深度解读：AI for Science爆发，大模型如何重塑科研新时代 | AI门户

type

status

date

slug

summary

category

icon

password

网址

8月第一周，谷歌灵魂人物Jeff Dean宣布离职，带着其它几位高管出走成立Discovery Loop公司，致力于加速生命科学及其他行业的研究进程。

在硅谷，这标志着，AI for Science这个赛道，开始爆发。

就在众多数学家、物理学家、生物学家加入OpenAI和Anthropic等顶尖AI实验室之际，AI正在改变人类研发科学的范式。OpenAI宣布模型Astra推导出了10道人类长期悬而未决的数学难题，Anthropic未发布科研版Claude将黎曼猜想的相关零点下界从41.6%推进至67.2%，同时，AI在生物制药、材料、物理等领域都在迅速将科学前沿快速推进。

而AI自进化，形成研发闭环，是科研加速的核心。但这中间，人的角色，稍显尴尬。

这篇文章，我们和谷歌DeepMind前资深研究科学家曹原，一起聊聊AI for Science。我们从AI科学自进化的方法论，聊到AI数学和AI物理的应用，最后甚至还聊到了一些哲学问题和人类的意义。以下，就是我们和曹原的对话。

陈茜：曹原，非常欢迎你来做客硅谷101，跟我们的观众介绍一下你自己吧。

曹原：大家好，我叫曹原，之前是Google DeepMind的科学家。我也是AI初创公司Unreasonable Labs的联合创始人。我们的公司主要研究AI for Knowledge Creation（知识创造）、AI for Science，以及R&D（研究与试验发展）。

陈茜：我们今天录制的时间很巧，就在昨天（2026年8月6日），谷歌的Jeff Dean宣布将带领一批科技高管创办一家新公司Discovery Loop，他们也希望做AI for Science（AI4S）相关的事情。我看到很多评论都很唏嘘，说这是一个时代的结束，也是另一个时代的开始。我的理解是，结束的是谷歌的一个时代，开启的可能是一个新的AI4S科学研究时代，可以这样理解吗？

曹原：我认为这件事可以从几个方面解读。

第一，谷歌和DeepMind内部一直有很多优秀人才和团队。过去每个团队都有各自关注的课题，相互之间干涉不多。但从三四年前Gemini项目启动之后，因为它是公司最重要的项目之一，需要集中力量办大事。从那时候起，这对组织、人事和项目管理都带来了很大挑战，内部出现一些冲突也很难避免。

第二，过去半年左右Gemini的表现相对不尽如人意。比如今年年初，Gemini 3.1 Pro在排行榜上还算是比较好的语言模型，但过去三四个月，无论Anthropic、OpenAI，还是中国的一些开源公司，模型能力都在快速提升。相比之下，Gemini 3.5 Flash和最新的3.6 Flash表现相对平平，大家期待的3.x Pro目前也还没有正式发布。总体来看，Gemini的进度相对落后。在这种情况下，谷歌如果要在商业模式上追赶Anthropic以coding agent（编程智能体）为核心的新能力，把商业模式转向这个方向，也会面临很大困难。

第三，Jeff Dean, Oriol, Sanjay和Quoc创办Discovery Loop这件事，本质上是让AI自主进行知识开发、知识发现和自动科研，这与我们的创业公司想做的方向非常一致。在逻辑上，这也是AI能力发展的自然延伸。过去两三年，行业最关注的能力主要集中在数学和编程，比如自动写代码、解决奥林匹克数学问题等等。等这些能力逐渐成熟之后，下一个可能让AI智能进一步爆发、产生巨大效益，并帮助人类解决更大问题的方向，很自然就是把数学和代码能力推广到更广泛的科学知识发现上。所以从今年开始，围绕Knowledge Discovery（知识发现）、AI4S和Recursive Self-Improvement（递归式自我改进）的初创公司明显增多。像Jeff, Oriol, Sanjay和Quoc这样的明星团队出来做一个创业公司，他们一定会想要在这个领域树立新的标杆，成为一种新的NeoLab（新型AI实验室）。

但如果因此就说“一个新时代开启了，谷歌可能转向了”，我认为有些言过其实。因为哪怕领导层出现了变动，谷歌仍然拥有做好语言模型、做好AI所需的完整全栈能力，从底层芯片、基础设施、数据中心、工具链，到模型、人才、数据，再到上层产品和覆盖非常广泛消费者产品的分发渠道，谷歌全部都有，完全不依赖外部生态。问题不是谷歌做不好，而是优先级和资源投入需要调整，我相信谷歌以后仍然会把这些能力补上来。

陈茜：我还是很好奇，你刚才提到，谷歌内部本来就有AI4S研究团队，这也是前CEO Demis Hassabis一直非常看重的方向，甚至还独立主导了Isomorphic Labs这家公司。为什么谷歌留不住包括你和Jeff在内的这批科学家，让他们继续在谷歌内部做AI4S呢？

曹原：首先，硅谷几家前沿科技公司之间的人员流动一直都很频繁，不只是谷歌。对我个人来说，我之所以决定出来做这件事，是因为之前一直在做Gemini的模型迭代和后训练，但我一直在思考一些更深层的问题，比如怎样让模型真正变得更智能。如果要实现AGI，目前的模型虽然已经能很好地做数学和写代码，但仍然缺少一些关键能力。比如要真正解决科学问题，它需要提出新假设、验证新假设，并不断自我更新，但现在这些能力离“帮助人类实现科学知识指数增长”还很远。为什么会缺失这些能力？怎样进一步改进模型，使得它能帮人类做更好的事？这是我非常感兴趣的问题，也是我决定选择出来创业的动机之一。

陈茜：那Jeff Dean为什么要带人离开？能不能猜测一下？

曹原：Jeff Dean在谷歌乃至整个业界都是传奇式人物。从整个谷歌早期一直到现在，大量英特网级别的基础设施都是从他的一些工作开始的，从MapReduce、Spanner、BigTable，到后来创立Google Brain，再到最早的深度学习框架之一TensorFlow、Google TPU（谷歌张量处理器），再到最后的Gemini。跟他一起出来的Oriol和Quoc都是早期Google Brain团队成员，他们已经共事了很长的时间。

Sanjay也是谷歌元老，几乎与Jeff Dean同期加入，也是长期合作的伙伴。所以，他们相互之间都非常了解。我以前在办公室里经常看到Jeff Dean和Sanjay做pair coding（结对编程），两个人一起写代码，他们每周是有一天是必须写代码的，Jeff一直也是非常亲力亲为。所以如果他们决定一起出来做自己的事情，这是一个很顺理成章的组合，他们彼此了解，也都有很强的技术背景。

陈茜：目前不仅Jeff Dean离开了，更早之前，AlphaFold联合创始人、诺贝尔奖得主John Jumper也加入了Anthropic。过去我一直认为谷歌是最重视AI4S路线的公司之一，Demis Hassabis也长期主导这条路线。所以最近接二连三有核心人物离开，还是让我很惊讶的，为什么谷歌留不住这批科学家呢？

曹原：因为谷歌现在内部的最高优先级，肯定是把Gemini做到SOTA（业界最佳水平），至少与Anthropic和OpenAI齐平或者更好。所以短期内很多工作的优先级都必须向Gemini转移，包括Jumper以及原来一些做AI4S的人，他们的工作重心也会随之变化。一个团队这么大，又有一个极高优先级的项目，不可能让每个人都完全满意。所以怎样让这么多人才，每个人的能力和诉求都得到充分体现和合理安排，本身就是非常有挑战的问题。我认为谷歌已经在这方面做了很多优化和调整，能够让他们每个人能够发挥自己的最大的潜力，管理团队、科学家和工程师也都在不断迭代这个过程。在管理上的挑战仍然很多，但我认为状况是在变好的。

陈茜：你怎么判断它在变好？

曹原：现在做大模型，不能再沿用过去大公司的管理方式，因为它需要非常快的迭代和持续更新。谷歌要做的是“革自己的命”，把Gemini团队尽可能做得像一家初创公司，尽快把能力先补上去。这意味着管理团队必须在人事安排、每个人承担的工作以及整个项目的安排上做出调整，需要有自我革新的勇气。我相信谷歌已经意识到这一点，也会继续做这件事。

陈茜：所以是不是接下来如果有新的血液加入，也可能带来新的变化。比如Meta在Alex Wang加入之后，最近已经出现了一些改善迹象，包括Muse Spark以及最新的编程模型，外界反馈都不错。

曹原：对，肯定会有变化。做一个模型有几个关键要素，包括人才、数据、算力，以及大家容易忽略的项目管理。整个软的设置，每一项都需要一些改进，并且持续迭代更新。对Meta来说，MSL（Meta Superintelligence Labs，Meta超级智能实验室）在不到一年的时间里做到现在这个水平，已经很不容易。但是接下来，怎么从这个水平进一步做到SOTA（业界最佳水平）会越来越难。从0分做到80分，可以在一定时间里快速追赶，但从80分做到100分，甚至超过100分，挑战会大得多。谷歌原本就在较高水平上，但接下来怎么能进一步往上，做到最好的位置？这会需要花很多功夫，需协调很多资源，也需要大家都能非常有效地安排各项工作，来快速迭代模型才能做到。

陈茜：那AI for Discovery（AI发现）和AI4S，仍然会是谷歌重点押注的方向吗？

曹原：会是的。前两天Sundar发的邮件里也提到，Demis虽然从DeepMind CEO的位置退下来，但仍然主管AGI和科学相关部门。谷歌在所有AI科技公司里，可以说是布局科学最早、最广也最深的公司之一，整个生态体系也做得最好。怎样用AI自动驱动科学和技术发展，是太重要的课题，不只是对一家公司重要，对社会乃至国家都非常重要。人类社会的发展最终还是由科学和技术推动，现在已经有了这么强大的AI工具，就一定要继续把这项能力往上推。所以谷歌不会放弃AI4S，只是短期内会有优先级调整。而且我相信，虽然Demis现在转为做Chairman（董事长），但是他一定会在AI4S上还继续做很多努力。

陈茜：可不可以理解为，Demis现在退后一步，是因为他不太想管商业化和产品，而希望把更多精力专注在AI4S上？

曹原：我认为这是原因之一。Demis一直更看重长远的发展，特别在技术方面。他个人的气质也更像科学家，而不是负责产品和商业的CEO。DeepMind和Google Brain当时合并，很大程度上就是为了更快推进Gemini、能够赶超GPT。但在合并之前，DeepMind在伦敦，当时是长期投入了大量精力在Alpha系列等科学研究上。后来很多商业产品的落地和产生的效益，其实也是建立在这些先驱性研究成果之上。

比如现在AI for RSI（递归自我改进），以及AlphaEvolve可以推动算法自动更新，AlphaFold更不用说，已经获得诺贝尔奖，并进一步商业化为Isomorphic Labs。现在，Demis更像是做一个咨询类的顾问。长远来看，我认为谷歌既有能力，也有责任继续推动长期科技和研究发展，而Demis非常适合这个角色。

陈茜：同时我们看到OpenAI和Anthropic也都在把AI for Discovery和RSI纳入重点布局。在具体聊这三家公司之前，我们先把几个概念梳理一下：AI4S、AI for AI（AI4AI），以及RSI（Recursive Self-Improvement，递归式自我改进），这三个概念分别是什么意思？

曹原：其实很简单。AI4S和AI4AI，都是把AI模型当成研究员本身，让它去研究科学问题，或者研究AI自身的问题。以AI4AI为例，如果模型已经很聪明，怎样利用它的聪明才智进一步改善模型本身的问题？比如给它一个任务：在限定的预算下，用最少的资源、GPU，怎么把模型训练到最好。人当然可以做，但如果让AI自己做，它可以更快尝试大量新想法和实验。比如它看了当前模型的代码库，发现某个参数可能需要调高，于是提出一个方案，生成一个建议，可以试一下先把这个参数调高。

AI agent的能力现在已经很强了，它也可以自动写代码来实现自己的提议，在沙盒里运行实验，再观测模型的训练结果，读取数据之后再做反馈、提出下一步。如果发现把某个参数调高之后，模型效果变好了，它就沿着这个方向继续尝试。根据不同的反馈，进一步生成下一步的建议。这样一轮轮迭代，模型性能不断提升，这就是一个自我不断回归的过程，也是一个典型的AI4AI应用。

现在也有一些AI4AI公司在探索能否找到不同于Transformer的新架构，这可能需要很多的搜索或者新的想法。也有公司在探索，AI4AI能否找到不依赖Backpropagation（反向传播）的新优化算法。这类研究问题用AI去做都是更高效的，因为需要搜索大量可能性，而AI可以更高效地完成整个闭环。AI4S只是把研究对象换成科学问题，方法本质上类似。

RSI不是一个任务，而是一种方法：通过Recursive Self-Improvement（递归式自我改进），让系统通过不断自我迭代的方式更新任务、方案，从而自己把任务越做越好。

陈茜：也就是说，AI4S和AI4AI类似，只是目标不同，而RSI是一种方法，可以同时用于AI4AI和AI4S。那为什么偏偏在2026年8月这个时间点，AI4S开始爆发？它当然不是一夜之间就爆发的，前面已经有AlphaFold、RoseTTAFold等一系列模型的进展。此时此刻，有哪些技术的成熟，才让AI4S在这个时间点爆发了？

曹原：过去两年AI的发展，主要是在代码和推理能力上，最能体现这两个能力的就是编程和数学问题。等AI能够比较可靠地写代码，同时智能体的Harness（挽具/驾驭系统）也成熟之后，就可以开始让AI去做更复杂的科学问题。比如做一个生物实验，第一步，模型要提出假设，决定下一步做什么实验，这需要推理能力；第二步，实验得到数据之后，模型要自己写代码分析数据，看结果是否符合预期，这需要很强的代码能力；第三步，如果数据异常，它还要分析原因，判断前一个方案哪里有问题，不断地自我迭代。

所以真正需要的是一整套能力：推理、数据分析、数学、代码，以及整个agent loop（智能体循环）和长期记忆管理。每次实验之后，系统都要把之前观测的结果放到记忆管理的容器中。等这些能力都到位，才能更好地处理科学问题，因为科学问题的范围更广、复杂度也更高，比单纯的编程和数学更具挑战。

陈茜：所以现在可以说是“天时地利人和”，到了我们在AI4S能力上去发展的阶段。AI4S下面还有很多细分方向，目前讨论最多的、最聚焦的还是材料、生物制药，以及AI for Semiconductor（AI半导体），也就是用AI设计芯片这几类，为什么这些领域最先受到关注？

曹原：一个科学领域对AI4S有没有吸引力，主要由几个因素决定：市场的潜力与规模、是否适合用AI做、研发的迫切性，以及AI目前能不能做得好。传统上，生物学、生物科技、生命科学和药物发现一直都有非常大的市场。而且潜力很大。第二，这些领域的流程相对标准化、结构化，数据也比较丰富，流程也更容易交给AI处理。第三，新药开发周期很长、成本很高。前期要测试大量的kit，筛选出lead（先导化合物），挑选出一些比较可靠的分子结构后，还要进入临床试验和复杂监管流程，整个周期可能持续很多年，花费数亿美元。如果AI能够自动化其中一些环节、降低成本，对制药公司就非常有吸引力。所以从创投角度看，生物和药物开发是AI4S被吸引的科学话题。

材料同样是大市场，在生活当中方方面面都会碰到，但和药物比，它的问题是市场非常细，很难捕捉到价值的应用场景。比如说金属材料、皮革材料、生物材料、半导体材料、稀土材料，各自的开发流程和应用都不同。所以虽然市场很大，但很难用同一个相对标准的方法去处理。即使AI发现了一个新的材料结构、分子，也只是第一步，之后还要考虑谁来制造、用在哪里、最后如何包装等等。它的价值链很碎，很难用AI一下子捕捉到所有的价值。所以材料虽然市场大，但相比药物开发和生物相对会更小。其他的芯片设计、电池设计、量子计算等新兴的方向也都在探索中，现在还很难判断AI最终能在多大程度上发挥作用。

陈茜：AI4S本质上解决的是什么？是加速现有科学研究，还是发现新的问题？换句话说，它更偏向提效，还是发现？

曹原：这取决于AI在其中扮演什么角色。第一种是Co-Scientist（协同科学家），它主要帮助科学家加速研究流程，但不一定主动提出新的方法。比如像Claude Science，是一个更偏向科学家的workbench（工作台），类似编程里的IDE（集成开发环境）。科学家可以在上面调用各种工具、分析数据、与模型对话、获得建议、运行实验或模拟。AI模型不一定自己提出新知识，但可以明显加速实验设计、数据分析和整个研发流程。

第二种角色，是AI自己提出新的发现。比如DeepMind的AlphaEvolve可以自主发现新算法，AlphaFold也能帮助产生新的蛋白质结构相关知识。所以AI在AI4S中的角色，取决于具体领域，也取决于它是一个垂类模型，还是放在agent loop（智能体循环）里的通用模型。

陈茜：那我们把AI4S的具体步骤拆开来看。科学家做研究的流程通常包括问题定义、表征、建立预测、验证和实验等环节。先从问题定义开始，你觉得AI在这里扮演什么角色？

曹原：我认为问题定义必须由人来完成。AI目前还做不到有自己的品位，去找出合适的问题，自己去做研发。人类科学家仍然不可替代，需要先明确要解决什么问题、哪些动机是重要的。AI可以在给定初始的问题、提示之后，在此之上做一些比如搜索文献、分析已有信息、帮助把一个初始问题结构化得更清楚，但主要还是辅助角色。

陈茜：那什么样的问题比较适合交给AI研究？这个筛选本身现在也要由人来做，对吗？

曹原：任何可计算的、容易被验证的问题，是最适合AI去完成的，从本质上看，就是这个问题多大程度上能够被很精确地建模。AlphaFold就是很典型的例子：给定氨基酸序列，预测三级结构，问题定义非常明确且结构化的，也可以通过计算来处理。另一个关键指标是容易被验证，这可能是AI4S中最难的一环。AI编程或者AI数学的优势在于，代码写完可以马上运行，数学证明也可以很快检查。但很多科学问题没有这么快的反馈，比如开发一个新药，不到最后上市，你很难真正知道效果如何。所以这类问题不一定马上能用AI4S完全解决，可是其中一些中间步骤，如果可以通过模拟工具计算药物的特性、稳定性、副作用等特征，就比较适合交给AI。所以AI4S能迭代多快，很大程度上取决于结果能多快被验证，可验证性是非常重要的指标。

陈茜：能不能举一些目前还不适合、或者暂时没有办法用AI解决的科学问题？

曹原：这样的例子其实很多，可以反过来看，哪些问题适合用AI来解决。就像刚才说，AlphaFold是适合的，还有比如OpenAI曾把GPT-5和Ginkgo Bioworks的机器人自动化实验室结合，让GPT-5提出生成蛋白质相关配方，机器人执行实验，再把结果反馈给模型，形成自动闭环。这类问题很适合AI，能够降低成本。但科学和编程、数学不一样的地方是，需要大量的物理验证，所以除了材料、生物或者其他可以有验证的机制的问题之外，大部分科学问题还是无法得到很快的验证，所以目前不适合用AI做。

陈茜：所谓“验证不了”，主要是因为还需要人来做验证，受制于人去验证的时间吗？

曹原：不只是人，还包括实验本身的复杂度和成本。比如AI生成一个新的核聚变装置设计，要真正做实验，成本和代价可能非常高。能够完全在数字环境里用in silico（计算机模拟）完成的问题，相对容易，但最终很多科学问题还是必须回到物理世界、要去验证。不是说这些问题不能做，而是在目前成本和收益不明确的情况下，大家缺少足够动力。但这一步最终是...