当AI4Science热潮过去后，我想心平气和地聊聊这事儿
2026/04/22 12:27阅读量 2
当AI4Science热潮过去后，我想心平气和地聊聊这事儿-虎嗅网 虎嗅APP 虎嗅APP 公众号矩阵 公众号矩阵 社群矩阵 社群矩阵 我要投稿 我要投稿 资讯 24小时 源流 视频 活动/榜单/专题 妙投 虎嗅智库 虎嗅嗅全新升级 虎嗅嗅全新升级 AI在科学领域的应用正面临“幸存者偏差”的严峻挑战。文章指出，由于训练数据大多来自被发表的、仅占1%的成功实验，AI模型难以学习到决定科研成败的、占99%的失败经验，这导致其在实际科研场景中
事件概述
当AI4Science热潮过去后，我想心平气和地聊聊这事儿-虎嗅网 虎嗅APP 虎嗅APP 公众号矩阵 公众号矩阵 社群矩阵 社群矩阵 我要投稿 我要投稿 资讯 24小时 源流 视频 活动/榜单/专题 妙投 虎嗅智库 虎嗅嗅全新升级 虎嗅嗅全新升级 AI在科学领域的应用正面临“幸存者偏差”的严峻挑战。文章指出，由于训练数据大多来自被发表的、仅占1%的成功实验，AI模型难以学习到决定科研成败的、占99%的失败经验，这导致其在实际科研场景中预测频频失效。作者认为，AI目前更擅长在规则明确的封闭系统内做优化，而非在开放的科学世界中实现从0到1的原创突破。 ## 1. AI for Science的困惑：从神话到现实 AlphaGo的胜利点燃了AI将颠覆科学研究的乐观预期，但现实是，在标准测试集上表现完美的AI模型，进
核心要点
- 关键不只是模型能力本身，还包括它能否被封装成稳定可用的软件能力，以及接入成本和适用场景。
- 如果信息指向底层算力或硬件变化，更需要评估它对推理成本、响应速度、部署方式和交付周期的实际影响。
值得关注
- 更重要的是识别这条动态带来的实际变化，包括能力边界、接入成本、部署复杂度和可持续性。
- 如果要进一步评估价值，应结合具体业务场景、数据条件和系统集成成本来判断。