夜雨聆风
整个硅谷的AI圈，最近正陷入一场前所未有的狂热。
2026年8月，在谷歌奉献了整整27年的传奇架构师、被全行业奉若神明的 Jeff Dean 突然宣布离职，拉上Sanjay Ghemawat、Oriol Vinyals和Quoc Le这帮AI元老，成立了一家名为 Discovery Loop 的新公司。他们的目标直指当下最火爆的终极命题：用AI实现全自动的科学实验闭环，让机器自己搞科研。
▲ Jeff Dean在社交平台宣布创办Discovery Loop，剑指自动化科学发现
资本迅速升温，科技媒体开始讨论“AI自主摘下诺贝尔奖”是否已近在眼前。
然而，就在狂欢声浪的最顶峰，一盆冷彻入骨的冰水，从硅谷腹地猛然浇了下来。
在科技播客《硅谷101》长达近两小时的对谈中，前 Google DeepMind 资深研究科学家、现 Unreasonable Labs 联合创始人兼 CEO 曹原（Yuan Cao） 坐到了镜头前。这位曾深度参与 Gemini 模型研发的顶尖技术先锋，用极其平静却毒辣的逻辑，给整个行业划下了一条冷酷的红线：
“如果让AI完全独立做出诺贝尔奖级别的科学发现，至少还需要二三十年。”
▲ 曹原公开阐述对大模型创新的反思：单纯堆算力和数据难以带来科学突破
这里必须先划清一个极易混淆的误区：这位曹原，是DeepMind出身、主攻大模型底层架构与知识发现的AI科学家，并非那位因“魔角石墨烯”闻名学界的物理学家曹原。
但恰恰是这位一手写出顶级大模型核心代码的业内大牛，一针见血地撕开了当前 AI for Science（AI4S）最致命的硬伤。
为什么写代码、下围棋、刷数学奥赛题无所不能的AI，一进到真实的科学世界，就被打回了原形？
幻觉破除：AlphaFold 拿了诺奖，仍不能算“AI自主发现”
很多人可能会立刻反驳：2024年的诺贝尔化学奖已经颁给预测蛋白质结构的 AlphaFold2，AI难道还没有征服科学吗？
“那完全是两码事” 曹原在访谈中明确拆解了这个认知偏差。
▲ 2024年诺贝尔化学奖授予AlphaFold2的创造者，但这属于“人类用AI工具破题”，而非“AI自主做科研”
我们要分清“人类用AI作为超级计算工具”与“AI自主完成科学发现”之间的天壤之别。
AlphaFold2 确实惊艳，它解决了困扰生物学界半个世纪的“蛋白质折叠”难题。但它的本质是什么？
本质上，它是人类科学家定义了一个无比清晰的映射题：左边输入一串确定的氨基酸序列，右边输出一个三维空间坐标。人类喂给它几十年来积累的海量晶体衍射数据，AI利用强大的模式匹配能力，把这个函数逼近到了极致。
这就像是人类造出了一台前所未有的超高倍率射电望远镜。望远镜本身再精密，它也没有“自主发现宇宙大爆炸理论”。提出假说、设计实验、解释数据、构建理论体系的，依然是人类大脑。
今天的AI，本质上只是一个极其勤奋的“文献检索员 + 算力加速器”。它能在既有的知识库里翻箱倒柜，但它根本不知道“为什么要做这个实验”，更谈不上拥有属于科学家的“科学品位”。
致命瓶颈：物理世界的“反馈断崖”
要理解为什么AI搞科研会被卡死，先要看它为什么能在编程和数学证明上突飞猛进。
原因只有四个字：极易验证
在写代码的虚拟世界里，反馈是以毫秒计算的。AI生成一段代码，扔进编译器，通了就是通了，报错就瞬间捕获报错信息，接着在几秒钟内自我迭代几千次。
在形式化数学（如 Lean 证明助手）里也是一样：一行逻辑推导是否合规，规则引擎瞬间就能给出绿灯或红灯。
这种“假设 → 验证 → 失败 → 秒级迭代”的飞轮，正是大模型强化学习与智能体（Agent）进化的温床。
但一旦AI一脚跨入真实物理世界，这个飞轮瞬间“卡壳”了。
在生物医药、化学材料这些真实学科里，没有瞬间报错的编译器。
AI生成了一个看似精妙的全新靶点分子，它对不对？ 没办法在显卡里凭空验证。你必须让研究员穿上实验服，配试剂、摇试管、养细胞、做动物实验，这就是所谓的“湿实验（Wet Lab）”。
一次实验，周期短则几周，长则数月，花费数万乃至上百万元。如果中间移液枪抖了一下，或者杂质超标，整个实验就废了。
反馈链路由“毫秒级”骤然拉长到“按月计算”。
没有快速、廉价且高度标准化的验证闭环，再聪明的大模型也只能在算力集群里空转。你给它十万张显卡，它也无法在真空中把一个新药分子直接“脑补”到临床三期。
这也正是 Jeff Dean 创办 Discovery Loop，以及当下诸多“云端自动化实验室（Cloud Labs）”试图解决的痛点：造出不知疲倦的机器人手臂，把实验步骤标准化，拼了命把物理世界的验证周期往下压。
工程上的苦力活之外，还有一座大山横亘在人类认知边界上，让顶尖科学家也感到棘手。
终极死穴：AI只会“在地图里搜宝藏”，却画不出“新大陆”
曹原在访谈中抛出了一个极具穿透力的哲学与技术追问：搜索（Search）与创造（Innovation），到底有何不同？
大模型之所以强大，是因为它在海量人类语料中构建了一个极其庞大的多维数学表征空间。所谓的“生成答案”或“推理”，本质上是在这个现成的数据空间里，沿着概率路径去做搜索、采样与重组。
哪怕是当年 AlphaGo 震惊世界的“第37手”，在技术本质上，也只是在一个规则穷尽的棋盘空间内，采到了人类棋手极少触及的低概率分支。它始终在围棋的既定系统里行动，规则也依旧由人类预先设定。
▲ 曹原发文直指核心：搜索预设了空间，但人类科学的突破是“首先创造了这个空间”
人类科学史上的巨震，往往来自全新概念的诞生，整个认知空间也随之重塑！
请思考这几个词：
- 力（Force）
- 重力（Gravity）
- 基因（Gene）
- 虚数（$i$）
- 市场（Market）
在牛顿之前，地上推车和天上行星运动是完全割裂的表象。牛顿并没有在一堆既有的概念里做组合排列，而是做了一次惊天动地的概念抽象，他从杂乱无章的物理现象中，凭空抽象并定义出了“力”与“质量”，写下了 $F=ma$。
在孟德尔通过豌豆杂交实验提出“遗传因子”之前，人类连DNA的影子都没见过，但他硬生生凭借认知跨越，抽象出了这个解释生命传递规律的符号。
这种从混沌、嘈杂、未经清洗的真实观测流中，自主抽象出前所未有的全新概念的能力，目前的AI根本连门都没摸到。
今天的AI擅长的是演绎推理（Deduction）：给定前提和公理，一步步往下推；而科学突破最依赖的，是溯因推理（Abduction）：面对一堆反常而模糊的实验现象，敢于打破原有的理论框架，提出一个看似荒谬、实则抓住本质的全新解释。
曹原坦言：“甚至连这种‘从观测中自主发明抽象概念’的过程，在数学上能否归结为可计算过程，我都持怀疑态度。这就是通往AGI的最后一英里（Last Mile）。”
破局之路：走出纯大模型的“神经符号”新路径
既然单纯靠扩大参数规模（Scaling Law）的大语言模型难以自主创新，那科学发现的未来究竟在哪里？
这也正是曹原离开 DeepMind、创立 Unreasonable Labs 的底层逻辑。2026年3月，公司刚走出隐身状态，就斩获了由 Playground Global 领投的 1350 万美元种子轮融资，顾问名单里赫然坐着2010年诺贝尔物理学奖得主 Kostya Novoselov 等科学泰斗。
▲ Unreasonable Labs官网：致力于为自主知识创造与科学发现构建超级智能
曹原给出的技术解法，是走向 “神经符号（Neuro-Symbolic）” 的混合架构，摆脱对纯连接主义神经网络的盲目堆砌：
- 连接主义（神经网络/大模型）
：充当人类的“直觉”。负责在海量模糊、跨学科的数据中捕捉微弱的关联，进行模糊模式识别； - 符号主义（逻辑系统/数学引擎）
：充当人类的“严谨理性”。负责用精准的规则、定理与形式化语言，对直觉产生的假设进行无死角的边界约束与逻辑校验。
纯符号系统太僵硬，离开人类写好的规则就寸步难行；纯大模型又太虚浮，离开训练集分布就容易满嘴胡话。 唯有将直觉的探索力与符号的精确性死死咬合在一起，AI才有可能在低概率的“异端邪说”中，捞出可行的新科学假说。
一场长达30年的硬核长征
社交平台上，不少科技观察者在看完访谈后纷纷感叹：“在这个人人都急着吹泡泡的时代，终于有人把科学的底裤看明白了。”
▲ 业内听众认为曹原的判断极其扎实：验证卡在物理实验，二三十年是客观评估
科学探索的节奏远慢于“几个月就颠覆一个行业”的快餐游戏。
曹原在访谈末尾给出的时间表清晰而理智：
- 未来 5 到 6 年
：行业要解决的是最基础的工程难题，让AI学会在实验数据中稳定进行正向与反向的因果推断，解决长期记忆，让智能体在多步骤实验中不犯低级错误； - 未来 20 到 30 年
：才可能触及那个让AI具备自主概念抽象、跨越认知鸿沟、独立摘下诺贝尔奖的终极黎明。
但这绝不意味着当前的 AI4S 毫无价值。
在药物靶点初筛、晶体结构预测、新材料配方推荐等中间环节，AI已经展现出百倍于人工的商业化降本能力。它或许还称不上“爱因斯坦”，但已经是目前地球上最强大的“科研助理”。
科技发展经不起盲目捧杀和浮躁狂欢。
当那些把AI吹嘘成“全能造物主”的喧嚣渐渐散去，重大的变革，才刚刚在自动化实验室冰冷的机械臂与神经符号代码的交织中，开始它那漫长、艰涉却无比坚定的跋涉。
