夜雨聆风
全世界都在为 AI 攻克科学的狂热想象买单。
2024 年，诺贝尔化学奖破天荒地颁给了 DeepMind 的 AlphaFold 团队；前不久，谷歌传奇首席科学家 Jeff Dean 更是带着一众元老出走，宣布创立 Discovery Loop，誓要用算法接管全人类的科研实验。
各大科技巨头的招聘名单里，挤满了物理学家、生物学家与顶尖数学家。在无数科技媒体的渲染下，似乎人类攻克癌症、实现可控核聚变、甚至由 AI 自主拿下下一个诺贝尔奖，只剩下短短两三年的工程排期。
然而，就在这个科技狂欢的节骨眼上，一位参与过 Gemini 大模型研发的 AI 核心操盘手，却当头泼下了一盆极度冷静的冰水：
“如果说让 AI 独立做出诺贝尔奖级别的科学发现，我认为至少还需要二三十年。”
▲ 前 DeepMind 科学家曹原在访谈中指出：AI 独立做出诺奖级成果至少还要二三十年
说出这句话的人，是前 Google DeepMind 资深研究科学家、现 AI 初创公司 Unreasonable Labs 联合创始人兼 CEO 曹原（Yuan Cao）。在知名科技访谈节目《硅谷101》中，他用一套极其硬核且毒辣的底层逻辑，撕开了当前“AI for Science”狂欢背后的最大真相。
这里的曹原，与在加州大学伯克利分校研究“魔角石墨烯”的物理学家曹原同名。本文所指的是长期深耕大模型架构与后训练、如今投身“AI 知识发现”的技术老兵。
为什么一个天天跟最前沿大模型打交道的人，会给出如此保守的时间表？今天的 AI，到底被什么死死卡住了脖子？
谷歌全明星出走：大模型刷完题后，终局战场在哪？
要理解这场争论，我们得先看清整个 AI 行业在 2026 年所处的技术断崖。
过去两三年，全世界的大模型都在疯狂比拼两件事：写代码（Coding）和做数学题（Math）。从刷穿 LeetCode 到在国际数学奥林匹克竞赛（IMO）中拿牌，AI 在纯数字世界的逻辑能力被推到了令人发指的高度。
但所有顶尖科学家都心知肚明：会做奥数题，并不等于能创造新科学。
就在不久前，谷歌最高级别的传奇工程师 Jeff Dean，拉上了深度学习先驱 Oriol Vinyals、Quoc Le 以及分布式系统传奇 Sanjay Ghemawat，四人集体从谷歌离职，成立了一家名为 Discovery Loop 的公益公司。
▲ 谷歌首席科学家 Jeff Dean 宣布成立 Discovery Loop，目标是实现机器学习、科学与工程的实验闭环自动化
这几位联手定义了现代互联网底层架构与现代 AI 基础设施的教父级人物，把枪口一致对准了同一个方向：自动化机器学习、科学与工程（AI for Science）。
曹原也正是在这一浪潮中离开了大厂，创立了估值数千万美元的 Unreasonable Labs，领投方正是硅谷顶级风投 Playground Global。
▲ Unreasonable Labs 官方主页：致力于构建自主知识创造与发现的超级智能
为什么所有顶尖大脑都在往这个方向涌？
因为大模型在纯语言聊天上的边际效用正在递减。AI 进化的下一阶段，必须从“陪人类聊天”，转向“帮人类发现新世界”。
但恰恰是在向真实科学发起冲锋的第一步，AI 撞上了一堵无比厚重的铁壁。
铁壁一：物理世界的残酷惩罚，为什么代码可以秒跑，真实实验却要烧掉几亿美金？
曹原在访谈中反复强调了一个最核心的词：Verification（验证）。
很多人以为 AI 做科研，就像写代码一样简单，AI 提出一个想法，电脑跑一下，不对就改，几秒钟就能迭代上万次。
这正是大众对科学研发最大的误解
曹原将人类的探索任务精准地拆分成了两个截然不同的维度：信息世界（Bits）与物质世界（Atoms）。
- 写代码
：这是一个纯信息系统。代码写得对不对，扔进编译器一秒钟就见分晓，试错成本几乎为零。 - 形式化数学
：虽然烧脑，但也有类似 Lean 这样的机器证明工具，AI 写出来的每一步推导，符号逻辑系统都能逐行检查其绝对正确性。
▲ Lean 定理证明器：在信息世界内部，数学逻辑能够被计算机精确且廉价地验证
然而，科学研究必须进入物质和能量的世界。
当 AI 设计出了一个看似极其精妙的全新抗癌分子，它能在电脑屏幕里宣布成功吗？不能。 它必须经历复杂的生化合成、细胞实验、动物毒理测试，最后进入漫长的临床试验。 一款新药的验证周期通常长达数年，耗资数亿甚至上百亿美元，而且失败率超过 90%。
如果你想让 AI 设计一个全新的可控核聚变装置、或者一种革命性的超导合金，真实世界的物理法则不会给你提供一个“按一下回车就能重试”的模拟器。
曹原的概括是：宇宙最基本的几个要素包括信息、物质和能量，数学和编程主要在信息层面，科学研究最终必须进入物质层。
目前像 Claude 或 Devin 这种 Coding Agent 能够飞速进化，是因为它们拥有密集的正反馈闭环（Loop）；而科学 AI 的悲剧在于：提出一个假说只需要 1 秒，验证这个假说却可能需要 3 个月和一个造价千万的湿实验室（Wet Lab）。
由于无法进行高频、低成本的自我试错，大模型引以为傲的“暴力搜索与强化学习”，在物理世界的高昂成本面前，瞬间被踩下了急刹车。
铁壁二：会搜索已有宇宙，不等于能“创造新概念”
如果说实验验证是工程上的物理瓶颈，那么另一个阻碍 AI 拿到诺奖的，则是目前深度学习在认知层面的本质缺陷。
DeepMind 的 GNoME 已经预测出 220 万种新晶体结构，AlphaFold 也预测了几乎所有已知蛋白质的三维结构。这些成果当然算得上科学突破
▲ AlphaFold 核心研究者 Demis Hassabis 与 John Jumper 获得 2024 年诺贝尔化学奖
曹原在这里给出了一个极其辛辣、直击本质的技术洞察：
在曹原看来，今天的 AI 科学突破集中于高维空间里的“搜索与排列组合”，“新概念的创造”仍未出现。
什么叫在已有空间里搜索？就像 AlphaGo 下出了惊艳世人的“第 37 手”，它的确下出了一步人类意想不到的妙手，但它依然是在围棋既定的规则、棋盘和目标函数内，利用恐怖的算力采样到了一条过去没人走过的路径。
但科学史上那些获得诺贝尔奖、引发范式革命的发现，是怎么来的？
曹原画出了科学发现的极简三部曲：
- 观察现象
：看见苹果落地、看见水蒸气顶起壶盖、看见天体运行。 - 抽象出全新概念
：从纷繁混乱的感官世界里，凭空抽象出人类原本没有的概念，比如命名了“质量”、定义了“力（Force）”、发明了“微积分”与“黎曼度量”。 - 建立理论
：用全新的概念符号写出 $F=ma$ 或 $E=mc^2$。
现在的 AI，全部卡死在第二步
模型再强大，它也只是在人类已经喂给它的概念库（Token）、公理和数学空间里做高难度推演。它不会自己去定义一个全新的数学对象，更无法从零构想出一套解释宇宙的新范式。
诺贝尔奖得主、CRISPR 基因编辑先驱 Jennifer Doudna 曾分享过一个极具代表性的细节：她的团队在实验中也大量使用 AI 辅助设计，但最后发现，AI 给出的所有方案，没有一个是团队以前不知道的，它们早已零散地存在于现有的科学文献与知识库中。
曹原甚至提出了一个更深邃的哲学拷问：“概念抽象”本身，到底能否通过计算解决？
他做了一个思想实验：如果一个从来没学过任何数学符号的通用 AI，每天只是看着摄像头里的“三只鸟飞过、四只鹅游过”，它究竟能不能凭借神经网络，自己抽象出“自然数”这个纯粹的数学概念？
“这种概念抽象的能力，可能是通向 AGI（通用人工智能）的最后一英里，而这一英里，甚至可能永远无法跨越。”
破局路线：98% 的神经网络，加上 2% 的“理性骨架”
正因为看清了单纯靠堆叠算力和喂数据无法产生新思想，顶尖科学家们正在迅速分化，探索全新的技术路径。
在曹原看来，未来的解法会跳出从 1 万亿到 100 万亿的参数堆叠，走向神经符号架构（Neuro-Symbolic）与软硬件一体的自动化闭环：
▲ Unreasonable Labs 宣布完成 1350 万美元融资，提出结合大语言模型与神经符号抽象来突破科学发现
- 98% 连接主义 + 2% 符号主义
：大语言模型（神经网络）负责提供天马行空的直觉和灵感采样，而在外层，必须包裹一层由符号逻辑、知识图谱构建的“理性骨架”，专门负责跨学科概念的严谨推演与关系梳理。 - 机器人自动化实验室
：把大模型的大脑，直接接在生物实验机器人的手上。比如 OpenAI 此前与 Ginkgo Bioworks 的合作，让 AI 提出蛋白质方案后，机械臂直接自动在培养皿中合成并测试，将原本数月的人工反馈周期压缩到几天。
但这依然是一段极其漫长的修补过程。
曹原列出了一张清醒的技术路线图：光是补齐当前大模型缺失的双向因果推理能力、长期工作记忆以及持续自我学习机制，行业至少就需要啃上 5 到 6 年。
在这之后，AI 才能以一名合格的“数字初级研究员”身份，进入物理实验室展开海量探索。而要等到它能够独立提出假说、设计实验、排除异常、抽象新概念，最终做出诺奖级的伟大发现，二三十年是一份带着敬畏的理性估算。
从“超级显微镜”，到“人造爱因斯坦”
回看科学史，人类每一次工具的跃迁，都会引发一轮认知革命。
望远镜让我们看清了星系，显微镜让我们看清了细胞，冷冻电镜让我们看清了分子结构。今天的 AI for Science，毫无疑问是人类有史以来发明的最强大的“超级显微镜”与“算力加速器”。
它能在几秒钟内完成原本要耗费数十年计算的晶体配比，能在海量蛋白质结构中迅速锁定候选靶点。
但正如 400 年前的望远镜不会自己撰写《天体运行论》一样，今天的神经网络，也依然只是在执行人类写好的目标函数。
承认 AI 距离独立拿到诺贝尔奖还有 30 年，体现了对物理世界复杂性以及人类大脑“概念抽象能力”的深沉敬畏。
科学殿堂的大门从未关闭，AI 已经拿到了最好的入场券；但要最终摘下那顶皇冠，这场漫长的马拉松，才刚刚跑完热身的第一公里。
