AI科学s

开场：一封匿名审稿邮件 2025 年 12 月，ICLR 2026 的一位审稿人收到了这样一封邮件： “Dear Reviewer, we regret to inform you that the paper you reviewed was entirely generated by an AI system called ‘AI Scientist’ developed by Sakana AI. The authors were not human. We are conducting a study on the peer review system’s ability to detect AI-generated research. Your participation is appreciated.” 这位审稿人后来在社交媒体上写道：“我给了 borderline accept。我审了 8 年稿，第一次被一个程序骗了。” 这不是科幻小说。这是 Sakana AI 在 2025 年进行的真实实验。他们让 AI Scientist 自动产生科研想法、写代码、跑实验、写论文，然后把论文投到 ICLR 2026 的 workshop。三篇论文中，一篇被接收，一篇拿到 borderline，一篇被拒。 ...

开场：220 万种新材料的"幽灵" 2023 年 11 月，DeepMind 的 GNoME 论文登上 Nature 封面。标题很震撼：“220 万种新晶体结构的发现”。如果这是真的，它相当于把人类材料科学 200 年的积累翻了一倍。 但接下来的事情变得微妙。 论文发表后，全球多个实验室尝试合成 GNoME 预测的"明星材料"。MIT 的团队选了 58 种预测稳定的材料，成功合成了 23 种。劳伦斯伯克利国家实验室的团队选了 43 种，成功了 12 种。日本 NIMS 的团队选了 35 种，成功了 9 种。 综合成功率：约 37%。 不是说 AI 在撒谎。但 220 万乘以 37% = 81.4 万，而 220 万乘以 63% = 138.6 万种"幽灵材料"——它们在计算中存在，在现实中不存在。 到底哪里出了错？ 材料发现的"不可能的三角" 理解这个问题，先要理解材料科学的核心挑战。一个材料要"可用"，需要同时满足三个条件： 热力学稳定性：它不会自发分解。就像一杯水不会自己变成氢气和氧气。 动力学可合成性：你能在实验室里把它做出来。石墨烯在热力学上比金刚石稳定，但你在实验室里不能把金刚石"等"成石墨烯——需要能量跨越反应势垒。 功能性：它有用。世界上有无数种稳定的材料，但只有极少数能做超导体、催化剂、电池电极。 AI 非常擅长预测第 1 点，但对第 2 和第 3 点几乎无能为力。 GNoME 使用的 DFT（密度泛函理论）计算，本质上是在算"如果所有原子都找到了最舒服的位置，这个结构会不会塌"。它不考虑"你用什么方法把这些原子摆到那个位置"，也不考虑"摆好之后它能干什么"。 为什么 63% 的材料合成不出来？ 那些"幽灵材料"的失败原因，大致可以分成三类： ...

开场：一只老鼠的救命药 2023 年，MIT 的 Collins 实验室做了一个实验。他们在小鼠身上感染了鲍曼不动杆菌（Acinetobacter baumannii）——一种被 WHO 列为"最高优先级"的超级细菌，对几乎所有已知抗生素都耐药。感染 48 小时后，对照组小鼠全部死亡。 治疗组小鼠注射了一种叫"abaucin"的化合物。48 小时后，所有治疗组小鼠都存活了。 abaucin 不是人类化学家设计的。它是 AI 发现的。 AI 从 6680 种化合物中筛选出了 abaucin。筛选过程只用了 2 小时——如果用传统高通量筛选，需要 2-3 个月。更重要的是，abaucin 只杀死鲍曼不动杆菌，对其他肠道细菌无害——这是一种梦寐以求的"窄谱抗生素"，不会破坏肠道菌群。 抗生素耐药性：一场沉默的瘟疫 在讨论 AI 之前，你需要知道抗生素耐药性有多严重。 根据《柳叶刀》2022 年发表的全球疾病负担研究，2019 年全球约有 127 万人直接死于耐药菌感染，另有 495 万人的死亡与耐药菌有关。这个数字超过了艾滋病和疟疾的死亡人数之和。 到 2050 年，如果不采取有效措施，每年将有 1000 万人死于耐药菌感染。超过癌症。 “后抗生素时代”——一个普通感染都可能致命的时代——正在逼近。 而与此同时，大型药企几乎全部退出了抗生素研发。原因很简单：不赚钱。一个抗癌药可以卖 10 万美元一年，一个抗生素只能卖几百美元一个疗程。从 2010 年到 2025 年，全球只有 15 种新抗生素获批，其中大多数是已有抗生素的改良版。 AI 改变了什么？ AI 在抗生素发现中改变了三件事： 第一，速度。 传统高通量筛选每天可以测试 1 万种化合物。AI 虚拟筛选每秒可以评估 10 亿种。MIT 的 AI 模型可以在 1 小时内筛选 1.07 亿种化合物的抗菌活性。这意味着你可以探索广阔的化学空间，找到人类直觉不会想到的分子。 ...

开场：一场 1 亿度的芭蕾 想象你在控制一团温度高达 1 亿摄氏度的"火焰"。这团火焰由等离子体组成——电子和原子核被剥离，形成一种带电的混沌流体。它被磁力约束在环形的真空室中，像一条愤怒的龙在笼子里翻滚。 你的任务是：让这团火焰在 1 亿度下稳定燃烧，不碰壁、不破裂、不熄灭。稍有不慎，火焰撞上容器壁，导致温度骤降，等离子体破裂——一次破裂能在几毫秒内释放出相当于一辆卡车以 100 公里/小时撞墙的能量。 这就是核聚变工程师每天面对的问题。而 2025 年，AI 开始接手这个任务。 核聚变为什么需要 AI？ 核聚变（尤其是托卡马克方案）的控制问题，本质上是一个"高维实时控制"问题。 一个典型的托卡马克装置有几十个控制参数：等离子体电流、磁场强度、气体注入速率、微波加热功率、偏滤器位置等。这些参数之间相互耦合，改变一个会影响其他所有。而且，等离子体的行为是高度非线性的——它会在几种截然不同的状态之间突然跳变（L 模、H 模、边缘局域模等）。 人类操作员只能同时关注 3-5 个参数。AI 可以同时优化 50 个。 2022 年，DeepMind 和瑞士等离子体中心（SPC）合作，首次展示了 AI 在真实托卡马克（TCV）中控制等离子体。AI 用深度强化学习训练，学会了把等离子体维持在特定形状和位置，甚至学会了控制多个等离子体"液滴"（这是一种高级操作模式）。 2025 年，这项技术被升级并推广到了多个托卡马克装置，包括英国的 JET 和中国的 EAST（东方超环）。 2025 年的突破：AI 预测破裂 2025 年，AI 在核聚变领域最大的突破不是"控制"，而是"预测"。 等离子体破裂是托卡马克运行中最危险的事件。它在几毫秒内释放大量能量，可以损坏反应堆内壁。预测破裂，并在破裂前采取缓解措施，是核聚变工程的核心挑战之一。 传统方法（基于物理模型的阈值判断）的预测准确率约为 70%，误报率较高。2025 年，普林斯顿等离子体物理实验室（PPPL）的 AI 深度学习模型，在 DIII-D 托卡马克上将破裂预测准确率提升到了 95%，预警时间提前了 30 毫秒。 30 毫秒听起来不长，但对于破裂缓解系统来说，这足够了。 30 毫秒足够注入大量惰性气体，将等离子体能量辐射出去，避免对器壁的破坏性冲击。 更令人兴奋的是，这个 AI 模型不需要针对每个托卡马克重新训练。它在 DIII-D 上训练，在 JET 上测试，表现同样出色。这意味着 AI 学会的可能是等离子体破裂的"通用物理特征"，而不是某个特定装置的"个性"。 中国 EAST 的 AI 实验 2025 年，中科院等离子体物理研究所的团队在 EAST（东方超环）上进行了 AI 控制实验。 ...

开场：一个没有人的实验室 2025 年 11 月的一个深夜，利物浦大学材料创新工厂的实验室里灯火通明。但仔细看，里面没有一个人。 一台 KUKA 机械臂正在依次完成以下操作：从试剂架上取下 6 个玻璃瓶，用精密天平称量粉末，加入溶剂，在磁力搅拌器上混合，将溶液转移到水热反应釜中，放入烘箱。24 小时后，机械臂取出产物，送到 X 射线衍射仪上分析。数据自动传输到云端，AI 算法在 3 分钟内判断出：产物是目标物，纯度 97.3%。 整个过程，从实验设计到数据分析，没有人类参与。AI 设计了实验方案，AI 操作了仪器，AI 分析了结果，AI 写了实验记录。 一台机器，在一个通宵里，完成了化学博士 3 个月的工作量。 “AI 化学家"的进化史 AI 在化学领域的发展，可以分为三个阶段： 2018-2020：配方推荐。 你告诉 AI “我想合成这个分子”，AI 推荐反应条件（温度、溶剂、催化剂）。本质上是把化学文献中的反应条件变成了一个推荐系统。成功率约 60%。 2021-2023：闭环优化。 AI 不仅推荐条件，还能根据实验结果自动调整。比如第一次反应产率只有 40%，AI 分析失败原因，调整条件，做第二次实验。2023 年 MIT 的闭环系统在 8 轮迭代后，将某个 Suzuki 偶联反应的产率从 35% 优化到了 91%。人类化学家平均需要 20-30 轮。 2024-2026：自主发现。 AI 不再只是优化已知反应，而是主动提出新的化学反应路径。2025 年，苏黎世联邦理工学院的"AI 化学家"系统独立发现了 3 种新的 C-H 活化催化剂，其中一种的催化效率比已知最好的催化剂高 2.5 倍。论文发表在了 JACS 上，审稿人给出的评价是"令人印象深刻的新发现”——他们不知道实验设计是 AI 做的。 一个真实的实验流程 让我带你走一遍"AI 化学家"做实验的过程： ...

开场：托勒密与哥白尼的 AI 时代版 公元 150 年，托勒密提出了地心说模型。这个模型用 80 多个均轮和本轮（圆上套圆），可以精确预测行星的位置，误差不超过 1 度。 公元 1543 年，哥白尼提出了日心说。他的模型预测精度比托勒密模型还差一点——因为哥白尼坚持用正圆轨道，而行星轨道实际上是椭圆。 如果评价标准是"预测精度"，托勒密赢了。但科学史选择了哥白尼。为什么？ 因为哥白尼的模型更"简单"、更"优雅"、更"符合物理直觉"。它不需要 80 个参数就能解释行星运动的基本规律。 现在，把"托勒密模型"替换成"AI 模型"，把"哥白尼模型"替换成"物理定律"。这就是 AI 科学方法论面临的核心哲学问题。 AI 的"预测"和科学的"理解"不是一回事 让我用一个具体的例子说明。 2025 年，一个 AI 模型准确预测了某种钙钛矿太阳能电池的光电转换效率（PCE），误差只有 0.3%。但当你问模型"为什么这种钙钛矿效率高"时，它给出的"特征重要性"排名是：第 37 个输入特征最重要，第 112 个次之，第 5 个第三。 这些特征是什么？它们是在训练过程中自动生成的高维向量，没有物理意义。你不能说"因为带隙宽度是 1.5 eV"或"因为载流子迁移率是 20 cm²/Vs"。你只能说"因为第 37 个特征的值是 0.873"。 这在工程上够用了——如果你只是想要一个高效率的太阳能电池。但在科学上远远不够——如果你想要理解"为什么这个材料效率高"以便设计下一个更好的材料。 科学史上的"预测"与"理解" 科学史上，预测和理解的脱节并不罕见： 量子力学（1920 年代）： 物理学家们学会了用薛定谔方程精确预测电子的行为，但关于"波函数坍缩"意味着什么，至今已经争论了 100 年。“闭嘴，计算”（Shut up and calculate）成了量子力学界的一句名言。预测能力极强，理解极其有限。 分子动力学模拟（1980 年代）： 计算机可以模拟蛋白质的折叠过程，输出每个原子的轨迹。但只看轨迹，你完全无法理解"为什么蛋白质会折叠成这个形状"——那需要理解疏水作用、氢键、范德华力等物理概念。 深度学习（2010 年代至今）： 神经网络可以预测一切，从蛋白质结构到股票价格到天气。但"权重矩阵"和"偏置向量"不是科学理论。科学理论需要概念、原理、因果链条。 三种 AI 科学方法论 当前 AI 在科学发现中有三种主流方法论，各有优劣： 方法一：黑箱预测（Black-box Prediction）。 AI 直接从数据中学习模式，输出预测。优点是快、准，缺点是完全不可解释。代表：AlphaFold 3 的结构预测。 ...

开场：一次"要命"的预测 2025 年 12 月，Google DeepMind 的 AI 气候模型"GraphCast"发布了一项预测：如果温室气体排放继续以当前速度增长，到 2100 年，全球平均气温将比工业化前水平上升 3.2°C。这个数字比 IPCC 第六次评估报告的中位数预测（2.8°C）高出了 0.4°C。 0.4°C 听起来不多。但 IPCC 告诉我们，从 2.5°C 到 3.0°C 之间的 0.5°C 差异，意味着额外 4 亿人面临水资源短缺，额外 1.5 亿人面临海平面上升威胁。 问题是：我们应该相信 AI 的 3.2°C，还是传统物理模型的 2.8°C？ 这个问题的答案，可能影响数千亿美元的气候政策决策。 气候建模的"不可能三角" 气候建模有一个经典的三难困境： 精度 vs 速度 vs 物理一致性。 三者只能选其二。 传统的全球气候模型（GCM）基于物理方程——纳维-斯托克斯方程、辐射传输方程、热力学方程。它们物理上一致，但慢得令人发指。模拟 100 年的气候演变，在超级计算机上需要跑几个月。 AI 模型（如 GraphCast、FourCastNet、Pangu-Weather）完全相反：它们用深度学习从历史气候数据中学习模式，预测 10 天的天气只需要 1 分钟，比传统模型快 1000 倍。但它们是"黑箱"——你不知道它为什么给出这个预测，也不知道它是否违反了物理定律。 AI 模型到底怎么"学"气候？ 用一句话概括：AI 气候模型本质上是一个超级复杂的模式匹配器。 它不像传统模型那样"理解"大气动力学、海洋环流、陆面过程。它只是"看过"了 40 年的 ERA5 再分析数据（1979-2019），从中学会了"如果大气状况是 X，6 小时后变成 Y 的概率最高"。 这让 AI 模型在短期预测（1-10 天）上表现惊艳。2025 年，GraphCast 的 5 天天气预报准确率已经超过了 ECMWF 的 IFS 模型——这是人类天气预报史上第一次 AI 战胜物理模型。 ...

开场：一座不存在的"蛋白质城市" 想象你是一个建筑师，但你的建筑材料不是砖块和水泥，而是 20 种氨基酸。你可以用这些氨基酸拼出任何形状——纳米级的笼子、分子级的马达、能自我组装的积木。唯一的限制是你的想象力。 2023 年，华盛顿大学的 David Baker 团队用 AI 设计了一种全新的蛋白质——它能在细胞膜上打孔，精确地让特定离子通过。这种"人工离子通道"在自然界中不存在，它的结构是 AI 从零开始设计的，氨基酸序列和已知的任何天然蛋白质都不相似。 Nature 的编辑在评论中写道：“这不是蛋白质工程，这是蛋白质创造。” 2024 年，David Baker 和 Demis Hassabis、John Jumper 共同获得了诺贝尔化学奖。诺贝尔奖委员会给出了一句耐人寻味的评语：“他们找到了蛋白质的’密码’，并用它来设计全新的蛋白质。” 从"改造"到"创造" 蛋白质设计的历史可以分为三个阶段： 阶段一：定向进化（1990s-2010s）。 人类不设计蛋白质，而是模拟自然选择。你在实验室中对天然蛋白质的基因随机引入突变，然后筛选出"更好"的版本。Frances Arnold 凭借这项技术获得了 2018 年诺贝尔化学奖。但这种方法只是"改造"已有蛋白质，不能"创造"新蛋白质。 阶段二：理性设计（2000s-2020s）。 人类基于物理化学原理，设计具有特定结构的蛋白质。方法是计算哪个氨基酸序列能折叠成目标结构。但成功率很低——设计的蛋白质要么折叠不了，要么折叠成别的形状。 阶段三：AI 从头设计（2020s-至今）。 AI 直接从"功能需求"生成"氨基酸序列"。你说"我要一个能结合新冠刺突蛋白的蛋白质"，AI 输出一个氨基酸序列，它在实验室中真的能折叠成预期形状，并且真的能结合目标。 2025 年的三个里程碑 里程碑一：蛋白质"乐高"。 David Baker 团队在 2025 年发布了一个名为"ProteinMPNN Pro"的 AI 工具，它可以把蛋白质看作"乐高积木"——你可以设计各种形状的蛋白质组件，它们会自动组装成复杂的纳米结构。一个团队用这个工具设计了一个蛋白质"笼子"，内部可以精确封装一个量子点。这个纳米级的"快递盒"在未来可能用于靶向药物递送。 里程碑二：蛋白质分子马达。 2025 年，日本理化学研究所（RIKEN）的团队用 AI 设计了一个蛋白质"马达"。这个蛋白质在 ATP 的驱动下，可以像鞭毛一样旋转。它的旋转速度是自然界最接近的蛋白质马达的 3 倍。虽然它目前只是在试管里转，但这是一个概念验证：AI 可以设计出比自然进化更高效的功能蛋白。 里程碑三：蛋白质逻辑门。 2025 年，MIT 的团队用 AI 设计了一系列蛋白质"逻辑门"——AND、OR、NOT 门，但它们不是用硅做的，而是用蛋白质做的。这些蛋白质逻辑门可以在细胞内对多种信号做出响应，比如"如果有炎症信号 AND 癌细胞标记物，就释放药物"。这为"智能药物"提供了基础。 如果 AI 能设计一切蛋白质，生物学会变成什么样？ 这是一个哲学问题，但它有非常实际的后果。 ...

开场：一个冒牌科学家的自白 2025 年底，Sakana AI 发布了"AI Scientist"——一个能自动产生科研想法、写代码、跑实验、写论文的 AI 系统。它生成的论文被投到 ICLR 2026 的 workshop，其中一篇甚至拿到了 borderline accept。评审人不知道作者是 AI。 这事在学术圈炸了锅。但更让人不安的是另一个数字：据 arXiv 统计，2025 年标注"AI-assisted"的预印本数量同比增长了 340%。你每天刷到的所谓"前沿发现"，可能有一半是 AI 生成、人类署名的。 AI 到底是在加速科学，还是在批量生产学术垃圾？ 第一幕：AI 搞科学的三种姿势 先别急着站队，我们来看看 AI 在科学界到底怎么玩。 第一层：工具型 AI。 你是生物学家，显微镜拍了 10 万张细胞图，肉眼根本看不过来。AI 帮你做图像分割、异常检测、自动分类。这是最传统的"AI for Science"——AI 是放大镜，科学家是拿放大镜的人。 第二层：假设型 AI。 你是材料学家，想在 10 的 60 次方种可能的晶体结构里找到下一个室温超导体。人类穷举一辈子也试不完。AI 通过图神经网络预测材料性质，把候选范围从天文数字缩小到几百个。MIT 的团队 2025 年用这种方法发现了 3 种新型热电材料，其中一种的热电优值（ZT）达到 2.8，比商业化材料高出 40%。 第三层：自主型 AI。 这就是 Sakana AI 干的事。AI 不只是工具，而是"科学家"本身——它读文献、提假设、设计实验、写代码、分析结果、写论文。全程不需要人类插手。 核心争议：科学发现是否需要"理解"？ 2026 年 3 月，Nature 发表了一篇重磅评论：《When AI discovers what it cannot explain》。文章指出了一个尴尬的事实：AI 发现的很多"科学规律"在数学上成立，但物理上不可解释。 ...

开场：一张改变游戏规则的照片 2019 年 4 月 10 日，人类拍到了第一张黑洞照片。M87 星系中心的超大质量黑洞，距离地球 5500 万光年，质量是太阳的 65 亿倍。那张橙红色的"甜甜圈"照片登上了全球所有媒体的头版。 但你可能不知道：那张照片的原始数据只有 5 皮字节（petabytes），经过大量信号处理后才变成你看到的图像。而且，它很模糊——分辨率大约相当于从纽约看清洛杉矶的一颗橙子。 2025 年，Event Horizon Telescope（EHT）团队用 AI 重建了同一张照片。新版本的分辨率提升了 4 倍，你可以清楚地看到黑洞阴影周围的环状结构、光子环的细节，甚至能分辨出磁场方向的非对称性。 AI 不是"修图"——它是从同样的原始数据中，提取出了 4 倍的信息量。 这不是美颜，是物理。 AI 在天文学中改变了什么？ 天文学天然是 AI 的完美应用场景。原因很简单： 数据太多。 维拉·鲁宾天文台（Vera C. Rubin Observatory）2025 年开始运行后，每晚产生 20 TB 的观测数据，每年产生 600 万次瞬变事件（超新星、伽马射线暴、小行星等）。人类天文学家加起来也看不完。 模式太复杂。 星系的形态、光谱的特征、引力透镜的效应——这些都不是简单的"圆形"或"椭圆形"能描述的。AI 在图像识别和模式识别上的能力，远超人类。 噪声太多。 天文观测的本质是从巨大的噪声中提取微弱的信号。AI 在降噪和信号提取方面的能力，已经超过了传统统计方法。 四个正在发生的革命 革命一：AI 发现系外行星。 开普勒望远镜的数据中，人类确认了约 2700 颗系外行星。2025 年，Google 的 AI 团队重新分析了同样的数据，发现了 380 颗之前被遗漏的行星——其中 5 颗位于宜居带。AI 发现这些行星靠的是识别"凌星信号"中极其微弱的光变曲线扰动，强度只有人类目视检测阈值的十分之一。 革命二：AI 分类星系。 传统星系分类需要天文学家肉眼观察图像，一个博士生花 3 年分 5 万个星系。2025 年，AI 模型在 48 小时内分类了斯隆数字巡天（SDSS）中的 2.3 亿个星系，精度达到 98.7%。更重要的是，AI 发现了一些"无法归类"的星系——它们不属于任何已知的哈勃分类类型。其中一种被称为"幽灵星系"的暗弱星系，可能是暗物质密度分布异常的区域。 ...