AI重塑科研范式：从“发现”到“验证”，谁在承接技术红利？

事件概述

随着人工智能技术在科学研究中的深度应用，AI的角色正从简单的辅助工具演变为能够独立执行大规模筛选和生成的核心引擎。截至2026年，AI已在材料科学和生物制药领域取得实质性突破，显著压缩了传统科研周期，但也引发了关于科研价值链重构及资本投资逻辑变化的讨论。

核心信息

1. 材料科学：从直觉驱动到数据驱动的效率革命

• GNoME成果：Google DeepMind开发的材料探索图网络（GNoME）在《Nature》发表里程碑式论文。该模型预测出220万种全新潜在晶体结构，其中38万种被判定为热力学稳定的无机材料，相当于凝聚了过去800年的材料科研成果。
• 实际转化：截至2026年，已有超过700种由GNoME预测的新材料在全球实验室中被成功合成，包括528种潜在固态电解质候选物和5.2万种类石墨烯层状化合物，直接赋能下一代锂电池和钙钛矿太阳能电池研发。
• 工作流变革：传统科研依赖人工试错，耗时漫长；AI通过虚拟空间遍历元素组合，将“试错”环节自动化。例如，全自主材料发现实验室系统（A-Lab）可在一个月内完成41种新材料的合成与表征，效率远超人工团队。

2. 生物制药：端到端的流程介入与边界

• 全流程参与：AI不再局限于早期筛选，而是深入药物研发的各个环节。模型先基于文献和组学数据确定靶点，再通过生成模型优化分子结构（考虑毒性、代谢等），最后由机器人进行湿实验验证。
• 临床进展：2026年，出现了首个由AI从头到尾参与推进并进入临床IIa期甚至III期的分子。这标志着AI在药物管线中的逻辑主导权得到确认。
• 现实边界：尽管AI加速了发现阶段，但药物安全性、耐药性及临床疗效仍需通过严格的监管审批。FDA等监管机构关注的是最终产品的安全性而非设计来源，因此“开发”和“监管”阶段的决策责任仍由人类承担。

3. 科研范式的转变：瓶颈迁移与价值重估

• 瓶颈转移：AI解决了“想不出来”的问题，但带来了“验不过来”的新瓶颈。科研重心从创意生成转移到验证能力。拥有同步辐射机时、电镜、GMP车间及临床床位的机构，才能接住AI抛出的海量候选结果。
• 角色定位：专家观点认为，AI并未取代科学家，而是扩展了人类直觉。未来的核心竞争力在于科学家对模型结果的批判性验证能力，即“会瞪着模型结果说你这玩意儿我信不过”的人才。

4. 产业与投资逻辑：硬件与闭环优于纯软件

• 利润分配：AI for Science的价值链两端分别是算力/数据（如英伟达）和硬件/实验设施（如机器人厂商、CRO、药企）。处于中间的模型层公司往往面临高昂的研发成本和融资压力，利润未必留在模型层。
• 评估标准：资本市场逐渐理性，不再仅看学术论文或跑分，而是关注企业是否具备干净的数据资产、真实的实验闭环以及客户付费意愿。Recursion等采用“管线+平台”双轨制的公司受到市场关注，说明行业看重实际产出（分子、材料、能源效率）。
• 中国优势与挑战：中国在工程化能力和制造链条上具有优势，但在数据质量、临床成本及材料中试环节仍存在短板。避免陷入“百模大战”的参数内卷，聚焦于良率提升和产业化落地是关键。

值得关注

• 自动化实验室的经济账：深圳某自动化湿实验公司的案例显示，机械臂每晚可处理数百个候选分子的测试，将原本需数月的人工试错压缩至一夜之间。这种“机器替人受罪”的模式正在改变科研的人力成本结构。
• 从颠覆到收敛：业界应避免过度神话AI的“颠覆性”，而应关注其带来的“收敛更快、搜索更宽、试错更便宜”的实际效益。科学发现的本质未变，只是工具更加强大。