共计 1098 个字符，预计需要花费 3 分钟才能阅读完成。
AI 搞科研, 到底在替谁打工?
建议按 ” 变化—原因—影响 ” 的顺序阅读。
过去两年, 大众对 AI 的想象多停留在写文案、做 PPT、剪视频。但真正在悄悄改变世界的, 或许是实验室里那台不需要休息的机器。
📌 变化: 科研试错正从手工活变成流水线
截至 2026 年,DeepMind 开发的材料探索工具 GNoME 已有超过 700 种预测新材料在全球实验室中被成功合成, 其中包含 528 种潜在固态电解质候选与 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方向提供了大量可验证的线索。
更早之前,GNoME 一次性预测出约 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。这个数字被业内形容为“把过去数百年的材料积累翻了一倍”。
🔍 原因: 搜索成本下降, 验证成了新瓶颈
传统科研的苦, 外行很难体会 。博士生前两年多半在养细胞、跑胶、调参数、排队等同步辐射机时; 物理方向算一个百原子体系的 DFT, 机器要转好几天。
AI 介入后, 最直接的变化是搜索成本大幅下降。 模型先把元素周期表里的奇怪组合在虚拟空间里翻一遍 , 再由机械臂配料、炉子烧结、XRD 表征。有团队不到一个月做出 41 种新材料, 节奏远超传统人手。
生物制药链条走得更深。 模型先读文献与组学数据猜靶点 , 生成模型在结构、毒性、代谢与专利空间里反复改分子, 代理模型先筛掉垃圾候选, 再把像样的几十个送进湿实验。目前已有端到端由 AI 参与推进、走到临床后期的分子出现。
AI 把瓶颈从“想不出来”, 搬到了“验不过来”。
💡 冷思考: 别把 AI 捧成诺奖得主
这里需要泼一点冷水。GNoME 发布后就有材料学家指出, 那 220 万结构里不少是已知相的变体, 真正能合成、能放大、能赚钱的并没有那么多。A-Lab 合成成功, 也不等于工业界明天就能用。
从烧出一小撮粉末, 到装进新能源车的电池包 , 中间还隔着中试、专利、良率、供应链、环评。模型说有效, 不等于肝不毒; 打分高, 不等于不耐药。监管看的不是谁设计的分子, 而是谁敢在知情同意书上签字。
📊 影响: 钱会流向哪一层
- 算力与硬件环节先赚到确定性收入;
- 模型层最受关注, 却常在融资轮里烧得最凶;
- 药企承担监管风险, 才有机会分享最终利润;
- 客户愿意为结果付费, 而不是为 demo 鼓掌, 才是分水岭。
国内方面, 智谱、百川、阿里通义等都在尝试科学模型 , 但更扎实的进展往往分散在高校、中科院、药明系、宁德时代以及一些低调的材料创业公司里。跑分是给投资人看的, 良率是给采购看的。
🚀 总结: 它替的是时间
AI 在科研里到底替谁打工? 替博士生、替教授、替药企的现金流, 也替人类最贵的东西——时间 。它不是来抢奖杯的, 而是先把几百万次无聊的失败替你过一遍。
