AI 助力科学研究：从数据驱动转向智能体推理

在人工智能浪潮席卷科研领域的当下，一条新的路径正在被严肃讨论。近日，《MIT Technology Review》刊发长篇评论，提出一个值得深思的观点：AI 推动科学进步，不能只依赖数据，更需要推理能力。AlphaFold 式的成功难以简单复制，而 AI 智能体正凭借其通用性与推理能力，开辟科学发现的新通道。

AlphaFold 的光环与边界

2024 年，Google DeepMind 的 Demis Hassabis 与 John Jumper 因 AlphaFold 共同获得诺贝尔化学奖。这一神经网络能够基于实验测定的蛋白质三维结构，预测未知蛋白质的构象，攻克了困扰学界半个世纪的难题。Hassabis 与团队曾将 AlphaFold 称为「AI 以数字速度推动所有科学发展的模板」。这一突破也带动了一波基础模型创业潮——生物学、化学、材料科学领域的初创公司获得数十亿美元融资。

然而文章指出，AlphaFold 留下的与其说是「万能模板」，不如说是「稀有特例」。

数据壁垒：为何 AlphaFold 难以被复制

AlphaFold 之所以成功，关键前提是存在蛋白质数据库（Protein Data Bank）——一个包含约 17 万个实验验证蛋白质结构的数据集。文章披露了几项关键数字：

• 数据库耗费国际科学界 53 年合作时间
• 累计实验工作估值约 210 亿美元
• 核心实验技术「蛋白质晶体学」可重复性极强，已支撑超过 25 项诺贝尔奖

如此规模的资源协调与资金投入，本身就极其困难。文章进一步指出，即便拥有足够资金与协作能力，许多实验科学领域仍难以生成训练现代神经网络所需的标准化数据：细胞系会漂移、化学品存在微量杂质、实验室湿度变化……多数实验结果并非「可批量复制」的稳定信号。要建立足够一致、准确、可扩展的标准化数据集，需要全新的测量方法与统一标准，短期难以实现。

文章认为，除了天气预报、大部分基因组学以及化学的少数细分领域外，AlphaFold 式的突破在短期内难以大规模复制。

智能体登场：推理成为新引擎

文章将目光转向 AI 智能体（agent）。智能体本质上是被赋予了工具访问权限与使用能力的 AI 推理引擎，由大语言模型驱动。这一架构的根本性转变，使其不再依赖某一领域的专业数据集，而是可以模拟科学研究的真实过程：综合多种工具的输出、根据新证据反复修正结论。

文章强调，与 AlphaFold 这类「针对单一问题应用强方法」的工具不同，智能体天生就是「通才」。它们并不是以新方式做科学，而是在数字上复刻人类发现的过程。这一范式对科学界而言是一次基础性变化。

案例：Google AI Co-Scientist

文章援引了 Google 于 2025 年 5 月发布的 AI Co-Scientist 作为典型样本。研究人员仅向系统提交一份一页纸的研究简报与目标：揭示抗菌素耐药性在不同细菌物种间的传播机制——这是耐药感染蔓延的关键驱动因素之一。系统随即启动多个子智能体协同工作：

• 一个子智能体从文献中起草假设
• 一个扮演同行评审，对假设挑刺找漏洞
• 一个采用「锦标赛」机制对候选假设排序
• 一个对胜出的假设进一步打磨精炼

最终系统得出结论：耐药基因借助细菌病毒「搭便车」，搭乘能够将自身送入新宿主的噬菌体实现跨物种传播。这一假设与伦敦帝国理工学院研究团队的独立发现相吻合（原文此处截断，相关后续细节未披露）。

范式之争的真正问题

文章的核心判断是：AlphaFold 展示了「数据 + AI」的惊人潜力，但「数据 + 算力」的模板无法快速推广到大多数科学领域；而 AI 智能体则代表了另一条路径，让 AI 从「工具使用者」进化为「流程主导者」。对于那些尚不具备完美数据集的开放科学问题，这种「会推理的 AI」或许才是更现实的答案。