2025 年已近尾聲。回望過去兩年，AI 在文本生成、圖像創(chuàng)作甚至編程領(lǐng)域都取得了突出成就。然而，在關(guān)乎人類命運(yùn)最核心的領(lǐng)域——科學(xué)發(fā)現(xiàn)與醫(yī)療健康上，大眾期待的“奇點(diǎn)”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(xiàn)實(shí)中，新藥研發(fā)依然昂貴且漫長，癌癥與衰老依然是懸在頭頂?shù)倪_(dá)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(fā)一場科學(xué)革命？

在《紐約時報(bào)》旗下科技播客 Hard Fork 的最新一期節(jié)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(yè)化衍生公司 Edison Scientific 的創(chuàng)始人，薩姆不僅是一位從科學(xué)家轉(zhuǎn)型為技術(shù)專家的實(shí)干派，更是最近引發(fā)熱議的“AI 科學(xué)家”模型 Kosmos 的創(chuàng)作者。

這場對話不僅介紹了當(dāng)前科研場景中 AI Agent 的實(shí)際應(yīng)用，更以務(wù)實(shí)的視角，剖析了 AI 在科研一線的真實(shí)能力與局限。

（來源：youtube）

挑戰(zhàn)“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(fā)布的一項(xiàng)聲明：他們的 AI 科學(xué)家模型 Kosmos，能夠在單次運(yùn)行中（大約 12 小時），完成相當(dāng)于人類博士生或博士后 6 個月 的研究工作量。

這個數(shù)字聽起來太過精確，以至于讓人懷疑是營銷話術(shù)。面對主持人的質(zhì)疑，薩姆·羅德里格斯坦誠地分享了這個數(shù)據(jù)的由來。

“實(shí)際上，我一開始看到‘六個月’這個數(shù)字時，第一反應(yīng)也是‘這絕不可能’?！彼_姆回憶道。為了驗(yàn)證 Kosmos 的真實(shí)能力，團(tuán)隊(duì)并沒有選擇那些已經(jīng)被發(fā)表、答案已知的“開卷考試”，而是進(jìn)行了一場真實(shí)的“雙盲測試”。

他們找來了一批學(xué)術(shù)合作者——那些手頭已經(jīng)有了研究數(shù)據(jù)、做過初步分析但尚未發(fā)表成果的科學(xué)家。團(tuán)隊(duì)將完全相同的研究目標(biāo)和原始數(shù)據(jù)集交給 Kosmos，讓這個 AI Agent 在毫無提示的情況下“去發(fā)現(xiàn)新東西”。

結(jié)果令人吃驚。Kosmos 僅僅運(yùn)行了一個晚上，就不僅復(fù)現(xiàn)了科學(xué)家們已有的發(fā)現(xiàn)，還梳理出了完整的邏輯鏈條。當(dāng)團(tuán)隊(duì)回訪那些人類研究員，詢問他們當(dāng)初得出這些結(jié)論花費(fèi)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(dāng)前科研工作流中巨大的效率黑洞，也正是 Kosmos 試圖填補(bǔ)的真空。

然而，這種效率并非廉價。羅斯敏銳地指出，Kosmos 單次運(yùn)行的成本高達(dá) 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?！彼_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(yùn)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(jì)算量的差距?！彼_姆指出，對于動輒花費(fèi)數(shù)千甚至數(shù)萬美元收集數(shù)據(jù)的實(shí)驗(yàn)室來說，這 200 美元的分析成本已經(jīng)十分劃算。

AI 如何像科學(xué)家一樣思考？

那么，Kosmos 究竟是如何做到這一點(diǎn)的？它是一個更聰明的聊天機(jī)器人嗎？

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

在技術(shù)架構(gòu)上，Edison Scientific 并沒有從零訓(xùn)練一個超級大模型，而是站在巨人的肩膀上——他們同時調(diào)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(shè)計(jì)的“結(jié)構(gòu)化世界模型”（Structured World Model）。

當(dāng)前通用的 AI 模型（如 ChatGPT）在處理長任務(wù)時有一個致命弱點(diǎn)：脫軌。一旦任務(wù)的復(fù)雜度和長度超過某個閾值，模型就會忘記自己最初的目標(biāo)，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(xiàn)信息?！彼_姆解釋道。這個模型就像是一個共享的、動態(tài)更新的“項(xiàng)目白板”，它逐步積累并完整描述當(dāng)前任務(wù)的全部知識狀態(tài)。

有了這個“大腦中樞”，系統(tǒng)就能協(xié)調(diào)數(shù)百個 AI Sub-agents（子代理）并行或串行工作。有的 Agent 負(fù)責(zé)讀論文，有的負(fù)責(zé)寫代碼，有的負(fù)責(zé)驗(yàn)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(xué)目標(biāo)推進(jìn)。這才是讓 AI 能夠連續(xù)工作 12 小時而不宕機(jī)的關(guān)鍵突破。

AI 究竟在哪些環(huán)節(jié)協(xié)助科學(xué)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(shí)圖景。

首先，從“數(shù)據(jù)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(yè)的關(guān)鍵時期，他手頭有一個巨大的數(shù)據(jù)集，但必須在短時間內(nèi)得出結(jié)論才能畢業(yè)。

“我不想再當(dāng)博士生了，我想畢業(yè)?！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(shù)據(jù)、讀論文、試圖得出結(jié)論?！?/p>

這六個月的枯燥工作，是全球無數(shù)博士生的縮影。他們擁有最聰明的大腦，卻將大量時間耗費(fèi)在機(jī)械的數(shù)據(jù)清洗、整理和初步分析上。

“Kosmos 就是為這個階段而生的。”薩姆指出?，F(xiàn)在的科學(xué)家只需要把數(shù)據(jù)集交給 AI，它就能產(chǎn)出大量潛在的發(fā)現(xiàn)。雖然目前人類仍需花費(fèi)時間去驗(yàn)證這些結(jié)果，但原本需要半年的“苦力活”，現(xiàn)在被壓縮到了幾天甚至幾小時?？茖W(xué)家可以跳過最耗時的步驟，直接進(jìn)入最高級的智力活動——判斷與決策。

其次，填補(bǔ)編程鴻溝與閱讀極限。在談到 AI 改變?nèi)粘９ぷ鞯木唧w領(lǐng)域時，薩姆特別提到了兩個正在發(fā)生劇變的環(huán)節(jié)：編程與文獻(xiàn)閱讀。

“過去，不會寫代碼是生物學(xué)家的巨大瓶頸?！彼_姆直言。現(xiàn)代生物學(xué)越來越依賴大數(shù)據(jù)分析，但很多優(yōu)秀的生物學(xué)家并不擅長 Python 或 R 語言?，F(xiàn)在，像 Claude、GPT 以及 Kosmos 這樣的工具，讓生物學(xué)家可以直接生成高質(zhì)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(xué)家能夠執(zhí)行以前因?yàn)榧夹g(shù)門檻而無法進(jìn)行的復(fù)雜分析。

另一方面是文獻(xiàn)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(shù)級的。AI 能夠瞬間閱讀 1,500 篇論文，提煉出關(guān)鍵信息并建立關(guān)聯(lián)，這種能力讓科學(xué)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(guān)于 2 型糖尿病的全新發(fā)現(xiàn)。AI 能做的不僅僅是打雜，它已經(jīng)開始展現(xiàn)出超越人類直覺的推理能力。薩姆詳細(xì)介紹了一個令人印象深刻的案例。

Edison 團(tuán)隊(duì)曾給 Kosmos 提供了一大堆關(guān)于人類遺傳變異的原始數(shù)據(jù)，要求它尋找 2 型糖尿病 背后的生物學(xué)機(jī)制。

Kosmos 在分析后，并沒有關(guān)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(qū)域的變異。通常，這類變異會被人類科學(xué)家忽略，因?yàn)樗鼈儾辉凇奥窡粝隆薄?/p>

但 Kosmos 通過復(fù)雜的推理鏈條發(fā)現(xiàn)：

1. 這個非編碼區(qū)域的位置，實(shí)際上是某種特定蛋白質(zhì)的結(jié)合位點(diǎn)。

2. 該蛋白質(zhì)調(diào)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(qū)域的變異，通過影響蛋白結(jié)合，進(jìn)而影響 SSR1 表達(dá)，最終導(dǎo)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(jié)合、再到基因功能異常、最終影響胰島素分泌的完整機(jī)制。這在以前是未知的?！彼_姆強(qiáng)調(diào)。

這個案例證明，AI 利用現(xiàn)有的數(shù)據(jù)，能夠進(jìn)行極高維度的邏輯推理，發(fā)現(xiàn)人類科學(xué)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(lián)系。

最后，從 Tool 到 Agent 并非取代，而是增強(qiáng)。

薩姆認(rèn)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(xiàn)在，AI 正在轉(zhuǎn)變?yōu)?Agent。

“人們終于意識到，AI 不只是工具，而是能自主規(guī)劃、執(zhí)行、反思研究任務(wù)的代理?！?/p>

這意味著未來的科研范式將發(fā)生改變：科學(xué)家不再是親自操作每一個實(shí)驗(yàn)步驟的工匠，而是成為了一支“AI 科學(xué)家團(tuán)隊(duì)”的指揮官。你告訴 AI 你的目標(biāo)，AI 團(tuán)隊(duì)負(fù)責(zé)執(zhí)行、反饋，你負(fù)責(zé)評估和決策。

為什么十年內(nèi)治愈所有疾病是天方夜譚？

盡管 AI 展現(xiàn)了驚人的潛力，但作為業(yè)內(nèi)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(dāng)主持人問及如何看待 Demis Hassabis（DeepMind CEO）或 Sam Altman（OpenAI CEO）關(guān)于“AI 將在未來一二十年內(nèi)治愈所有疾病”的預(yù)測時，薩姆的回答斬釘截鐵：

“十年？完全不現(xiàn)實(shí)?！?/p>

他給出的理由非常硬核：醫(yī)學(xué)的瓶頸不在于發(fā)現(xiàn)，而在于驗(yàn)證。

“舉個極端例子：假設(shè)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(nèi)知道它是否有效。”

為什么？因?yàn)樵谀莻€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(tǒng)計(jì)學(xué)上觀察到可測量的變化。這是生物學(xué)的時間法則，AI 算力再強(qiáng)也無法加速人類的新陳代謝。

此外，薩姆還列舉了藥物研發(fā)中那些 AI 難以觸及的實(shí)體障礙：

例如生產(chǎn)制造，將分子放大生產(chǎn)并確保達(dá)到臨床級純度，是一個復(fù)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(guān)鍵的臨床試驗(yàn)，必須在人體中進(jìn)行，必須符合監(jiān)管流程，必須等待時間流逝以觀察副作用。

“所以，問題遠(yuǎn)不止是‘發(fā)現(xiàn)一個靶點(diǎn)’那么簡單。從發(fā)現(xiàn)到驗(yàn)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(jié)道，AI 可以幫我們更快地‘想出點(diǎn)子’，設(shè)計(jì)出更聰明的實(shí)驗(yàn)，但它無法繞過人體實(shí)驗(yàn)的物理現(xiàn)實(shí)?！?/p>

2025 科研風(fēng)向標(biāo)：過熱還是被低估？

在訪談的最后，薩姆對當(dāng)前熱門的 AI 科學(xué)概念進(jìn)行了犀利的點(diǎn)評，梳理了 2025 年的技術(shù)泡沫。

比如 AI 證明數(shù)學(xué)定理，他認(rèn)為市場呼聲有點(diǎn)過熱。雖然它確實(shí)展示了 AI 的推理能力，而且數(shù)學(xué)有像國際數(shù)學(xué)奧林匹克（IMO）這樣清晰的評測標(biāo)準(zhǔn)，容易衡量進(jìn)步，所以成了大模型公司爭相展示的舞臺。但問題在于，數(shù)學(xué)證明在現(xiàn)實(shí)中的直接用途其實(shí)很有限。反觀生物學(xué)這類復(fù)雜領(lǐng)域，因?yàn)槿狈︻愃频目焖衮?yàn)證方式，很多實(shí)質(zhì)性進(jìn)展反而沒引起足夠關(guān)注。

相比之下，AlphaFold 3 和蛋白質(zhì)結(jié)構(gòu)預(yù)測雖然已經(jīng)很出名，薩姆卻覺得它們的長期價值仍被低估。能準(zhǔn)確預(yù)測甚至從頭設(shè)計(jì)蛋白質(zhì)，不只是提升效率，更是為未來按需構(gòu)建生物分子打下了基礎(chǔ)。

他特別提到，2025 年最實(shí)在的突破是“生成式設(shè)計(jì)”的落地，尤其是抗體和微生物的“從頭設(shè)計(jì)”（de novo design）。過去，科學(xué)家得從自然界已有的分子中篩選候選藥物，現(xiàn)在 AI 可以直接根據(jù)靶點(diǎn)生成全新的抗體序列，甚至設(shè)計(jì)出能在真實(shí)環(huán)境中工作的噬菌體。這標(biāo)志著科研正從“發(fā)現(xiàn)已有之物”轉(zhuǎn)向“創(chuàng)造所需之物”。

至于腦機(jī)接口和虛擬細(xì)胞，薩姆則認(rèn)為它們被炒得過頭了。雖然像 Neuralink 或 Arc Institute 的工作確實(shí)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(xì)胞，還有很長的路要走?，F(xiàn)在的成果更多是階段性進(jìn)展，離科幻電影里的場景還差得遠(yuǎn)。

站在 S 曲線的起點(diǎn)

“我們正站在這個 S 型增長曲線的起點(diǎn)。”

對于未來，薩姆·羅德里格斯保持著一種審慎的樂觀。他預(yù)測，到 2026 年，AI Agent 將全面滲透科研生態(tài)，悄悄改變實(shí)驗(yàn)室的日常；而到了 2027 年，科學(xué)界產(chǎn)生的大多數(shù)高質(zhì)量科學(xué)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(xué)家，也不會明天就治愈癌癥。但它正在以一種不可逆轉(zhuǎn)的趨勢，成為科學(xué)家手中最強(qiáng)大的外腦。正如薩姆所言：

“我們不再只是發(fā)現(xiàn)自然，而是開始按需創(chuàng)造生物學(xué)。這才是 AI 賦能科學(xué)的真正潛力所在。”

對于人類科學(xué)家而言，這既是挑戰(zhàn)，更是前所未有的機(jī)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(xué)會如何成為它的導(dǎo)師。

參考資料

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

運(yùn)營/排版：何晨龍