近日，谷歌DeepMind发布了一篇题为《Conjecture Machines: AI agents and the new validation bottleneck in science》的深度文章。作者通过采访十位研究人员与工程师，预测了AI赋能科学（AI for Science）的未来趋势。文章直言，继编程行业被AI彻底颠覆后，科学研究将成为下一个被重塑的领域。DeepMind认为，科研工作流与智能体技术天然契合：海量的文献资料、庞大的数据库以及围绕代码构建的工作流，都为AI介入提供了沃土。
文中举了一个生动的案例：帝国理工学院微生物学家José Penadés团队耗时近十年研究超级细菌的抗生素耐药性传播机制，成果仅限于实验室内部。2024年，他将问题描述给DeepMind的AI科研智能体Co-Scientist。令人震惊的是，Co-Scientist仅用两天便提出了五项推断并按优先级排序，其中排名第一的结论与Penadés团队十年来的假说完全一致。事后，Penadés惊恐地怀疑电脑被黑，经谷歌确认后才发现这是AI的真实能力。
随后文章探讨了AI科研智能体的成功要素及其能力边界，并指出“验证环节”（即实验室）才是决定AI4S工具生死的真正关键。
**01 永不疲倦的科研伙伴**
谷歌认为，AI科研智能体的质变源于三方面：更强大的前沿模型、丰富的工具包以及高度的定制性。简而言之，科学家们获得了一群聪明且不知疲倦的助手。文献筛选、数据库检索、数据分析及报告撰写等繁琐工作，这些助手能在数分钟内完成，而人类可能需要数小时甚至数日。此外，AI还实现了极低门槛甚至无门槛的编程能力。
然而，目前这些功能主要作用于辅助层面，尚未触及科研的核心闭环——“构思、求解、验证”。
在“构思”阶段，AI智能体擅长建立跨学科联系，能以超人类效率消化某一领域的全部文献。以Co-Scientist为例，它能指挥子智能体生成假设、批判并迭代，模拟人类团队运作。斯坦福大学的Gary Peltz团队曾利用Co-Scientist寻找治疗肝纤维化的药物。结果对比显示：人类筛选出2种，实验均无效；而AI筛选出的3种，不仅抑制纤维化，还促进了肝细胞再生。
在“寻找最优解”方面，谷歌的AlphaEvolve表现卓越，曾协助设计TPU芯片、解决陶哲轩的数学难题，并优化基因组数据分析。
**02 验证环节决定生死，AI4S进入深水区**
验证是决定AI4S工具成败的关键。随着AI工具增多，预测与验证之间的差距反而在扩大。人们可以轻易找到声称能逆转细胞老化的基因线索，却无法验证其有效性。因此，Google DeepMind、Ginkgo Bioworks和Lila Sciences等巨头正纷纷投资自动化实验室。
资本流向印证了这一趋势。在智药局统计的AI4S融资案例中，“AI模型+自动化实验机器人+Agent”已成为标配。获得英伟达、a16z及主权基金巨额投资的Lila Sciences、Periodic Labs等公司，均构建了“科学大模型+全自动无人实验室+自主科研Agent”的完整体系。
未来，真正具备长期价值的AI4S公司，不仅是拥有更强模型能力，而是能打通“预测—实验—反馈—迭代”的完整科研闭环，让AI从辅助工具逐步转变为科学发现与产业创新的核心参与者。