夜雨聆风
就在所有人都在为“AI即将颠覆科学界”而热血沸腾时，硅谷腹地突然传出了一声急促的刹车声。
过去几个月，整个科技圈几乎陷入了一种集体狂欢：2024年诺贝尔化学奖破天荒地颁给了做蛋白质结构预测的AlphaFold；谷歌教父级科学家Jeff Dean拉着一帮顶级元老出走，创办名为Discovery Loop的机构，誓要将整个科学研发闭环彻底自动化；OpenAI、Anthropic疯狂从顶级高校挖掘物理学家和数学家……无数人惊呼：科学的终点，就是AI的起点。
然而，曾长期参与谷歌Gemini大模型研发的前DeepMind资深科学家、现AI初创公司Unreasonable Labs联合创始人兼CEO曹原（Yuan Cao），在接受《硅谷101》深度长访谈时，却给狂热的舆论当头浇下了一盆透心凉的冰水：
“AlphaFold已经拿过诺贝尔奖，但这项科学发现并非由AI自主完成。如果说让AI独立做出诺贝尔奖级别的成果，我觉得至少还需要二三十年。”
▲ 曹原在访谈中给出理性判断：AI自主摘得诺奖至少还需二三十年
请注意，这里的曹原，是前DeepMind核心研究员、深耕大模型架构与AI4S（AI for Science）的顶尖学者，并非那位发现魔角石墨烯超导现象的同名物理学家。
作为亲历大模型底层演进的技术老兵，曹原这番看似保守的判断，点出了当前AI能力的边界。
为什么大模型能在几秒钟内写出代码、解开奥数难题，却在原创科学发现面前步履维艰？从“算力狂飙”到“独立科学发现”，AI中间究竟横亘着怎样难以逾越的鸿沟？
幻觉与现实：拿了诺奖的AlphaFold，仍称不上“自主科学家”
很多人会反驳：“AlphaFold都拿诺奖了，AI怎么就不能搞科研了？”
这里藏着公众对AI的一层误解
▲ Demis Hassabis与John Jumper因蛋白质结构预测获得2024年诺贝尔化学奖
诺贝尔奖确实颁给了AlphaFold的缔造者Demis Hassabis和John Jumper。这项成果来自人类科学家借助AI工具攻克半个世纪的生物学难题，AI并未坐在实验室里自行提出革命性的科学假说。
诺贝尔奖得主、CRISPR基因编辑先驱Jennifer Doudna曾透露过一个极具说服力的细节：她的团队也会使用AI来辅助设计实验方案，但AI跑出来的那些眼花缭乱的结果，“没有一个是团队以前不知道的”。
它们全部能在现有的论文库和人类既有知识里找到对应。
曹原一针见血地指出了当前AI的本质能力：它极其擅长“在既有空间中搜索与排列组合”，但它根本不会“创造新概念”。
回顾人类科学史，重大突破往往分为三步：
- 感知与观察
：看到苹果落地、人推车车往前走。 - 抽象出全新概念
：在没有任何前人定义的情况下，凭空抽象出“力（$F$）”和“质量（$m$）”。 - 建立理论与公式
：最终凝结出 $F=ma$。
今天的AI大模型，哪怕算力堆到极致，也依然停留在第一步和第三步的既有符号重组中。
AlphaGo当年的“神之一手”确实惊艳，但它依然是在19×19的棋盘规则内，靠搜索和概率采样找到了一条冷门路径。它仍然遵循围棋的既定规则，也未发明超越围棋的全新博弈体系。
“在现有的字典里找最优排比句”，和“发明一门全新的语言”，是两套截然不同的认知维度。
致命死穴：物理世界里，没有一秒报错的“编译器”
如果说“概念创造”是认知的上限，那么验证（Verification）就是死死卡住AI脖子的现实铁壁。
为什么AI在写代码（AI for Coding）和做数学题（AI for Math）上进展神速？
因为这两个领域天然具备超低成本的快速反馈闭环：
程序员写完一段代码，按一下回车，编译器几毫秒内就能告诉你通过还是报错； 数学家写下一段形式化证明，扔进Lean这样的符号验证系统，机器能一步一步严密核对逻辑链条对不对。
▲ Lean等形式化验证系统构成了AI探索数学的“数字安全网”
在纯信息和逻辑的世界里，AI可以在虚拟环境里以每秒几十万次的速度疯狂试错，一秒钟迭代几万轮。
但自然科学最终要从信息层扎进物质与能量层。
现实世界是一片充满泥泞的“湿实验”沼泽：
药企要验证一个新分子靶点是否有效，从细胞实验、动物模型到人体临床，动辄耗时数月甚至数年，一次试验烧掉几千万美元； 物理学家想测试一套全新的可控核聚变构型，可能要耗资数亿建造托卡马克线圈，开机一次电费惊人。
如果AI提出了1000个天马行空的超导材料配方，人类不可能同时建1000座高温实验室去挨个烧炉子。验证成本太高、周期太长，AI赖以生存的“高频强化学习试错闭环”瞬间失效。
这就是为什么曹原说，只有当那些完全可以在计算机里被精准模拟（in silico）的领域，AI才能充当先行军；一旦进入必须依赖物理实体的宏大现实，科学的大门依然被沉重的物质法则牢牢锁住。
硅谷巨头的暗战：抢夺下一个“科研闭环”
正是看清了“验证闭环”这块硬骨头，全球最顶级的大脑们正在集体调转船头。
几天前，谷歌首席科学家Jeff Dean联手Sanjay Ghemawat、Oriol Vinyals等人创办Discovery Loop，目标是“将实验闭环全面自动化。”
▲ Jeff Dean宣布创办Discovery Loop，剑指科研实验闭环自动化
与此同时，包括曹原创办的Unreasonable Labs（已获Playground Global领投的1350万美元融资），以及OpenAI与自动化实验室Ginkgo Bioworks的合作，都指向同一件事：打造由AI提出假设、机器人执行湿实验、数据自动回传的“全自动实验飞轮”。
▲ 曹原联合创办的Unreasonable Labs致力于打造自主知识创造超级智能
曹原在访谈中提出了一套极为清醒的架构构想：98%的连接主义（大语言模型） + 2%的符号主义（逻辑规则与关系图谱）。
纯粹靠喂语料的大模型，只能捕捉到文字层面的浅层概率关联；而通过神经符号层将跨学科的知识骨架强行串联起来，才能让AI具备跳出常规思维的“直觉”。
但这依然只是把科研工具磨得更快，距离“让AI像爱因斯坦一样思考”，还差着好几个技术纪元。
终极之问：概念抽象，究竟能否被计算？
在这场讨论的尾声，曹原抛出了一个近乎形而上学的怀疑：
“概念的抽象，可能根本无法通过计算完成。这或许是通往AGI的最后一英里，而这一英里，我们甚至可能永远无法跨越。”
他做了一个极其精妙的思想实验：一个从未学过任何数学概念的智能体，即便你给它看一万张“三只鸟”、“四只鹅”的图片，它真的能凭空在脑海中抽象出那个超越现实万物的“数（Number）”的概念吗？
从无到有地发明微分、积分、黎曼度量、虚数 $i$……数学和科学中最闪耀的部分，超出了机械的定理推导，凝聚着人类先贤创造新概念时的灵光一闪。
▲ 行业学者强调：理解AI必须回到最基础一层，探索概念创造的边界
正如科学推特上的深度思考者所追问的那样：在急着问“AI下一步还能做什么”之前，我们必须回答三个更基础的元问题：
- 它究竟在学习什么？
- 它是怎样学习的？
- 它所学习到的世界，与真实存在的世界之间，究竟是什么关系？
别把显微镜，当成了发现细胞的人
给AI祛魅，无损于它的伟大
未来几年，我们将目睹AI掀起人类历史上最凶猛的知识工程风暴：更快的蛋白质折叠、更高效的晶体材料筛选、甚至部分自动化的药物管线设计。那些容易摘取的“低垂果实”，将被高吞吐量的算法一扫而空。
但我们必须分清工具的进化与主体的更迭。
望远镜让人类看到了木星的卫星，但建立日心说的是伽利略；冷冻电镜让人类看清了大分子结构，但解析生命的依然是生物学家。
AI是人类有史以来造出的最强力的科学望远镜。
但至少在未来的二三十年里，那个在漫漫长夜中凝视星空、提出颠覆性问题、并为宇宙万物赋予全新概念的孤勇探索者，依然只能是人类自己。
