AI科研从“发现”转向“验证”：GNoME预测220万晶体，瓶颈在于工程化落地

事件概述

截至2026年，Google DeepMind开发的材料探索图网络（GNoME）已成为AI for Science领域的里程碑式成果。该工具通过自动化流程大幅降低了科研中的搜索成本，将传统依赖直觉和经验的手工试错模式转化为高效的自动化流水线。与此同时，AI在生物制药全链条中的应用也取得了实质性突破，尽管面临临床转化的现实挑战，但其对研发周期的压缩效应已得到验证。

核心信息

1. 材料科学：效率颠覆与规模扩张

• 预测规模：GNoME利用AI模型在虚拟空间中遍历元素周期表的组合，预测出220万种全新潜在晶体结构。其中超过38万种被判定为热力学稳定的无机新材料，这一数量相当于人类过去数百年积累的已知稳定无机材料总量的两倍。
• 合成进展：目前已有700多种预测的新材料在全球实验室中被成功合成，其中包括528种潜在固态电解质候选和5.2万种类石墨烯层状化合物，为下一代锂电池、钙钛矿太阳能电池等领域提供了海量研发方向。
• 自动化能力：结合自动化实验室系统（如A-Lab），机器人在不到一个月内即可合成41种新材料，其效率远超传统人工实验（五个博士后一年可能无法完成同等工作量）。

2. 生物制药：端到端推进与风险并存

• 全流程参与：AI已介入靶点发现、分子设计、毒性预测等全链条环节。2026年，已有由AI全程参与推进的候选分子进入临床III期阶段，这是人类历史上首次有AI深度参与的药物走到这一阶段。
• 局限性：尽管发现速度大幅提升，但临床后期的翻车风险依然存在。模型生成的分子可能在动物实验中表现良好，但在人体内的耐受性、耐药性及安全性仍需经过严格的FDA监管和临床试验验证，这一环节仍由人类承担最终责任。

3. 行业瓶颈：从“想不出来”到“验不过来”

• 验证资源稀缺：AI解决了“搜索空间过大”的问题，但并未解决“物理实现”的问题。许多预测结构仅为已知相的变体，从实验室粉末合成到工业化量产，中间隔着中试、专利布局、良率控制、供应链整合及环评等复杂环节。
• 核心竞争力转移：真正的瓶颈不再是算法或模型本身，而是验证资源。拥有同步辐射机时、电镜设备、GMP车间、临床床位以及真实实验闭环能力的机构，才能接住AI抛出的高潜力成果。

值得关注

资本逻辑与产业趋势

• 利润分布变化：AI科研产业链中，算力提供商（如英伟达）、机器人厂商、CRO服务商及药企占据了大部分利润，而模型公司往往因高昂的研发投入处于烧钱状态。资本回报的关键在于是否拥有干净的数据集、真实的实验闭环以及客户为结果买单的能力，而非单纯的论文发表或跑分成绩。
• 中国优势与挑战：中国在工程化能力和制造链方面具备显著优势，能够加速AI生成材料的产业化落地。然而，需警惕重蹈“百模大战”覆辙，避免陷入参数竞赛而忽视实际落地效果。国内扎实的突破更多分散在高校、中科院、药明系及头部制造企业手中，而非仅集中在大型模型公司。
• 未来形态：AI并非取代科学家，而是作为不知疲倦的助手处理大量低效试错工作。未来的核心竞争力将属于那些既能驾驭AI生成海量假设，又能凭借专业判断筛选出真正可行方案的团队。