前DeepMind科学家曹原：AI for Science爆发，但物理验证与人类角色仍是瓶颈
2026/08/18 17:24阅读量 5
2026年8月，谷歌核心人物Jeff Dean等离职创办Discovery Loop，AI for Science赛道迎来爆发。前DeepMind科学家曹原指出，代码与推理能力的突破让AI科研自动化成为可能，但物理验证、AI自主发现新概念和人类不可替代性仍是核心挑战。商业化虽已分层推进，但诺贝尔奖级成果预计还需20至30年。
事件概述
2026年8月第一周，谷歌传奇工程师Jeff Dean与Oriol、Sanjay、Quoc共同离职，创办Discovery Loop公司，专注用AI加速生命科学等行业研究。前Google DeepMind资深科学家曹原认为，这标志着AI for Science（AI4S）赛道进入爆发期。过去两三年，AI在数学和编程上的突破，让“知识发现”成为AI能力发展的自然延伸，相关初创公司也在今年明显增多。
核心信息
- AI4S爆发条件：AI已在编程和数学推理上足够可靠，加之智能体循环（agent loop）与长期记忆管理成熟，模型可以自主提出假设、分析数据、迭代实验。但物理世界验证仍是最大瓶颈，自动化实验室和减少实验次数是关键方向。
- 大厂布局分化：谷歌布局最早最广，AlphaFold等成果领先，但Gemini项目的高优先级挤压了AI4S资源，导致Jeff Dean、John Jumper等核心科学家出走。曹原认为谷歌并非能力不足，而是优先级和资源配置需要调整。Anthropic后来居上，挖来AlphaFold联合创始人主攻生物医药；OpenAI较为激进但优先级混乱。
- 能力佐证：OpenAI的Astra模型已推导出10道长期未解数学难题；Anthropic未发布的科研版Claude将黎曼猜想相关零点下界从41.6%推进至67.2%。
- AI自主发现新概念极难：当前AI只能在已有表征空间内搜索组合，无法抽象出“数”这样的新概念。从经验观察到概念抽象再到理论形式化，是AGI的“最后一英里”，甚至可能不可计算。数学证明必须经过Lean等形式化语言验证，翻译效率是瓶颈，而定义新抽象对象目前完全做不到。
- 人类角色不可替代：问题定义、价值判断和结果验证仍必须由人完成。AI黑盒的可解释性差会增加信任与维护成本，人类科学家对“洞见”的审美判断无法被取代。
- 商业化与长期主义：AI4S商业化已分层推进，靶点发现、分子设计等环节可以变现。生物制药因市场大、流程标准化、研发周期长而最受关注；材料市场虽大但价值链碎片化。但让AI独立做出诺贝尔奖级发现，仍需先解决因果推理、长期记忆和持续学习等问题，预计需20至30年。
值得关注
AI4S正处于从辅助工具到自主发现的过渡期。物理验证瓶颈、AI抽象概念能力的缺失，以及人类在科研流程中的不可替代性，是当前最核心的挑战。