科学的第五范式:AI不再只是工具,它想当科学家

从望远镜到GPT-5：人类做科学的方式正在经历第五次革命

2024年10月，诺贝尔物理学奖和化学奖同时颁给了AI研究者。物理学奖给了Hopfield和Hinton——两位获奖者的专业分别是分子生物学和计算机科学，没有一个是物理学家。化学奖给了DeepMind的Hassabis和Jumper——因为他们用AI预测了蛋白质结构。

ACM主席Yannis Ioannidis在《Communications of the ACM》上写了一篇社论，标题直截了当：《第五范式：AI驱动的科学发现》。他说，这两个诺贝尔奖把计算和AI推到了科学发现的核心位置，甚至作为工具本身就配得上最高荣誉。

他还扔出一个挑衅性的问题：如果AI写的论文经过人类专家评审后被认为“正确、新颖、有趣”，我们有什么理由拒绝它？AI能不能最终成为人类研究者的同等伙伴？

要理解这个问题的重量，我们得先回头看看：人类到底是怎么做科学的？答案是——换过四次方式了，现在可能正在换第五次。

五次范式跃迁：从用眼睛看到让AI想

科学史上的范式演进，有一种优雅的递进逻辑：

第一范式是实验科学，靠观察和归纳——伽利略举起望远镜，回答的是“发生了什么”。人类做了几千年。

第二范式是理论科学，靠数学模型——牛顿写下F=ma，回答的是“为什么会发生”。人类做了几百年。

第三范式是计算科学，靠计算机模拟——曼哈顿计划中用数值方法模拟核反应，回答的是“如果……会发生什么”。人类做了几十年。

第四范式是数据密集型科学，靠大数据挖掘——这个概念由微软传奇科学家Jim Gray在2007年提出（他后来在一次独自出海中失踪，再未被找到）。Gray认为，科学正进入一个数据洪流的时代：实验和模拟产生的数据量已经远超人脑的处理能力，需要数据库、机器学习和数据挖掘工具来从中寻找规律。回答的是“数据告诉我们什么”。人类做了大约十五年。

然后就是现在。

第五范式：AI驱动的科学——AI不再只是帮人类处理数据的工具，而是深度融入科研全流程，自主生成假设、设计实验、分析结果、迭代发现。回答的是“AI能自主发现什么”。

把这五次跃迁摊开看，逻辑一目了然：

注意最后一列的加速度：从千年到百年到十年——每次范式转型的间隔都在急剧缩短。而第五范式的关键词不是“AI帮人类发现了什么”，而是“AI自主发现了什么”。这个区别，就是它和第四范式的分界线。

第五范式到底在说什么？三个层次

“第五范式”这个概念听起来很大，但拆开来看，其实有三个递进的层次，从温和到激进：

第一层：AI作为超级加速器。这是目前已经在发生的事情。AlphaFold预测了几乎所有已知的两亿种蛋白质结构，解决了一个困扰了结构生物学家50年的老问题。全世界190个国家的200多万科学家正在使用它。这不是炒作，这是诺贝尔奖级别的实锤。

微软研究院AI4Science团队的负责人Chris Bishop给过一组震撼的数字：仅小分子药物候选空间就有10的60次方个可能——这是一个天文数字的天文数字。而稳定材料的总数大约是10的180次方，相当于已知宇宙原子数的平方。人类穷尽所有实验室、穷尽所有时间，也不可能遍历这个搜索空间。只有AI能在这种规模上工作。

第二层：AI作为研究伙伴（Agentic Science）。AI不仅加速计算，还开始参与科研的“上游”环节——提出假设、设计实验方案、决定下一步该做什么。2026年2月，OpenAI和Ginkgo Bioworks发布了一个标志性案例：他们把GPT-5连接到Ginkgo的自动化云实验室，让AI自主设计、执行和分析细胞无体系蛋白质合成（CFPS）实验。六轮迭代，超过36,000个反应条件，最终将蛋白质生产成本降低了40%——从每克698美元降到422美元。整个过程中，人类的参与基本限于试剂准备和设备监督。

这个案例的意义不在于40%这个数字本身，而在于它展示的工作模式：AI提出假设→自动实验室执行→数据返回→AI分析并修正假设→再执行。一个完整的科学发现闭环，人类退到了“目标设定者”和“质量把关者”的位置。

第三层：AI作为自主科学家。这是最激进的想象——AI不仅能在人类设定的框架内优化，还能自主提出新的研究方向和目标。2025年的一篇arXiv论文提出了"Agent for Science（Agent4S）"的概念，并给出了一个五级分类路线图：从L1（单一子任务自动化，比如文献检索）到L5（完全自主的、可协作的“AI科学家”）。论文的作者认为，只有到了Agent4S阶段，才算是“真正的第五范式”。

谁在兴奋？顶级玩家们的态度

对第五范式最兴奋的，毫不意外，是那些已经尝到甜头的人。

Demis Hassabis（DeepMind CEO，2024年诺贝尔化学奖得主）的表述最宏大。他预测在未来10到15年内，人类将进入“一个全新的发现黄金时代——一种新的文艺复兴”。他把DeepMind的使命概括成一个优雅的两步走：“第一步，解决智能问题；第二步，用它解决其他所有问题。”他称AI是描述生物学的“完美语言”，并通过旗下的Isomorphic Labs把药物发现从湿实验室搬到计算机模拟，声称这能让药物开发效率提升一千倍。

Max Welling（微软研究院AI4Science杰出科学家，师从诺贝尔物理学奖得主Gerard 't Hooft）在NeurIPS 2022的邀请报告中明确将AI4Science定义为“科学发现的第五范式”。他后来在一次问答中解释了这背后的逻辑：前四个范式——实验、理论、计算机模拟、大数据——现在可以被AI串联起来。计算机模拟生成的数据可以作为伪数据来训练机器学习模型，而训练好的模型又能反过来加速下一轮模拟。这种闭环是之前任何范式都做不到的。

2025年6月，《PLOS Biology》上的一篇观点文章用了一个绝妙的比喻来定义人机关系：

“AI就像我们雇了一个超级上进、疯狂热情的实习生——工作速度超人，永不睡觉，如饥似渴地吞噬数据。它潜力惊人，但如果没有扎根于科学知识的正确引导，它更可能把实验室烧了，而不是推动科学进步。”

这个比喻精准地捕捉了当前第五范式的核心张力：能力极强，但判断力存疑。

谁在泼冷水？来自一线的反思

如果只听兴奋的声音，你会以为科学革命已经完成了。但真实的画面要复杂得多。

最有说服力的亲历反思来自一位普林斯顿的物理学博士Nick McGreivy。2018年，他还是等离子物理方向的二年级博士生，被AI的热潮吸引，转而研究用深度学习求解偏微分方程（PDE）——这在当时被Yann LeCun称为“确实很热的方向”。

数十篇论文声称AI方法比传统数值方法快上千倍，甚至百万倍。但当McGreivy真正上手复现时，发现事情不对：很多论文的对比方法有问题——不是AI跑得快了，而是传统方法的参数没调好。他后来在Nature Machine Intelligence上发表了论文，在同等条件下对比后发现，AI相对于成熟数值方法的优势基本消失了。

他在2025年5月的长文中总结了三个系统性问题：

第一，科学家涌向AI更多是因为对自身职业有利，而非对科学有利。用AI的科学家发论文更多、引用更高、拿资助更容易——这些激励结构驱动着采用率暴增，但并不等于科学本身在加速进步。

第二，幸存者偏差严重。AI研究几乎不发表负面结果。你在期刊上看到的都是成功案例，但失败案例被系统性地隐藏了。

第三，已发表的正面结果普遍过于乐观。除了McGreivy自己发现的PDE问题，DeepMind自身也有翻车案例：2023年声称发现了220万个新晶体结构，号称“人类已知稳定材料的数量级扩展”。结果材料科学家分析后发现基本是“垃圾”——这些化合物要么不稳定，要么早已已知。学者们礼貌但坚定地指出，这篇论文“并未报告任何新材料”。

McGreivy还指出了一个容易被忽视的利益冲突：关于AI加速科学的叙事，大多来自AI公司或从中获益的研究者。NVIDIA的CEO黄仁勋声称“AI将把科学加速百万倍”——考虑到NVIDIA的GPU生意，这种说法的客观性值得打个问号。

最深刻的警告：AI让个人更强，但让科学更窄

2026年1月，清华大学电子工程系徐丰力、李勇团队联合芝加哥大学James Evans教授在Nature上发表了一项重磅研究。他们分析了横跨45年的4130万篇科研论文，发现了一个令人不安的悖论：

AI让个人科学家更强了，但让科学整体变窄了。

具体数字：使用AI的科学家平均多发3.02倍的论文，多获得4.84倍的引用，比不用AI的同行早1.37年成为课题负责人。这些个人收益是实打实的。

但集体层面呢？AI驱动的研究在所有领域都聚焦到了更窄的主题范围上，知识广度收缩了4.63%，科学家之间的跨界互动减少了22%。AI论文的引用呈现“星形结构”——几乎所有人都在引用同一批开创性的AI工作。

徐丰力用了一个生动的比喻：“如果大家都去爬同一座山，那就有很多领域无人探索。”

耶鲁大学的人类学家Lisa Messeri对此评论说，这应该给整个科学界“敲响响亮的警钟”——“科学本质上是一项集体事业。我们需要认真反思：当一个工具有利于个人却可能损害科学整体时，我们该怎么办？”

Messeri在Scientific American的一篇文章中还提出了一个更深层的认识论警告——AI可能制造“三重认知幻觉”：探索广度幻觉（把AI擅长回答的问题误认为所有值得问的问题）、客观性幻觉（假设AI没有立场或代表了所有立场）、以及解释深度幻觉（以为借助AI理解了某件事，其实只是获取了信息）。

她还从科学社会学的角度反驳了“范式必然进化”的叙事：媒体报道让人觉得AI是科学发展“不可避免的进化方向”，但事实上，科学和技术从来不会朝一个预定的方向前进。这种“必然性叙事”本身就是人类想象力的产物。

那么，第五范式到底成立吗？

梳理完英文世界的讨论，我的判断是：第五范式作为一个概念框架是有价值的，但作为对当前现实的描述是过早的。

几个正在凝聚的共识：

第一，AlphaFold是真实的里程碑，不是炒作。它解决了一个定义明确、数据丰富、评判标准清晰的50年老问题。200多万科学家在用它，它拿了诺贝尔奖。这是“AI确实能做科学”的黄金标准证据。OpenAI/Ginkgo的自主实验室案例也在同一条路上又迈了一步。

第二，从AlphaFold到“AI自主做科学”之间的鸿沟被严重低估了。 AlphaFold的成功条件非常特殊：蛋白质折叠问题有清晰的数学定义、有大量已知结构作为训练数据、有明确的正确性评判标准（CASP竞赛）。多数科学领域并不具备这些条件。把一个成功案例泛化为一个新“范式”，逻辑上需要更多审慎。

第三，清华/芝加哥大学的Nature论文揭示了一个真实的结构性风险。 AI不是在所有方向上均匀地加速科学，而是在把科学引向那些“最适合AI的领域”——数据丰富、问题定义清晰、容易量化评估的方向。那些数据匮乏、问题模糊、需要概念性突破的领域，可能反而被边缘化了。换句话说，AI可能不是在扩大科学的边疆，而是在优化已知领域的效率——这是两件非常不同的事情。

第四，“第五范式”这个命名的真正价值，可能不在于描述现实，而在于提供愿景。Jim Gray在2007年提出“第四范式”时，数据密集型科学也远未成熟。但这个命名帮助科研社区组织资源、凝聚共识、想象未来。“第五范式”正在发挥类似的功能。

一个不完美的类比，但很有用

如果非要用一句话总结大家对第五范式的态度，我觉得是这样的：

乐观派说的是天花板，悲观派说的是地板，但大多数严肃的研究者关心的是：我们现在站在哪一层？

Hassabis说我们即将进入“文艺复兴”。McGreivy说他“被AI for Science的炒作骗了”。清华团队说AI让科学家更强但让科学变窄了。PLOS Biology说AI是一个“可能烧掉实验室的实习生”。

科学史告诉我们，真正的范式转型从来不是在一片欢呼声中完成的，也不是在一片质疑声中被否定的。它总是在张力、摩擦和反复验证中逐渐成形。

第五范式可能正是这样一个进行时——不是已经到来，也不是永远不会来，而是正在来的路上，携带着巨大的潜力和同样巨大的风险。

我们能做的，是在兴奋的同时保持清醒：不要因为一把锤子很好用，就觉得全世界都是钉子。