年末靈魂拷問：2025年AI改變科學了嗎？

2025 年已近尾聲?；赝^去兩年，AI 在文本生成、圖像創作甚至編程領域都取得了突出成就。然而，在關乎人類命運最核心的領域——科學發現與醫療健康上，大眾期待的“奇點”似乎遲遲未到。

硅谷的巨頭們高喊著“未來十年治愈所有疾病”的口號，但現實中，新藥研發依然昂貴且漫長，癌癥與衰老依然是懸在頭頂的達摩克利斯之劍。

AI for Science 的口號究竟是在給市場畫大餅，還是真的有潛力引發一場科學革命？

在《紐約時報》旗下科技播客 Hard Fork 的最新一期節目中，主持人凱文·羅斯（Kevin Roose）和凱西·牛頓（Casey Newton）邀請到了一位處于這場變革中心的嘉賓——薩姆·羅德里格斯（Sam Rodriques）。

作為非營利組織 FutureHouse 及其商業化衍生公司 Edison Scientific 的創始人，薩姆不僅是一位從科學家轉型為技術專家的實干派，更是最近引發熱議的“AI 科學家”模型 Kosmos 的創作者。

這場對話不僅介紹了當前科研場景中 AI Agent 的實際應用，更以務實的視角，剖析了 AI 在科研一線的真實能力與局限。

（來源：youtube）

挑戰“六個月”：AI 如何重新定義科研效率

在訪談的一開始，話題就直指 Edison Scientific 最近發布的一項聲明：他們的 AI 科學家模型 Kosmos，能夠在單次運行中（大約 12 小時），完成相當于人類博士生或博士后 6 個月 的研究工作量。

這個數字聽起來太過精確，以至于讓人懷疑是營銷話術。面對主持人的質疑，薩姆·羅德里格斯坦誠地分享了這個數據的由來。

“實際上，我一開始看到‘六個月’這個數字時，第一反應也是‘這絕不可能’?！彼_姆回憶道。為了驗證 Kosmos 的真實能力，團隊并沒有選擇那些已經被發表、答案已知的“開卷考試”，而是進行了一場真實的“雙盲測試”。

他們找來了一批學術合作者——那些手頭已經有了研究數據、做過初步分析但尚未發表成果的科學家。團隊將完全相同的研究目標和原始數據集交給 Kosmos，讓這個 AI Agent 在毫無提示的情況下“去發現新東西”。

結果令人吃驚。Kosmos 僅僅運行了一個晚上，就不僅復現了科學家們已有的發現，還梳理出了完整的邏輯鏈條。當團隊回訪那些人類研究員，詢問他們當初得出這些結論花費了多長時間時，得到的答案驚人地一致：“三個月”、“五個月”，甚至“六個月”。

這個時間差，揭示了當前科研工作流中巨大的效率黑洞，也正是 Kosmos 試圖填補的真空。

然而，這種效率并非廉價。羅斯敏銳地指出，Kosmos 單次運行的成本高達 200 美元。在 GPT-4 等模型日益平民化的今天，這個價格顯得格格不入。

“說到底，就是它消耗的算力非常大。”薩姆解釋道。與普通用戶在這個對話框里輸入一行字、等待幾秒鐘不同，Kosmos 的一次“思考”是一場馬拉松。在這一晚上的運行中，它平均會編寫 42,000 行代碼，閱讀并分析大約 1,500 篇科研論文。

“如果你用 Claude 或其他模型，它一次可能只寫幾百行代碼。光從這個代碼量級和閱讀量的對比，你就能感受到計算量的差距?！彼_姆指出，對于動輒花費數千甚至數萬美元收集數據的實驗室來說，這 200 美元的分析成本已經十分劃算。

AI 如何像科學家一樣思考？

那么，Kosmos 究竟是如何做到這一點的？它是一個更聰明的聊天機器人嗎？

薩姆在對話中澄清了一個核心誤區：Kosmos 不是 chatbot，而是 AI Agent。

在技術架構上，Edison Scientific 并沒有從零訓練一個超級大模型，而是站在巨人的肩膀上——他們同時調用了 OpenAI、Google 和 Anthropic 的頂尖語言模型。但真正的“秘密武器”，是他們設計的“結構化世界模型”（Structured World Model）。

當前通用的 AI 模型（如 ChatGPT）在處理長任務時有一個致命弱點：脫軌。一旦任務的復雜度和長度超過某個閾值，模型就會忘記自己最初的目標，或者開始胡言亂語。

“我們的方法是讓 AI 在工作過程中，不斷向這個‘世界模型’貢獻信息。”薩姆解釋道。這個模型就像是一個共享的、動態更新的“項目白板”，它逐步積累并完整描述當前任務的全部知識狀態。

有了這個“大腦中樞”，系統就能協調數百個 AI Sub-agents（子代理）并行或串行工作。有的 Agent 負責讀論文，有的負責寫代碼，有的負責驗證邏輯，而“世界模型”確保它們雖然分工不同，但都朝著同一個清晰的科學目標推進。這才是讓 AI 能夠連續工作 12 小時而不宕機的關鍵突破。

AI 究竟在哪些環節協助科學家？

這是本次訪談中最引人深思的部分。拋開宏大的治愈癌癥口號，AI 究竟在如何具體地幫助一線科研人員？薩姆·羅德里格斯通過幾個維度，勾勒出了 AI 賦能科研（AI for Science）的真實圖景。

首先，從“數據苦力”中解放大腦。薩姆分享了一個頗具個人色彩的故事。2019 年，在他博士即將畢業的關鍵時期，他手頭有一個巨大的數據集，但必須在短時間內得出結論才能畢業。

“我不想再當博士生了，我想畢業?！彼_姆笑著回憶，“所以我花了整整六個月，就坐在桌子前，拼命分析數據、讀論文、試圖得出結論?！?/p>

這六個月的枯燥工作，是全球無數博士生的縮影。他們擁有最聰明的大腦，卻將大量時間耗費在機械的數據清洗、整理和初步分析上。

“Kosmos 就是為這個階段而生的?！彼_姆指出?，F在的科學家只需要把數據集交給 AI，它就能產出大量潛在的發現。雖然目前人類仍需花費時間去驗證這些結果，但原本需要半年的“苦力活”，現在被壓縮到了幾天甚至幾小時?？茖W家可以跳過最耗時的步驟，直接進入最高級的智力活動——判斷與決策。

其次，填補編程鴻溝與閱讀極限。在談到 AI 改變日常工作的具體領域時，薩姆特別提到了兩個正在發生劇變的環節：編程與文獻閱讀。

“過去，不會寫代碼是生物學家的巨大瓶頸?！彼_姆直言?，F代生物學越來越依賴大數據分析，但很多優秀的生物學家并不擅長 Python 或 R 語言。現在，像 Claude、GPT 以及 Kosmos 這樣的工具，讓生物學家可以直接生成高質量的代碼。這不僅是效率的提升，更是能力的解放——它讓生物學家能夠執行以前因為技術門檻而無法進行的復雜分析。

另一方面是文獻閱讀。面對浩如煙海的科研論文，人類的閱讀速度是線性的，而知識的增長是指數級的。AI 能夠瞬間閱讀 1,500 篇論文，提煉出關鍵信息并建立關聯，這種能力讓科學家從“信息過載”變成了“信息主宰”。

第三，超越人類的推理。一個例子是 Kosmos 關于 2 型糖尿病的全新發現。AI 能做的不僅僅是打雜，它已經開始展現出超越人類直覺的推理能力。薩姆詳細介紹了一個令人印象深刻的案例。

Edison 團隊曾給 Kosmos 提供了一大堆關于人類遺傳變異的原始數據，要求它尋找 2 型糖尿病 背后的生物學機制。

Kosmos 在分析后，并沒有關注那些顯而易見的基因，而是鎖定了一個位于基因外部、非編碼區域的變異。通常，這類變異會被人類科學家忽略，因為它們不在“路燈下”。

但 Kosmos 通過復雜的推理鏈條發現：

1. 這個非編碼區域的位置，實際上是某種特定蛋白質的結合位點。

2. 該蛋白質調控的是一個名為 SSR1 的基因。

3.SSR1 基因在胰腺中參與胰島素的分泌。

4. 因此，這個非編碼區域的變異，通過影響蛋白結合，進而影響 SSR1 表達，最終導致了胰島素分泌異常。

“Kosmos 清晰地勾勒出了從 DNA 變異到蛋白結合、再到基因功能異常、最終影響胰島素分泌的完整機制。這在以前是未知的?！彼_姆強調。

這個案例證明，AI 利用現有的數據，能夠進行極高維度的邏輯推理，發現人類科學家“還沒來得及搞清楚”甚至“很長時間都不會注意到”的隱秘聯系。

最后，從 Tool 到 Agent 并非取代，而是增強。

薩姆認為，2025 年是 AI Agents for Science 的元年。

此前，AI 在科研中更多是作為一種工具（Tool）存在——你用它潤色論文、查閱資料。但現在，AI 正在轉變為 Agent。

“人們終于意識到，AI 不只是工具，而是能自主規劃、執行、反思研究任務的代理。”

這意味著未來的科研范式將發生改變：科學家不再是親自操作每一個實驗步驟的工匠，而是成為了一支“AI 科學家團隊”的指揮官。你告訴 AI 你的目標，AI 團隊負責執行、反饋，你負責評估和決策。

為什么十年內治愈所有疾病是天方夜譚？

盡管 AI 展現了驚人的潛力，但作為業內人士，薩姆對硅谷大佬們鼓吹的“AI 十年治愈論”潑了一盆冷水。

當主持人問及如何看待 Demis Hassabis（DeepMind CEO）或 Sam Altman（OpenAI CEO）關于“AI 將在未來一二十年內治愈所有疾病”的預測時，薩姆的回答斬釘截鐵：

“十年？完全不現實。”

他給出的理由非常硬核：醫學的瓶頸不在于發現，而在于驗證。

“舉個極端例子：假設今天我們手里就有一種神藥，能完全阻止人類在 25 歲到 65 歲之間的衰老。你也不可能在十年內知道它是否有效。”

為什么？因為在那個年齡段，人類衰老的速度太慢了。你至少需要追蹤受試者五到十年，才能在統計學上觀察到可測量的變化。這是生物學的時間法則，AI 算力再強也無法加速人類的新陳代謝。

此外，薩姆還列舉了藥物研發中那些 AI 難以觸及的實體障礙：

例如生產制造，將分子放大生產并確保達到臨床級純度，是一個復雜的工程問題。

還有患者招募，對于罕見病，找到足夠多的受試者本身就極其困難。以及關鍵的臨床試驗，必須在人體中進行，必須符合監管流程，必須等待時間流逝以觀察副作用。

“所以，問題遠不止是‘發現一個靶點’那么簡單。從發現到驗證，再到真正用在人身上，每一步都是時間和資源的深坑。薩姆總結道，AI 可以幫我們更快地‘想出點子’，設計出更聰明的實驗，但它無法繞過人體實驗的物理現實?！?/p>

2025 科研風向標：過熱還是被低估？

在訪談的最后，薩姆對當前熱門的 AI 科學概念進行了犀利的點評，梳理了 2025 年的技術泡沫。

比如 AI 證明數學定理，他認為市場呼聲有點過熱。雖然它確實展示了 AI 的推理能力，而且數學有像國際數學奧林匹克（IMO）這樣清晰的評測標準，容易衡量進步，所以成了大模型公司爭相展示的舞臺。但問題在于，數學證明在現實中的直接用途其實很有限。反觀生物學這類復雜領域，因為缺乏類似的快速驗證方式，很多實質性進展反而沒引起足夠關注。

相比之下，AlphaFold 3 和蛋白質結構預測雖然已經很出名，薩姆卻覺得它們的長期價值仍被低估。能準確預測甚至從頭設計蛋白質，不只是提升效率，更是為未來按需構建生物分子打下了基礎。

他特別提到，2025 年最實在的突破是“生成式設計”的落地，尤其是抗體和微生物的“從頭設計”（de novo design）。過去，科學家得從自然界已有的分子中篩選候選藥物，現在 AI 可以直接根據靶點生成全新的抗體序列，甚至設計出能在真實環境中工作的噬菌體。這標志著科研正從“發現已有之物”轉向“創造所需之物”。

至于腦機接口和虛擬細胞，薩姆則認為它們被炒得過頭了。雖然像 Neuralink 或 Arc Institute 的工作確實令人鼓舞，但距離真正可用的全腦接口或完整模擬一個活細胞，還有很長的路要走?，F在的成果更多是階段性進展，離科幻電影里的場景還差得遠。

站在 S 曲線的起點

“我們正站在這個 S 型增長曲線的起點?！?/p>

對于未來，薩姆·羅德里格斯保持著一種審慎的樂觀。他預測，到 2026 年，AI Agent 將全面滲透科研生態，悄悄改變實驗室的日常；而到了 2027 年，科學界產生的大多數高質量科學假說，可能將由 AI 首先提出。

在這個新舊交替的時刻，AI 不會立即取代科學家，也不會明天就治愈癌癥。但它正在以一種不可逆轉的趨勢，成為科學家手中最強大的外腦。正如薩姆所言：

“我們不再只是發現自然，而是開始按需創造生物學。這才是 AI 賦能科學的真正潛力所在。”

對于人類科學家而言，這既是挑戰，更是前所未有的機遇。既然無法拒絕這個從硅基世界走來的超級博士后，最好的辦法，或許就是學會如何成為它的導師。

參考資料

視頻地址：https://www.youtube.com/watch?v=Dn4OWufAggk

運營/排版：何晨龍