AI 如何改变科学发现：从 AlphaFold 到智能体科研的现状与未来

长期以来，科技进步一直推动经济增长，并带来全球生活水平的大幅提升。经济史学家 Joel Mokyr 在其2025 年诺贝尔演讲中将此归因于一个“正反馈循环”：新技术推动一波波科学进步，而这些进步反过来又促进进一步的创新与进步。但他也警告说，维持这一正向循环绝非理所当然。

近代历史印证了 Mokyr 的观点。美国和欧盟在进入 1990 年代时经济增长率相对相近，但此后两者出现了显著分化。美国大体维持了人均产出每年约 2% 的增长，这主要得益于接连不断的科学与技术繁荣以及创新在经济中的广泛扩散，而欧盟则大多陷入停滞。

如今，驱动增长的那类科学进步正面临显著逆风。在半导体物理、农业和制药研发领域，研究人员记录到生产率下降，这表明想法可能正“变得越来越难找到”。要维持历史上的创新速度，如今需要指数级扩大的研究团队和资本支出。数十年积累的知识使科学家走向更狭窄的专业化、更漫长的博士之路，以及跨团队实现突破性创新时高得令人却步的协调成本。克服这些障碍至关重要，因为仍有如此多的未解问题，以及许多尚未被提出的问题，其答案对于开启人类进步的新可能至关重要。

人们普遍乐观地认为，人工智能可以帮助抵御这些逆风，实现研究人员已追求超过70 年的计算科学承诺。这一历程始于 1950 年代，当时 Alan Turing 和 John von Neumann 首次将计算的基础概念应用于自然科学。在此后的数十年里，该领域从早期的符号系统和专家系统发展到机器学习，再到支撑当今智能体系统的专用模型和基础模型。

如今，AI 具备跨领域能力，可以大幅加速科学生产率（更多科学、更快科学）。大语言模型（LLM）在庞大的科学语料中综合想法，推理智能体统筹高级分析，专用模型则大规模预测和模拟复杂现象。除了作为通用技术之外，AI 作为一种发明方法的发明（IMI）也有充分理由。如同过去的显微镜和望远镜，AI 使人们能够以全新的方式观察和探索新问题，或以根本不同的方法处理老问题（新的、不同的科学）。

AI 已经在帮助推动各学科的科学发展。其影响横跨生命科学（如基因组学、蛋白质科学、连接组学）、物理科学（例如物理学和天文学）以及形式科学（包括数学和算法发现）——正如最近由本文作者之一（Manyika）编辑的《美国艺术与科学院学报》Dædalus 关于AI 与科学的专辑所强调的那样。现代 AI 系统已经攻克了长期存在的问题，克服了数十年来的重大挑战，从推进数学家 Paul Erdős 1946 年的单位距离问题，到用 AlphaFold 系统进行蛋白质结构预测，后者获得了诺贝尔奖。这些突破让我们得以一窥 AI 科学时代可能最独特的方面：以前所未有的速度、广度和规模进行发现。我们现在可以对可能的蛋白质宇宙进行建模，编目数百万个潜在的遗传变异，在计算机中模拟和扰动复杂的分子系统，并利用多个智能体探索不同的探究路径。这些进展正日益转化为医疗保健、粮食安全、自然灾害预测等领域的现实世界应用。

与此同时，AI 对科学的影响也引发了担忧。科学机构能否承受 AI 赋能的研究和论文的大量涌入？即便它拓展了发现的可能性，AI 是否会将研究范围收窄至数据丰富且可验证的领域？科学家是否会将阅读和思考“外包”给智能体，从而可能导致技能退化和科学思想的同质化？AI 赋能科学的前景也为科学哲学提出了根本性问题：如果 AI 系统发现了一个人类无法理解或概念化的解决方案或定律，这对至少迄今为止一直驱动科学追求的人类动机会意味着什么？

关于 AI 在科学中作用的争论从毫无保留的乐观到深度怀疑不一而足，而几乎没有实证证据来评估任何一种观点。在我们最近的研究中，我们证实了 AI 在科学中使用的广泛性和规模，同时指出了前方的挑战。

正如电力和计算机等以往的变革性技术一样，克服这些挑战需要深层次的结构性和制度性改革，才能将今天的早期成果转化为持续的科学、技术和经济进步。而且由于 AI 的影响可能更大（可能大得多），这些变革需要比我们以往所见的一切都更为重大。

AI 如今如何在科学中被使用

构建一个框架来界定 AI 在未来科学发现中的角色，需要理解研究人员目前如何部署这些工具。尽管 LLM 主导了公众讨论，但 AI 在科学中的使用方式其实相当微妙，因为研究人员在工作流程的不同环节以不同方式部署通用模型和专用模型。为了更好地理解这种分工，我们的团队整合了数据，来源包括 Gemini 各平台上的 1500 万次交互、涵盖 2600 多个专用 AI 模型（从蛋白质结构预测到天气预报和材料发现）的文献计量数据，以及一项针对美国和英国 600 多名科学家的新调查。我们将这些交互与 MIT FutureTech 开发的新科学任务分类法进行了映射，该分类法提供了此前劳动力研究中所缺失的细粒度，对于捕捉处于领域快速变化前沿的科学家的工作至关重要。

我们发现了什么？

• 科学家使用 AI 的程度高于其他职业；相对于其就业占比，他们的职业在 Gemini 使用量中被显著过度代表。
• 近一半受访科学家表示，他们每天都会在工作流程中使用 AI。
• 专用模型覆盖所有科学领域，并且在近一半的情况下，其引用量位居所在领域的前 1%。
• AI 在科学中的采用在地理上高度集中，与一个国家的科研人员规模直接成正比。

当我们审视 LLM 和专用模型所执行的具体任务时，分析显示，LLM 被用于广泛而通用的任务，例如编码和写作，而专用模型则支持特定领域的数据分析和建模。我们调查的科学家表示，他们将超过 30% 的“AI 时间”用于专用模型，例如 AlphaFold（预测蛋白质折叠）、Graph Networks for Materials Exploration（GNoME，预测可能的晶体结构）和 MatterGen（无机化合物设计）。

重要的是，这两类模型之间的任务重叠有限。它们似乎发挥着经济互补品的作用，在科学工作流程中相互强化。

科学家还报告称，AI 带来了显著的生产力提升，平均每周节省近七小时，这些时间大多被重新投入到研究中。

然而，尽管某些任务——例如定量、计算类工作——正在加速，科学家们报告称，科学产出的瓶颈正向下游转移到物理实验和验证环节。与其他领域一样，从“微观”层面的生产力提升到“宏观”产出的增长并非一蹴而就。科学家们日益面临大量未经检验的假设积压，并花费大量时间验证AI的输出结果。

AI对科学创造力的影响是复杂的。虽然大多数研究人员报告称获得了更多跨领域和跨学科的洞见，但近50%的人也表示AI促使他们专注于渐进式问题——这一倾向在初级研究人员中尤为集中。这与一项相关发现相呼应：尽管AI赋能的科学扩大了研究者的影响力（论文数量增至三倍，引用量增至五倍），但它通过将研究引向数据丰富、已确立的认识论，而非探索新颖、数据稀缺的前沿领域，从而收窄了集体探究的范围。

从通用技术到“发明的发明”

我们初步的研究结果支持这样一种观点：AI是科学领域的通用技术。它正在快速进步，被众多学科和任务所采用，并催生了对同行评审和培训等科学机构进行互补性创新的需求。其通用性和强大能力增加了对数据、算力或基准等投入的需求，并可能改变科学团队和 workflows 的组织方式。

但科学进步不仅仅（甚至主要不是）关乎增加研究产出的数量。要让AI改变发现的曲线，它需要拓展科学上可能性的边界，延伸知识前沿。如果AI最终能作为一种“发明方法的发明”（IMI）发挥作用，这一点或许能够实现，正如一些人所期望的那样。通用技术降低了执行现有流程的成本——这本身可能扩大可能性空间——而IMI则永久性地改变了发现本身的生产函数。

试想以下例子。实验晶体学家花了数十年时间解析了大约17万个蛋白质结构。AlphaFold 2在此基础上预测了超过2亿个蛋白质结构——几乎涵盖了科学已知的所有蛋白质。这一突破促成了一个全面的开放数据库的建立，该数据库已被190个国家的400多万名研究人员使用。

这一发现过程的转变正在整个科学领域展开：

• 在材料科学和生物化学领域，GNoME（材料探索图网络）等模型已预测了数百万个潜在的新候选晶体结构，生成式模型则从头设计合成分子，用于药物开发研究，例如David Baker获得诺贝尔奖的工作。
• 在神经科学和基因组学领域，研究人员利用AI创建了成年果蝇中枢神经系统神经元连接的完整图谱，并构建了人类泛基因组，使其更能代表人类群体。
• 在物理科学领域，深度学习模型正在帮助控制实验聚变反应堆中的等离子体，并为天气预报和自然灾害预测带来前所未有的准确性。

为什么这些专业突破代表了一种IMI？因为它们充当了科学界加速研究与创新的新工具和平台。像AlphaFold这样的模型已经催生了数据集和新方法，正在开辟自然与生物科学的全新领域。真正的IMI转变不仅仅是节省科学家在单个蛋白质上数年的湿实验室晶体学研究时间（“多多益善”），而是将预测置于大规模搜索的内循环中（参见CoScientist和ERA），从而能够提出全新类别的问题并给出解决方案（“多即不同”）。

研究人员现在正在同时聚类全部2亿多个蛋白质结构，以重建传统DNA序列比对方法无法看到的深层进化历史。其他人正在运行穷举式的全对全计算机模拟相互作用筛选，以揭示难以捉摸的多蛋白复合物，例如控制脊椎动物受精的分子桥，或查询AlphaGenome Atlas的90亿个反事实，以绘制非编码基因组中的调控网络。事实上，利用通过AlphaFold获得的蛋白质结构预测的基础研究增加了15-40%，这促进了原本可能被忽视或错过的工作。

摩擦点

然而，通过AI加速科学仍然面临障碍。加速研究的前端正在引发研究过程的反转。历史上，物理湿实验室是构思的主要场所，而计算则作为辅助手段。如今，计算机模拟正成为构思的主要来源，而物理实验室则正在成为下游的测试和验证机制。

近一半接受调查的科学家报告称，他们的主要研究限制已向下游转移到物理实验室测试、湿实验分析和临床试验中。这种验证瓶颈造成了未测试假设和计算预测的快速积压。最近一项关于AlphaFold影响的研究发现，虽然研究较少的蛋白质确实成为了基础研究的目标，但迄今为止几乎没有证据表明这些蛋白质对下游应用研究和早期药物发现有所贡献，除了恰加斯病和利什曼病等被忽视疾病的一些例外。一个可能的原因是，理解蛋白质的生物学背景仍然是一个较慢的、受物理限制的过程。

新出现的瓶颈至少有两个维度：第一，科学家仍然需要解释和外推AI驱动的见解；第二，与模型的快速进展相比，物理实验室工作仍然受到自动化实验室技术相对滞后的限制。

正如诺贝尔经济学奖得主、人工智能先驱赫伯特·西蒙（Herbert Simon）的名言所说：“信息的富足造就注意力的贫乏。”在人工智能赋能的科学中，稀缺资源往往不再是假设的生成，而是解读假设的理论家和检验假设的实验者所拥有的带宽。他们的能力可能成为将人工智能信息转化为科学进步与应用的限制因素。

我们在数据中已经观察到这一点。近一半接受调查的科学家报告称，他们用 AI 节省出的总时间中有相当大一部分花在了审查、调试和验证 AI 输出上。撇开出错的风险不谈，验证之所以重要，是因为科学家需要对自己正在开展的研究过程保持核心理解。借用 E.M. 福斯特的警示性中篇小说《机器停止》，我们的同事 Pushmeet Kohli 警告要警惕认知上的自满——即人类科学家可能沦为黑箱模型被动消费者的危险——因为这可能妨碍我们理解、发展并建立在科学产出之上的能力。

培养下一代科学家的模式也面临风险。科学机构依赖同行评审和亲身实践式的学徒制，来训练初级学者具备产出原创工作所需的有组织的怀疑和隐性的“系统思维”。如果 AI 同时自动化了论文生成和初级实验室执行，它就有可能压垮同行评审系统，同时掏空那条训练科学家评估和推进前沿的管道。

AI 产出的丰富也给科学家带来了新的认知挑战：当一项突破突然一次性释放出数百万个可行的结构候选时，人类研究者如何判断哪一个最有前景？面对过多选择而不堪重负，他们可能会默认选择熟悉的领域，或 AI 更适合、产出更易验证的领域。这或许可以解释为什么在我们的调查中，近一半科学家表示 AI 正将他们引向更渐进、更安全的问题，而约 30% 的人表示 AI 使他们能够承担风险更高的问题。

也许与直觉相反，“更多”或更好的 AI 可能有助于克服这种惯性，AI 智能体可以探索数据并综合不同的知识，将大量预测的可能性空间转化为科学家可以检查和追求的优先甚至意想不到的假设。与此相一致，超过三分之二的受访科学家报告称，AI 工具直接扩展了他们对主要领域之外见解的获取。AI 智能体探索者和综合者可能有助于抵消在工具使发现更容易的地方寻找解决方案的倾向，但克服“路灯效应”还需要有意的激励措施，以奖励分布外探索。

实现 AI 的潜力是全球科学事业面临的一项制度性挑战。来自我们模型清单的经验证据表明，广泛获取科学 AI 模型和输出具有关键作用。开放权重、公共基准和版本稳定的研究 API 使世界各地的科学家能够审计偏见、在本地实验室数据上微调架构并构建扩展，同时防止因未固定商业模型不断下架而导致的可重复性问题。

可访问的模型和开放的结构数据库还能利用科学家的隐性知识，因为它们可以适应他们所面临的具体问题。它们降低了那些缺乏算力自行训练前沿模型的国家的准入门槛。与此相一致，除中国外，低收入和中等收入国家（LMICs）在我们的清单中几乎未被列为专业 AI 模型的开发者，但它们占引用这些可用工具的论文的 10%。但值得注意的是，开放性并非一刀切：在生物和化学设计等两用领域，原始权重的发布必须与生物安全风险相权衡，这使得通过内置安全筛查的托管平台进行结构化访问至关重要。

这说明衡量不同形式的 AI（LLM、专业模型、智能体以及混合系统和框架）如何被不同学科和国家的科学家开发和采用，以及 AI 对世界各地科学的影响，具有重要意义。收集并广泛提供这些证据可以为政策提供信息，以扩大谁可以从事科学以及如何加速 AI 对科学的益处，同时减轻其风险。

我们的早期见解已经提出了实现 AI 在科学中潜力的一些战略优先事项：

1. 投资于验证和测试基础设施，以帮助清理实验积压。
2. 通过改革拨款和同行评审结构来激励登月式探索，以奖励高不确定性的发现。
3. 将验证和安全规范制度化，建立 AI 可解释性、可重复性和安全筛查的全球标准。这应包括应对一般性进展的两用性质，特别是 CBRN（化学、生物、放射和核）风险。
4. 通过增加对模型、工具和数据集的获取渠道，以及更新课程和学徒培养方式，重新构想科学培训与全球传播，使下一代研究人员为未来的发现做好准备。这包括通过维持对结构数据库、版本稳定的研究 API 和开放模型权重的广泛获取，来扩展开放科学共享资源（须符合安全标准）。
5. 加速并扩大将进展转化为应对各地人们面临的重大社会挑战，包括商业实体可能不会承担的那些挑战的解决方案。

未来可能是什么样子？我们所记录的分工让我们得以一窥明日科学工作流的样貌。今天，研究人员在工具之间手动切换：用聊天机器人或智能体来编写代码和起草文稿，用专门的生物学或材料模型来做预测，中间还夹着电子表格或实验记录本。下一步可能是一个智能体，直接编排这些专门模型——规划实验、为每一步调用合适的模型、交叉核对输出，并返回一个候选答案供科学家判断。

Anthropic 最近的一项基因组挖掘研究与这一框架高度吻合。与“一次性完成”的思路一致，作者采用多智能体方法扫描了 19 亿个蛋白质簇，标记出一个未被表征的类 CRISPR 病毒酶家族。LLM 使用经典序列工具在其上下文窗口中直接识别出关键的 DNA 重复异常，同时它调用 AlphaFold 2、ESMFold 和 Boltz-2 等专门模型来表征该酶及其伙伴蛋白如何折叠和相互作用。就像虚拟实验室研究中 LLM 智能体在内循环中编排 ESM、AlphaFold-Multimer 和 Rosetta 来设计新型 SARS-CoV-2 纳米抗体一样，这一工作流说明了通用智能体与专门模型之间的互补性。它也凸显了我们在此记录的下游瓶颈：尽管智能体生成了数千个可行候选并极大扩展了假设空间，但决定测试哪一个以及在湿实验室中运行测定，仍然是一个人类与 AI 协作的过程。该酶的最终生物学功能仍然未知，既需要验证，也需要进一步实验。

超越单流工作流程，最大的转变可能出现在人工智能真正变得社会化之时。与其将科学简化为缺乏理论的数据拟合，早期实验表明，相互作用的智能体与人类群体可以设计自己的虚拟实验室，在其中提出并检验新假设，从而发现新理论。

随着 AI 系统处理研究过程中的更多步骤，科学中人的工作预计将变得更加概念化：首先选择要研究哪些问题。这一转变将使科学家从 Thomas Kuhn 所说的传统“复杂谜题解答者”转向“深刻问题的架构师”。与此同时，这一转变也为科学哲学提出了基础性的认识论问题，例如当发现来自不透明的模型时，什么才算真正的科学理解；研究人员如何从复杂输出中提取真正的机制性洞见；以及如何激励下一代科学家在日益自主的探索中保持好奇心。

我们的数据显示，我们尚未达到那一步。解决下游验证积压和其他新出现的瓶颈，对研究人员来说是一个技术问题。但这也是整个科学事业面临的更广泛挑战。归根结底，这一雄心远不止于节省时间或加速当前的工作流程。它是为了促进那些人类难以独自完成、甚至不可能独自完成的发现。

但实现这一潜力并将其转化为社会效益和进步并非必然。它需要学术界和工业界的科学家共同努力，清除关键瓶颈，同时建立机构以维持研究人员——与AI一起——推动可知前沿的能力。最终，AI的影响将以其新发现的知识是否使社会能够应对一些最大挑战来衡量。

原始论文： https://ai.google/static/documents/AI-in-Science.pdf