當AI開始自主做研究，我們真正需要的不是"超級博士生"，而是一個能24小時運轉(zhuǎn)、全球協(xié)作的分布式科研網(wǎng)絡——這才是OpenAI前研究科學家David Dohan眼中"AI科研2.0"的核心命題。

從"單兵作戰(zhàn)"到"蜂群協(xié)作"

當前AI科研的主流敘事，是讓一個大模型像博士生一樣獨立完成從文獻綜述到實驗設計的全流程。但Dohan提出了一個根本性質(zhì)疑：這種"單智能體"模式，本質(zhì)上是對人類科研組織的低效模仿。

「真正的科研從來不是一個人做的，」Dohan在訪談中強調(diào)，「實驗室里有本科生、博士生、博士后、PI，每個人都在不同時間尺度上并行工作?！?/p>

他給出的替代方案極具顛覆性：異步大規(guī)模協(xié)作。這一概念直接借鑒了SETI@home——那個曾讓全球數(shù)百萬臺家用電腦共同搜索地外文明的分布式計算項目。在AI科研的語境下，這意味著成百上千個智能體同時推進不同研究方向，彼此共享發(fā)現(xiàn)、復用成果，而非等待一個"超級智能體" sequentially（順序地）完成任務。

這種架構(gòu)的數(shù)學優(yōu)勢顯而易見。假設單個智能體完成一項研究需要T時間，N個順序執(zhí)行的智能體需要N×T；而若它們能異步協(xié)作、有效共享中間成果，總時間可能趨近于T×log(N)甚至更低?？蒲械?并行化"不再是實驗室內(nèi)部的人際協(xié)調(diào)問題，而成為可工程化的系統(tǒng)架構(gòu)問題。

為什么"博士生模擬器"是錯誤目標

Dohan對行業(yè)現(xiàn)狀的批評直指要害：「目標是模擬一個PhD學生，這個想法本身就有問題。」

這一判斷基于對科研生產(chǎn)函數(shù)的重新審視。人類博士生的培養(yǎng)周期是5-6年，其中大量時間消耗在技能習得、方向探索、失敗迭代上。而AI系統(tǒng)理論上可以即時復制、永久記憶、全局同步——這些特性使得"從頭培養(yǎng)一個AI博士生"成為計算資源的巨大浪費。

更深層的問題在于認知架構(gòu)。人類科研者的思維是連續(xù)的、受生理限制的；AI智能體則可以被設計為"可隨時暫停、恢復、分叉"的狀態(tài)機。一個智能體在凌晨3點發(fā)現(xiàn)的新方法，可以被另一個時區(qū)的智能體立即繼承并擴展，無需等待"原作者"醒來解釋思路。這種"非連續(xù)性認知"是生物大腦無法實現(xiàn)的，卻正是AI科研應該 exploit（利用）的根本優(yōu)勢。

Dohan將這一愿景稱為"emulate a research institution"（模擬一個研究機構(gòu)）而非"emulate a researcher"。機構(gòu)層面的涌現(xiàn)特性——思想碰撞、方向分化、意外發(fā)現(xiàn)——才是科學革命的真正引擎。個體智能體的能力邊界因此變得不那么重要，關鍵在于它們?nèi)绾伪唤M織、如何交互、如何形成"集體認知"。

技術(shù)路徑：從工具鏈到生態(tài)

實現(xiàn)這一愿景需要突破當前AI科研的基礎設施瓶頸。Dohan指出，現(xiàn)有系統(tǒng)大多是"工具集合"而非"協(xié)作生態(tài)"：代碼生成器、文獻檢索器、實驗模擬器各自為政，缺乏統(tǒng)一的"科研總線"讓它們高效交換信息。

他勾勒的技術(shù)棧包含三個關鍵層級：

最底層是"可驗證計算"——確保智能體產(chǎn)生的每個中間結(jié)果都可被其他智能體獨立檢驗，這是信任的基礎；中間層是"語義共享協(xié)議"，讓不同架構(gòu)、不同訓練背景的智能體能理解彼此的"發(fā)現(xiàn)"（而不僅是原始數(shù)據(jù)）；最上層是"動態(tài)任務分配"，系統(tǒng)能根據(jù)全局進展實時調(diào)整資源投向，類似風險投資組合的管理邏輯。

這一架構(gòu)的野心遠超自動化實驗。Dohan暗示，當協(xié)作規(guī)模達到臨界點，系統(tǒng)可能展現(xiàn)出"科學直覺"的涌現(xiàn)特性——不是單個智能體的靈光一現(xiàn)，而是網(wǎng)絡層面的模式識別。歷史上，DNA雙螺旋、CRISPR等突破都源于跨領域思想的意外碰撞；異步協(xié)作網(wǎng)絡可以被設計為最大化這種碰撞概率的拓撲結(jié)構(gòu)。

科研民主化的悖論與可能

Dohan的框架隱含著一個激進推論：如果科研可以像SETI@home那樣分布式運行，那么參與門檻將急劇降低。不再需要百萬美元的實驗室設備，不再需要頂尖大學的教職身份，一個擁有足夠算力的個人理論上可以部署自己的"微型研究所"。

但這同時帶來張力。當AI智能體成為科研主體，"作者身份"如何界定？當發(fā)現(xiàn)以毫秒級速度產(chǎn)生，傳統(tǒng)的同行評審如何跟上？Dohan沒有回避這些難題，他認為解決方案必須內(nèi)生于技術(shù)架構(gòu)本身——例如，用"可復現(xiàn)性證明"替代"聲譽背書"作為成果可信度的基礎。

更具爭議的是方向選擇問題。人類PI的直覺判斷，多大程度上可以被算法替代？Dohan的回應是務實的：初期系統(tǒng)仍需人類設定高層目標，但協(xié)作網(wǎng)絡的"探索-利用"權(quán)衡可以比任何個體更理性。換句話說，AI不會取代科學家的"品味"，但會迫使我們將這種品味形式化、可迭代、可批評。

距離這一愿景的實現(xiàn)，Dohan估計還有"幾年而非幾十年"。關鍵變量不是模型能力的線性提升，而是系統(tǒng)工程的范式轉(zhuǎn)換——從造更好的"腦"，到設計更好的"組織"。當最后一個阻礙異步協(xié)作的技術(shù)瓶頸被打破，科學發(fā)現(xiàn)的速度可能經(jīng)歷類似從手抄本到印刷術(shù)的質(zhì)變。而這一次，"印刷機"本身也將參與寫作。