AI 开始自己'做科学'了，这可能是最大的一件事

AKASHA · 2026.06.04

过去这些 AI，都在帮人"做事"——写文案、画图、算账、操作软件，提的是效率。这一季，它开始碰一件更根本的事：科学发现本身。不只是帮你查文献、整数据，而是提出可检验的假设、设计实验路径、从海量数据里看出人没看出的规律。如果说前面的 AI 是在让我们"做得更快"，那这一步动的，是另一样东西——人类知识增长的速度上限。这件事一旦成立，影响会比任何一个行业的兴衰都大。

一、科学的速度，几百年来被什么卡着

人类的知识为什么是一点点攒出来的，而不是一夜涌出来的？因为它一直被两个上限死死卡着：

能想的人，就那么多

能提出好问题、好假设的聪明大脑，数量有限。科学的前沿，本质上由"在思考的人有多少"撑着。

一个人一辈子，做不了几次实验

从想法到验证，慢、贵、要时间。一个研究者穷其一生，能彻底验证的假设也就那么些。

聪明大脑的数量 × 一生能做的实验数，就是几百年来科学的天花板。

二、这一季，AI 开始碰"发现"这一端

按公开报道，这一季的旗舰模型在科学推理、科研任务上的表现创了新高。更关键的是研究者用它的方式变了——不再只是"帮我整理资料"，而是：

读完上千篇相关文献后，提出一个人想不到的新假设；面对一堆杂乱数据，指出"这里有个没人注意的规律"；给定一个目标，排出几条值得试的实验路径。

它碰的不是"打杂"那一端，是"发现"那一端。

三、它松动的是"上限"，不是"效率"

这件事和"又出了个好用工具"，差别在哪？

过去几十年，仪器、计算、自动化，加速的都是"做实验"那一段；而"想假设"那一段，始终只能靠人脑，没法外包。

这是质变：第一次，"提出新想法"这件最稀缺的事，有了规模化的可能。能想的，不再只有"那么多人"。

四、但新瓶颈也立刻出现了：验证

先别太乐观。科学从来不只是"想得快"——一个假设，得在现实里被验证为真，才算数。而 AI 能一天提一千个假设，现实却没法一天验证一千个。

假设产能爆炸，验证产能没跟上

实验、复现、同行评议，依旧慢而贵。瓶颈从"想不出来"，挪到了"来不及验证"。

"看起来对"的假设，会先涌出来

AI 擅长生成"听上去很有道理"的东西，其中混着大量似是而非的伪假设。区分"真的对"和"看起来对"，反而成了最费人的活。

想法变得廉价，"确认它是真的"变得昂贵。

五、被加速的，不只是论文

如果"想假设"真的能规模化，影响会顺着所有"卡在试错次数上"的领域往外扩：

新药——候选分子的筛选和组合，过去靠时间和运气熬，现在可以先在"想"这一端大规模缩小范围。

新材料——电池、超导、催化剂，本质都是巨大的组合搜索，最缺的就是"想到该试哪个"。

新能源——从材料到工艺，每一步都卡在"试错要多少轮"。

但同一枚硬币的反面是："看起来的突破"，会比"真的突破"先涌来。未来几年，我们大概率会被一堆"AI 发现了 X"的标题轰炸——其中真正经得起验证的，才是少数。

学会分辨"真发现"和"像发现"，会成为这个时代的基本功。

六、写在最后

AI 能加速"找答案"，却加速不了两件事：问对那个问题，和确认这个答案是真的。前者是品味，后者是判断——都还牢牢长在人这一边。

在一个想法变得廉价的世界里，稀缺的不再是"能不能想出来"，而是"知道该追哪个、并能判断它是不是真的"。

所以面对铺天盖地的"AI 又发现了什么"，真正该练的，不是追每一条新闻，而是——

在你的领域里，你是在'生产想法'，还是在'验证和挑选想法'？

想法会越来越不值钱，判断力会越来越值钱。这件事不只发生在实验室，它正在所有靠"点子"吃饭的地方同时上演。

我们 AKASHA 在持续追这条线：AI 怎么从"提效率"走到"抬上限"、知识生产的瓶颈会移到哪、人该把功夫下在"想"还是"验"。完整研报、每周更新、内部拆解，都在我们的知识星球。

如果你也在认真想"知识爆炸之后该信谁"——欢迎进来一起拆。

AKASHA · 2026.06.04