AI如何推动科学发现以及为什么验证仍是最大瓶颈

今天来参加硅谷一零壹举办的线下大会，有很多个分会的主题，这个是AI for since也是现在最火的一个讨论项目，AI能承担哪些工作，哪些环节仍离不开人类科学家；两者如何协作、怎样判断一项发现是否成立——这些问题也都得到了一次深入而具体的探讨。把内容录音总结录下

AI如何推动科学发现，以及为什么验证仍是最大瓶颈

这场圆桌讨论聚焦于 AI在生物医学和科学研究中的作用。与会者认为，AI正在从“预测工具”逐渐变成能提出假设、设计实验的研究伙伴；但真正限制AI科研落地的，往往不是模型算得不够快，而是后续的实验验证太慢、太贵，也缺少可供模型学习的高质量数据。

一、讨论背景：从预测走向科学发现

主持人以 Anthropic 模型识别出一种类似 CRISPR 的系统 ART 为引子，讨论这是否代表AI已经开始真正发现科学规律。

与会者整体上对AI识别新候选对象并不意外。他们认为，计算机可以快速搜索大量数据、发现人类难以察觉的模式，尤其适合那些可以相对快速验证的问题。

但“模型在21小时内找到候选对象”并不等于“21小时内完成科学发现”。这个数字通常只代表计算阶段，背后还包括：

* 人类如何定义问题、准备数据和设定搜索范围；

* 研究者如何判断候选结果是否有意义；

* 实验室如何验证候选对象；

* 后续如何弄清它的生物学功能，以及能否转化为实际应用。

因此，ART案例展示了AI缩短“提出候选发现”所需时间的能力，却不能单独证明其生物功能已被充分理解，也不能说明整个科研过程已经大幅缩短。

二、最大的瓶颈：从“发现候选”到“验证结果”

与会者反复强调，AI在计算层面的发现速度正在加快，但湿实验验证仍然需要大量时间和资金。生物医学研究尤其如此：一个模型给出的候选结果，仍需在实验室中进行检验；如果进一步进入药物研发，还可能涉及漫长的临床试验。

讨论中区分了两个环节：

1. AI发现：从数据中识别模式、提出候选机制或研究假设。

2. AI验证：设计实验、执行实验，并用结果判断假设是否成立。

当前AI在第一个环节进展较快；第二个环节难得多。AI不只是需要“给出一个答案”，还要能决定接下来做什么实验、怎样安排实验条件、如何控制预算、怎样根据实验结果调整下一步计划。

这更接近一个完整的“实验闭环”，而不是一次模型预测。讨论者认为，训练AI完成实验闭环的公开数据尤其不足，因此这项能力目前仍然困难。

三、为什么失败实验数据也很重要

生物医学领域有大量实验没有得到预期结果，但这些负面数据通常不会像成功结果那样充分发表或共享。

这会带来几个问题：

* 模型看到的研究结果偏向“成功案例”，难以学习哪些方向行不通；

* 不同实验室的数据分散在各自系统里，难以汇总；

* 失败实验可能包含有价值的信息，却缺乏标准化记录和共享机制。

与会者指出，几乎每个实验室都积累了失败实验数据，难点在于如何在保护隐私、知识产权和商业利益的前提下，把这些数据系统地整理和利用起来。

如果AI能够接触到成功与失败的实验结果，就可能避免重复试错，并更准确地规划后续实验。具备机器人和自动化能力的实验平台，也更容易在实验过程中完整记录条件、过程和结果，持续形成可用于训练模型的数据。

四、生物数据并不适合照搬大语言模型的扩展路径

讨论者认为，生物学数据与训练大型语言模型所使用的文本数据存在显著差异。生物数据的规模相对有限，来源分散，质量和格式也不统一。因此，目前不能简单假设：只要把模型做得更大、数据堆得更多，就会复制大语言模型的进步路径。

有与会者提到，在某些生物医学任务中，数据量小到简单的线性模型有时也能与深度学习模型竞争。这说明问题不仅是模型架构，也包括可用数据的规模、质量、代表性和实验产生速度。

讨论中对“生物领域会不会出现类似大语言模型的 scaling law（规模扩展规律）”持审慎态度：

* 如果未来能够收集足够多、高质量、可比较的生物数据，规模扩展规律或许会显现；

* 但目前数据规模和实验吞吐量都不足，不能据此确定模型单纯扩张就会带来相同收益；

* 生物数据可能比互联网文本更有针对性，因此小而专的模型也可能在特定任务上表现很好。

五、数据孤岛与潜在解决方式

生物数据往往分散在高校、医院、药企和各个实验室内部。由于隐私、知识产权和竞争关系，机构未必愿意直接集中共享数据。

讨论提到的解决方向包括：

* 联邦计算：数据保留在原有机构，模型或计算流程在不同数据持有方之间协作；

* 公共与私人机构合作：通过项目合作建设更大规模的数据资源；

* 标准化数据收集：让不同实验室记录的实验条件和结果更容易比较；

* 持续产生新数据：通过实验自动化形成质量更稳定、结构更一致的数据。

Biohub一类合作被视为可能的推动力量。讨论者认为，企业为提前获得这类数据或合作机会付费，买到的不只是数据本身，也可能是调整研发方向、建立内部能力的时间优势。即使数据未来会开放，提前一年使用也可能帮助企业更早试错、打磨模型和工作流程。

六、垂直AI公司与大模型公司的竞争

讨论中，多位与会者认为，目前生物医学AI更适合发展专用模型和垂直解决方案，而不是只依赖大型通用基础模型。

垂直AI的优势可能包括：

* 面向明确的生物医学任务，减少不必要的计算成本；

* 更容易嵌入药企、医院和实验室的现有流程；

* 可以与实验设备、自动化平台和机器人结合；

* 有机会在特定数据和特定工作流上形成更强的实际表现。

大型AI公司拥有强大的模型、算力和研发资源，但未必愿意投入长期资金去解决非常细分、周期漫长、需要深厚领域经验的生物医学问题。因此，前沿模型公司不一定会完全取代垂直AI公司。

不过，垂直公司的护城河也不只是“有一个专用模型”。与会者强调，更难复制的优势可能来自：

* 独有的高质量实验数据；

* 能够持续运行的验证体系；

* 对特定疾病或实验流程的专业知识；

* 将模型、实验室和临床研发流程真正连接起来的能力。

换句话说，数据和验证能力可能比模型本身更能构成长期竞争优势。

七、实验自动化与“物理AI”

投资人 Lu Jiang特别强调，AI与机器人结合后，可能从分析实验数据走向直接参与实验过程。例如，AI制定实验计划，机器人执行实验，系统记录结果，再由模型根据结果调整下一轮实验。

这类系统的价值在于能够形成反馈闭环：

模型提出假设 → 自动化设备执行实验 → 系统记录成功与失败 → 数据回流训练模型 → 模型改进下一轮实验

如果这个闭环能够稳定运行，它既能提高实验效率，也能产生竞争者不容易复制的专有数据。对创业公司而言，实验自动化因此不仅是节省人力的工具，也可能成为建立数据壁垒和模型优势的基础。

八、AI会取代科学家吗？

与会者普遍不认为AI会简单取代科学家。更可能发生的是科学分工改变：

* AI承担更多计算、模式搜索、预测和理论假设生成工作；

* 科学家负责判断问题是否值得研究、提出好问题、设计关键验证，并解释实验结果；

* 自动化设备承担部分重复性实验操作。

一位研究者用物理学作类比：AI可能更像提出理论的“理论物理学家”，人类更像负责实验验证的“实验物理学家”。未来研究成果和专利的署名、贡献认定可能需要重新讨论，但AI能否提出假设，并不意味着人类科学家的判断和验证工作就会消失。

九、对“AI发现”的谨慎态度

讨论最后还指出，AI专家和生物学专家看待AI发现时，关注点可能不同：

* AI研究者更容易关注模型是否能够泛化、是否从数据中发现了新模式；

* 生物学家可能更谨慎，因为不同生物系统和研究领域之间差异很大，某个领域有效的模式不一定能直接推广到另一个领域。

因此，对AI科研成果的评价不能只看模型是否找到一个看起来新颖的模式，也要继续追问：

* 这个模式是否能够重复验证？

* 它是否有清晰的生物学功能解释？

* 换一批数据或实验条件后是否仍然成立？

* 它能否产生真正可用的研究或临床价值？

结论

这场讨论的核心判断是：AI正在加快科学假设和候选发现的产生，但科学价值最终仍要经过实验验证。当前限制AI在生物医学中大规模落地的主要因素，包括湿实验速度、数据稀缺、失败实验数据缺失和机构间的数据孤岛。

接下来更值得关注的方向，可能是能够连接模型、实验室自动化和数据反馈的系统。真正有长期优势的公司，未必只是拥有最大模型的公司，也可能是能够持续产生高质量数据、快速完成验证，并把AI嵌入实际科研流程的团队。

一句话概括：AI已经能更快地提出“可能是什么”，但科研的关键仍在于能否高效、可靠地证明“它确实是什么”。