对话前DeepMind曹原：AI for Science爆发，一个新时代到来了

AI for Science的爆发与Jeff Dean的战略转移

8月第一周，谷歌内部发生了一件震动科技界的大事：被视为“谷歌灵魂人物”的Jeff Dean带领其他几位高管离开Google，创办了名为Discovery Loop的新公司。这一举动并非简单的跳槽，而是将目光明确投向了AI for Science（人工智能驱动的科学发现）领域。随着大模型逐渐掌握推理、编程以及调用工具的能力，AI for Science正迅速成为各大科技巨头下一场核心竞赛的焦点。在这一新范式下，AI的角色发生了根本性转变：它不再仅仅是一个被动回答问题的工具，而是开始主动提出科学假设、设计实验方案。这种从“问答”到“探索”的跨越，标志着AI在科学领域应用深度的质变。

“当大模型学会推理、编程和调用工具，AI for Science正成为AI巨头的下一场竞赛：AI不再只回答问题，也开始提出假设、设计实验。”

为什么这场变革会在此刻爆发？本期视频邀请了谷歌DeepMind前资深研究科学家曹原，从Google内部的组织变化切入，深入拆解了AI for Science（AI4S）、AI for AI以及RSI（Research Scientist Intelligence，科研智能）之间的复杂关系。曹原详细阐述了AI科研闭环如何运转的底层逻辑，并指出一个关键规律：从数学、代码到生物、材料和物理等领域的问题中，那些越容易通过计算和验证来确认结果的问题，AI的进展就越快。反之，一旦涉及真实世界的物理实验，实验周期、验证成本与反馈速度便成为制约AI发展的核心瓶颈。为了跨越这道障碍，自动实验室、科研Agent（智能体）以及符号系统的结合，可能成为未来突破的关键路径。

概念辨析：AI4S、AI for AI与RSI的关系

在深入具体案例之前，必须厘清三个核心概念的定义及其相互关系。首先是AI for Science (AI4S)，这是指利用人工智能技术加速科学发现的过程。其次是AI for AI，这通常指的是通过自动化机器学习（AutoML）或元学习来优化模型本身的结构和超参数，即“用AI改进AI”。最后是RSI (Research Scientist Intelligence)，这是一个更具前瞻性的概念，指的是赋予AI系统类似人类科学家的能力——不仅能执行任务，还能独立进行假设检验和知识创造。

曹原指出，这三者并非孤立存在，而是构成了一个递进的生态系统。AI for AI是基础工具层，它提高了模型训练和调优的效率；RSI是能力目标层，旨在让AI具备独立科研的思维框架；而AI for Science则是应用场景层，是将上述能力应用于具体科学问题的实践。目前，大多数所谓的“AI for Science”项目实际上仍停留在利用AI辅助数据处理的阶段，尚未真正达到RSI所描述的“独立提出假设并验证”的境界。真正的突破在于构建一个完整的闭环，让AI能够自主地在“提出假设-设计实验-分析结果”这一链条中循环迭代。

“从数学、代码到生物、材料和物理，问题越容易计算和验证，AI进展越快；一旦进入真实世界，实验周期、验证成本与反馈速度便成为核心瓶颈。”

这种分层理解有助于我们看清当前行业的现状。许多公司宣称自己在做AI for Science，但实际上可能只是在用机器学习拟合数据（属于较浅层的AI应用），或者在优化模型结构（AI for AI）。只有当系统能够像科学家一样，基于现有知识提出新的、可验证的假设时，才真正进入了RSI的阶段。这也是为什么Jeff Dean离开Google去创办Discovery Loop的原因——他看中的正是构建这种端到端的科研闭环系统的巨大潜力，而不仅仅是优化现有的大模型。

科学发现的四步闭环：定义、表征与建模

一个完整的AI科研闭环通常包含四个关键步骤：问题定义（Problem Definition）、表征（Representation）、模型构建（Modeling）以及实验验证。曹原详细拆解了每一步的技术难点和AI介入的方式。

第一步是问题定义。在科学中，这通常意味着将一个模糊的自然现象转化为一个可计算的数学或逻辑问题。例如，将“蛋白质如何折叠”定义为寻找能量最低构象的优化问题。第二步是表征，即如何将现实世界的数据转化为模型可理解的格式。在生物领域，这可能涉及将氨基酸序列编码为向量；在物理领域，可能涉及将粒子运动转化为微分方程。表征的质量直接决定了模型的上限。

“问题越容易计算和验证，AI进展就越快。”

第三步是模型构建。这里分为通用大模型和垂直领域专用模型。通用大模型（如Llama、GPT系列）提供了广泛的知识和推理能力，但在特定科学领域缺乏深度。垂直模型（如AlphaFold、GNoME）则针对特定任务进行了大量专业数据的微调。曹原强调，未来的趋势是通用模型与垂直模型的结合：利用通用模型的推理能力来指导垂直领域的搜索和探索。

第四步是实验验证，这是闭环中最关键但也最困难的一环。在数字世界中（如数学、代码），验证是瞬间完成的；但在物理世界，实验的反馈速度极慢。因此，AI需要在“利用（Exploitation）”已知知识和“探索（Exploration）”未知空间之间找到平衡。如果过于依赖已有知识，AI可能陷入局部最优；如果探索过多，则会产生大量无效实验。这种平衡策略是科研Agent设计的核心难点。

探索与利用：突破真实世界的验证瓶颈

在数字领域（如数学证明、代码生成），AI的反馈回路几乎是实时的。一旦模型输出一个答案，系统可以立即通过编译器或测试用例进行验证。这种快速的反馈循环极大地加速了AI的学习和迭代过程。然而，当我们将视角转向生物、化学或材料科学时，情况发生了巨大变化。在这些领域，提出一个假设（例如，“这种分子结构可能具有抗癌活性”）后，需要耗费数周甚至数月进行湿实验（Wet Lab）验证。

这种巨大的时间滞后和成本高昂成为了AI for Science在真实世界应用的最大瓶颈。曹原指出，为了解决这个问题，行业正在探索三种主要路径：

1. 自动实验室（Automated Labs）：通过机器人技术实现实验的自动化和并行化，大幅缩短单次实验的时间。
2. 科研Agent（Research Agents）：开发能够自主规划、执行和反思实验的智能体，减少人类干预。
3. 符号系统（Symbolic Systems）：结合传统的逻辑推理和规则引擎，与神经网络的统计学习能力互补。

“自动实验室、科研Agent和符号系统，可能成为AI跨越这道障碍的关键。”

其中，符号主义与连接主义的结合尤为重要。神经网络擅长从数据中提取模式和特征（连接主义），但缺乏逻辑推理和因果解释能力；而符号系统擅长逻辑推导，但对复杂数据的处理能力较弱。将两者结合，可以让AI既具备从海量实验数据中学习的能力，又具备严谨的逻辑推理和因果分析能力。这种混合架构有望在减少实验次数的同时，提高发现的可解释性和可靠性。

因果机制与验证：从相关性到必然性

传统的机器学习模型主要基于统计相关性。例如，AI可能发现某种分子结构与高活性之间存在强相关，但它并不理解为什么这种结构会导致高活性。在科学发现中，仅仅知道“是什么”是不够的，科学家更需要知道“为什么”和“如何起作用”。这就是因果机制（Causal Mechanism）的重要性。

曹原强调，真正的科学发现需要揭示因果链条。AI若要成为合格的科研伙伴，必须从单纯的模式识别进化到因果推断。这意味着模型不仅要预测结果，还要能够解释变量之间的因果关系。例如，在材料科学中，AI不仅应预测某种合金的强度，还应解释是哪种原子间的键合方式导致了这种强度的提升。

在验证（Verification）阶段，可证伪性是科学的核心原则。AI提出的假设必须是可以被实验验证或推翻的。不可证伪的理论不属于科学范畴。因此，AI生成的假设必须具备明确的预测性和可测试性。如果AI提出的建议过于模糊或无法通过现有实验手段验证，那么它在科学发现中的价值就大打折扣。

“一旦进入真实世界，实验周期、验证成本与反馈速度便成为核心瓶颈。”

为了克服这一挑战，研究者正在开发“虚拟实验”技术。通过在计算机中构建高保真的物理或化学模拟环境，AI可以在数字世界中先进行大规模的“干实验”筛选，只有那些在虚拟环境中表现优异的候选者才会被送入真实的湿实验室进行验证。这种“数字筛选+物理验证”的两阶段策略，可以显著降低真实实验的成本和时间消耗。

发现（Discovery）与符号主义：AI能否创造新概念？

科学发现的最高境界是创造新的概念和知识。传统的AI系统主要是在已有知识库中进行组合和优化，但真正的科学突破往往伴随着全新概念的出现。例如，牛顿提出万有引力定律时，引入了“力”这一全新的物理量；达尔文提出进化论时，构建了“自然选择”的核心概念。

曹原探讨了AI是否具备抽象出新概念（Abstracting New Concepts）的能力。目前，大模型主要通过重组已有词汇和概念来生成新内容，但这与人类科学家创造全新范式仍有差距。符号主义（Symbolism）在这一过程中可能扮演关键角色。符号系统允许我们将概念表示为明确的逻辑结构，从而支持更复杂的推理和抽象操作。

“当AI已经会解题、搜索与组合，它能否创造新的概念和知识？科学发现，会是通往AGI的最后一英里吗？”

在数学领域，AI已经展现出惊人的能力。例如，AlphaProof和Omega等系统在国际数学奥林匹克（IMO）问题上取得了接近人类金牌选手的成绩。然而，这些系统主要依赖于强大的搜索和证明技巧。当数学证明开始过剩时，AI的价值可能从“寻找唯一正确答案”转向“发现新的定理结构或美学模式”。这提示我们，AI在科学中的角色可能不仅是助手，更是合作者（Co-pilot），甚至在未来成为独立的研究员。但要做到这一点，AI必须超越统计关联，进入因果推理和概念创造的领域。

三大AI巨头的科学路线差异：Google、Microsoft与Meta

目前，全球三大科技巨头在AI for Science领域的布局呈现出不同的战略侧重。曹原分析了它们各自的路线差异：

“三大AI公司的科学路线：Google重基础突破，微软重平台生态，Meta重开源模型。”

Google DeepMind的策略是“从0到1”的突破，致力于解决那些长期困扰科学界的根本性问题（如蛋白质结构、材料发现）。其成果往往具有里程碑意义，但商业化路径较长。

Microsoft则采取“平台赋能”策略。它不直接追求单一的科学突破，而是提供强大的算力和工具链，让其他科学家和公司在其平台上进行创新。这种模式更容易实现规模化应用和商业变现。

Meta的策略是“开源驱动”。通过开放Llama等模型，Meta希望建立一个围绕其模型的庞大生态系统。虽然其在特定科学领域的直接成果不如DeepMind显著，但其开源策略极大地降低了AI for Science的技术门槛，促进了全球范围内的创新。

AI与数学：证明过剩与新概念的涌现

在讨论AI对科学的影响时，数学是一个理想的试验田。因为数学问题的定义清晰、验证即时且无需物理实验。曹原指出，随着AI在数学领域的深入，我们正面临一个有趣的现象：证明的过剩（Proof Proliferation）。

过去，数学家花费数年甚至数十年才能证明一个定理。现在，AI可以在短时间内生成大量可能的证明路径。当证明变得容易获取时，价值重心将从“找到答案”转移到“理解结构”。AI可以帮助数学家发现不同定理之间的隐藏联系，从而催生出新的数学分支或概念。

“当数学证明开始过剩，AI的价值将从解题转向发现新的结构关系。”

然而，这也引发了哲学上的讨论：数学究竟是发现的（Discovery）还是发明（Invention）？如果AI能够独立发现人类未曾知晓的数学真理，这是否意味着这些真理是客观存在的、等待被发现的？还是说AI只是在人类定义的符号系统中进行组合发明？曹原认为，无论答案如何，AI正在扩展人类的认知边界。它不仅能解决已知问题，还能提出人类未曾想到的新问题和新结构。这种能力的提升，是通往通用人工智能（AGI）的重要一步。

哲学反思：科学发现是通往AGI的最后一英里吗？

视频的最后，曹原进行了一些哲学层面的探讨。科学发现是否是人类智能的最高体现？如果是，那么实现AI for Science的完全自动化，是否意味着我们接近了AGI？

科学发现要求智能体具备好奇心、创造力、逻辑推理和因果理解能力。这些正是AGI的核心特征。如果AI能够像人类科学家一样，自主地提出假设、设计实验、分析数据并得出新的理论结论，那么它在认知能力上就已经超越了当前的专用AI系统。

“科学发现，会是通往AGI的最后一英里吗？”

然而，曹原也保持谨慎。他认为，目前的AI在因果推理和概念创造方面仍存在局限。虽然它们在特定领域（如数学、蛋白质结构）表现出色，但在处理复杂、模糊且充满噪声的真实世界问题时，仍缺乏人类的直觉和常识。此外，科学发现不仅仅是一个技术问题，还涉及社会、伦理和文化因素。AI生成的理论如何被人类科学家接受？如何确保其安全性和伦理性？这些都是需要解决的问题。

尽管如此，AI for Science的爆发无疑是一个新时代的开始。它不仅将加速科学发现的进程，还将重塑人类与知识的关系。从Jeff Dean的出走到三大巨头的布局，我们看到的不仅是技术的竞争，更是人类对探索未知世界渴望的延伸。AI正在从工具进化为伙伴，而这场变革才刚刚开始。

商业化前景与未来展望

尽管AI for Science在学术和研究领域取得了显著进展，但其商业化路径仍面临挑战。曹原指出，目前主要的商业模式包括：

1. 药物研发服务：利用AI加速新药筛选和临床试验设计，缩短上市周期。这是目前最接近大规模商业化的领域。
2. 材料科学咨询：为能源、化工等行业提供新材料的发现和优化服务。
3. 科研软件即服务（SaaS）：向科研机构和企业提供AI驱动的分析和模拟平台。

“商业化是AI for Science可持续发展的关键，但目前仍处于早期阶段。”

然而，高昂的研发成本和漫长的回报周期使得许多初创公司难以独立生存。因此，与大型科技公司或制药巨头的合作成为主流模式。未来，随着自动实验室和科研Agent的成熟，“AI-native”的生物科技公司可能会出现。这些公司从成立之初就完全依赖AI进行研发，拥有极高的效率和灵活性。

总的来说，AI for Science正处于从“辅助工具”向“独立科研主体”过渡的关键阶段。虽然距离完全的AGI还有很长的路要走，但其在加速科学进步、解决人类面临的重大挑战（如疾病、能源危机）方面的潜力是巨大的。Jeff Dean的Discovery Loop以及其他巨头的布局，预示着这一领域将迎来爆发式增长。

总结：AI为科学带来的范式转移

回顾整场对话，曹原的核心观点可以概括为：AI for Science不仅仅是技术的升级，更是科学方法论的范式转移。从依赖人类直觉和经验，转向数据驱动、算法辅助甚至自主探索。这一转变带来了效率的提升，也引发了对科学本质和智能定义的深刻思考。

“AI不再只回答问题，也开始提出假设、设计实验。”

这一范式转移要求科学家具备新的技能组合：不仅要懂科学，还要懂数据和算法。同时，也需要AI工程师深入理解科学领域的专业知识。跨学科合作将成为未来科研的主流模式。对于科技巨头而言，谁能在这一领域率先构建起完整的“数据-模型-实验”闭环，谁就将在下一轮科技竞争中占据制高点。Jeff Dean的出走正是看准了这一趋势，试图在Google庞大的体系中开辟出一片更灵活、更具创新活力的新天地。对于整个科学界而言，这是一个充满机遇与挑战的新时代。AI正在成为人类探索宇宙奥秘的新一代望远镜和显微镜。