AI 用 4 天，做完了人类 10 年的实验

　　2026 年 8 月初，麻省理工科技评论发了一篇文章，标题很克制：《AI 代理正在重塑科研范式》。

　　克制，是因为他们本来可以写得更吓人。

　　事情是这样的。谷歌推出了一款叫 AI Co-Scientist 的系统。研究人员只输入一行研究方向——"细菌耐药基因是如何在病房之间传播的"——系统就把它拆给了一群子代理：一个负责查文献写综述，一个负责生成假说，一个扮演同行评审去找漏洞，一个负责把通过"挑刺"的假说再优化一轮。

　　四天后，它给出的答案，和伦敦帝国理工一个团队花了十年湿实验做出来的成果完全吻合。

　　十年变四天。

　　这件事之所以让整个科学界沉默，是因为它不是某一个天才实验室的奇迹。MIT 科技评论把这件事明确列为"重塑科研的核心解法"，并指出：依靠海量专属数据集实现突破的 AlphaFold 路径，很难在绝大多数科研领域复刻。

　　但 AI 代理这条路，可以。

一、AlphaFold 为什么不能复制？

　　在讲 AI 代理之前，得先说清楚 AlphaFold 为什么这么特别。

　　DeepMind 的 AlphaFold 之所以能预测蛋白质的三维结构，核心依托一座叫 PDB 的蛋白质数据库。这座数据库汇聚了全球科研力量，耗时 53 年协作建成，累计投入约 2100 亿美元的实验成本。

　　2100 亿美元。53 年。

　　这不是一个团队能做的事，这是一个时代才能攒出来的"基础设施"。

　　这种"先砸钱攒数据、再砸算力训模型"的路径，在蛋白质领域成功了，但有两个硬伤：

　　第一，门槛极高。只有极少数拥有"国家级数据库"的领域才玩得起。

　　第二，可复制性极差。你想用同样的方法预测材料结构、预测气象变化、预测基因表达？对不起，没有同等规模的数据库可以让你起步。

　　绝大多数前沿科学难题——比如新型病毒的变异路径、某种罕见病的发病机制、某种新材料的最佳合成条件——根本就没有这种"现成数据集"。

　　这就是 AlphaFold 路径的天花板。

二、AI 代理走的是一条完全不同的路

　　AI Co-Scientist 走的是完全不同的路线。

　　它不是"先有数据再有模型"，而是让一群具备工具调用能力的 AI 子代理，自己去想办法。

　　谷歌把整个流程拆成了四个角色：

- 文献综述代理：把过去三十年关于这个课题的论文全部读完，提取关键变量；

- 假说生成代理：基于综述，提出若干可被实验验证的假说；

- 同行评审代理：扮演"挑刺者"角色，主动找每个假说的逻辑漏洞；

- 结论优化代理：把通过"挑刺"的假说再迭代一轮，输出最优结论。

　　这四个子代理之间会互相通信、互相质疑、互相修正。它不是在"算"一个答案，它是在"研究"一个问题。

　　这和人类科研"循序渐进、多方交叉验证"的真实研究逻辑，是一致的。

三、为什么这件事让科学家集体沉默？

　　因为它意味着三件事。

　　第一，绝大多数没有专属数据库的前沿课题，现在都可以被 AI 代理切入。

　　生物学、地质学、材料科学、社会科学——这些领域过去拼的是"谁的数据多"，未来拼的是"谁的问题提得好"。

　　第二，研究的"速度"被改写了。

　　一个博士后要花三年读文献、写综述、提假说、做预实验。AI 代理四天跑完一轮，而且可以并行跑很多轮。这不意味着博士后没用了，而是说，博士后的工作内容被重新定义了：从"动手做"变成"判断 AI 做的东西对不对"。

　　第三，科研的"成本结构"被改写了。

　　传统路径：建数据库（几十亿）+ 养团队（几十年）+ 反复实验（几年）。

　　新路径：调通一套 AI 代理（几天）+ 一张消费级显卡（几千块）+ 一个好问题。

📊 AI 代理 vs 传统科研：速度与门槛的差距

　　MIT 科技评论的判断很直接：这是重塑科研的核心解法。

四、但也别急着恐慌

　　AI 代理不是万能的。

　　MIT 科技评论在同篇文章里也明确列出了它的四个短板：

- 输出内容容易生成虚假信息；

- 判断逻辑不稳定；

- 内存与输入长度受限；

- 无法长时间自主运行。

　　换句话说，AI 代理像一个天赋极高但偶尔会撒谎的实习生——你需要盯着它，需要复核它的每一步推理，需要在它出错时及时叫停。

帝国理工那个十年研究之所以最终能被 AI 复刻，是因为研究本身有可被验证的实验数据。

但在很多"还没有公认实验方法"的前沿领域，AI 代理的结论可能会误导整个研究方向。

　　所以它不是替代科学家，而是把科学家的角色，从"动手的人"变成"判断的人"。这种转变，比"被替代"更深刻，也更值得思考。

写在最后

　　回到开头那个问题：AI 是不是在"重写"科研？

　　更准确的说法是：AI 在把科研从"体力密集型"变成"判断密集型"。

　　过去，一个科研项目的瓶颈是"谁有最多数据、谁有最贵的设备"。

　　未来，一个科研项目的瓶颈是"谁能提出最好的问题、谁能最敏锐地判断 AI 给的答案对不对"。

　　这不是科研的死亡，而是科研的成人礼。

　　你有没有想过：如果你所在的行业，AI 也能用几天做完人类几十年的事，你是被替代，还是被重新定义？

　　评论区聊聊。

本文仅代表作者观点，与任何机构无关。数据来源：麻省理工科技评论（2026-08-10）、南华早报、谷歌 AI Co-Scientist 公开技术报告。