夜雨聆风
这几天，全球科技界与投资圈被一盆突如其来的大冷水浇了个透心凉。
当许多人都在为大模型的狂飙突进欢呼，甚至畅想 AI 包揽诺贝尔奖时，一位顶级内部玩家却站了出来，给出了一个极度冷静、甚至近乎残酷的判断：
“如果让 AI 独立做出诺贝尔奖级别的科学发现，我觉得至少还需要二三十年。”
▲ 播客《硅谷101》对曹原的长访谈引发行业刷屏讨论
说出这句话的，正是刚刚离开 Google DeepMind、创办了 Unreasonable Labs 的曹原（Yuan Cao）。
先澄清一个误会：这位曹原与因“魔角石墨烯”轰动全球的物理学家曹原同名。他曾深度参与谷歌 Gemini 大模型研发，是站在全球顶尖 AI 模型最前线的资深研究科学家。
在全行业都在抢着给 AI 封神、各种“AI 科学家（AI Scientist）”概念满天飞的当下，曹原的话像一把锋利的手术刀，直接切开了所有狂热的泡沫。
为什么横扫人类棋手、能写代码能作诗、甚至已经间接染指诺贝尔奖的 AI，在原创科学研究面前，依然像个步履蹒跚的学童？
一场巨大的误会：AlphaFold 拿诺奖，不等于 AI 成精了
很多人第一时间会反驳：2024年的诺贝尔化学奖已经肯定了 AlphaFold 相关的蛋白质结构预测工作，这难道还不算 AI 登上科学之巅吗？
▲ 2024年诺贝尔化学奖授予计算蛋白质设计与蛋白质结构预测
这混淆了科学工具与自主发现者的角色。
曹原在访谈中强调：AlphaFold 的获奖贡献来自人类科学家，AI 并未自主完成这项科学发现。
把这个过程拆开来看，真相一目了然：问题是人类科学家定义的，海量高质量的实验数据是人类积累了几十年的，模型的架构与物理先验是顶级科学家一行行代码搭建的，最后得出结论并加以验证的依然是人类。
在整场科学战役中，AlphaFold 扮演的是一把极其锋利、算力惊人的“超级瑞士军刀”。它是人类制造的杰出科学工具，距离拥有独立思考能力、能从零开辟新理论的“独立科学家”仍很遥远。
工具的强大，往往会掩盖系统在认知上的短板。一旦脱离了人类为它精心划定的赛道，今天的 AI 就会立刻撞上两堵高墙。
致命死穴一：验证太慢，真实世界远比代码编辑器复杂
为什么大模型在写代码、做数学题时进化得如此之快？
答案只有两个字：验证（Verification）。
你在电脑里写完一段代码，按一下回车，编译器在 0.1 秒内就会告诉你它能不能跑通；数学家在 Lean 这类形式化软件里输入证明步骤，系统瞬间就能给出对错反馈。在这些领域，试错成本几乎为零，反馈是以毫秒计算的。AI 可以在数字世界里左右互搏、疯狂自我迭代数亿次。
▲ 曹原在推文中指出：编程和数学是良定义、可快速验证的，但真实世界的科学发现绝非如此
科学探索最终要进入冷冰冰的物质世界。
生物要养细胞，化学要配试剂，物理要造超导线圈、烧高温炉子。
一个生物靶点的湿实验，可能要等上几个星期甚至几个月； 一次材料合成的失败，可能就意味着几十万美金的经费打了水漂。
如果在真实世界里，模型提出一个假说，需要等待几个月才能知道对错，那么所谓“指数级自我进化”的飞轮就会瞬间卡死。
▲ 伯克利实验室与DeepMind合作，利用计算筛选海量晶体，但最终仍需物质实验验证
即便像 DeepMind 的 GNoME 这样的大模型，一口气筛选出了数百万种潜在的新晶体，科学界依然要面对极其昂贵且漫长的合成与验证。
没有低成本、高通量的即时物理反馈，AI 就无法像在棋盘上那样野蛮生长。 这是物理法则设下的硬约束，光靠堆算力和堆数据根本绕不过去。
致命死穴二：AI 只会在旧地图上搜寻，根本不会“造概念”
如果说验证成本是工程层面的硬骨头，那么接下来的问题，则是直击 AI 本质的“灵魂拷问”：
今天的 AI，究竟是在创造新知识，还是在海量旧语料里重新排列组合？
据曹原在访谈中转述，诺贝尔化学奖得主、CRISPR 基因编辑先驱 Jennifer Doudna 的团队也在用 AI 辅助科研，但 AI 给出的方案，“没有一个是团队以前不知道的”。这些方案大多能在已有论文和知识库里找到痕迹。
▲ 曹原强调：搜索只是在既定空间里找宝藏，但人类科学的伟大飞跃在于“创造新的概念空间”
曹原给出了一个极其生动的比喻：当古人看到推车前进时，先有了粗糙的视觉经验，随后人类的大脑完成了不可思议的抽象，凭空发明了“力（Force）”这个符号概念，最后才凝结出了 $F=ma$ 这样穿透时空的物理定律。
人类发明了“重力”、“电路”、“能量”、“基因”……这些概念在被提出之前，宇宙的观测数据里并没有现成的标签。人类科学史的每一次大跃迁，都是先造出了全新的概念空间，然后才在里面建立理论。
而今天的统计学习大模型呢？它的整个宇宙，都被锁死在人类喂给它的训练数据集（Token 空间）里。它极其擅长在这个给定的空间里做高维搜索，找到人类漏掉的“隐藏关联”。AlphaGo 的“神之一手”确实惊艳，但它依然是在人类规定好的围棋规则与内在表征中搜出的一条低概率极佳路径。
它能在已有坐标系里把搜索做到极致，却还不会跳出坐标系，画出新的维度。
按曹原的判断，颠覆性的科学突破往往藏在训练数据的低频区域之外。只基于“已知”预测下一个词的模型，很难由此推导出颠覆常识的“未知”。
突围之路：离开大厂后的 1350 万美元创业实验
正是看清了纯粹基于大语言模型（LLM）搞科研的致命缺陷，曹原选择了走出 DeepMind。
2026年，他和 MIT 知名工程学教授 Markus Buehler 等人联手创办了 Unreasonable Labs，并迅速斩获了 Playground Global 领投的 1350 万美元种子轮融资。
他们的解题思路极其明确：单靠堆参数难以通往科学奇点，他们转向“大语言模型 + 神经符号（Neurosymbolic）”的混合路径。
神经网络擅长直觉、联想与处理模糊的自然语言；而符号系统则擅长精准严密的逻辑推理、因果判断与规则校验。曹原希望通过在模型外层搭建跨学科的符号关系骨架，让 AI 不仅仅是在胡乱猜想，而是能生成“既完全反常理、又在物理逻辑上严格可行”的高质量科学假说。
与此同时，硅谷一批研究者也在悄然调转船头。谷歌长期技术领袖 Jeff Dean 离职创办了面向科学加速的 Discovery Loop；各路实验室开始招募数学家、物理学家与生物学家；自动化实验室（Cloud Labs）则试图用机械臂和自动化管线把繁琐的湿实验打包成 API，接入大模型。
一条涵盖了“假设提出，代码生成，自动化实验验证，因果修正”的全新科研闭环，正在全球实验室里艰难而顽强地拼装成型。
敬畏科学，才是理性
为什么是二三十年？曹原给出的时间表其实非常接地气：
现阶段的模型，甚至连稳定分析实验数据的正反向因果都经常出错；更不用说解决跨越几年实验周期的长期记忆与持续学习问题。光是把这几个底层认知缺陷彻底攻克，全行业起码就得花上五到六年。
在这之后，人类还需要逐步建立起自动化物理实验网络，让模型学会像科学大师一样拥有挑选前沿课题的“科学品位”。
▲ 行业听众对访谈中展现的科学深度与冷静格局给予极高评价
科学无法靠按一下生成键完成它充满了失败的试管、算错的草稿纸，以及在迷雾中长达数年的孤独摸索。
承认当下的 AI 离独立诺奖还差二三十年，体现了一位顶级科学家面对未知时的诚实与敬畏。
AI 确实正在成为人类科学家有史以来最强大的外挂。但要在未知的宇宙荒原中点亮那一柄开天辟地的新火炬，在看得见的未来里，执火前行的，依然必须是我们人类自己。
