还发生在数据管线、实验接口、评测基准和团队协作中。谁能将这些环节衔接好，谁才可能将一次演示转化为长期的研究生产力。

我相信，下一次真正令人惊叹的AI突破，未必出现在一份更优质的报告中。它可能是一次原本需要两年的材料筛选被压缩到几周，或者一个反复失败的实验终于找到了突破口。办公室里看到的是答案，实验室里改变的却是发现答案的速度。