2024 年，DeepMind 的 AlphaFold 拿下诺贝尔化学奖，让许多人以为「AI+海量数据」就是打开科学发现的万能钥匙。但 Eric Schmidt 与 Suhas Mahesh 在《麻省理工科技评论》撰文指出，真正能让科学全面加速的，不是又一个 AlphaFold，而是能在不确定中自主推理的 AI 智能体。

AlphaFold 的奇迹难以复制

AlphaFold 的成功有一个极其特殊的前提：Protein Data Bank。这个数据库汇集了约 17 万个实验验证过的蛋白质结构，背后是 53 年的国际合作和大约 210 亿美元的实验投入。

这种规模的、标准化的、可重复的数据集在科学界非常罕见。蛋白质晶体学本身是一种高度可重复的实验手段，但大多数生物学和化学实验不具备这种条件：细胞系会漂移，试剂会有微量污染，实验室湿度都会变化。要在这些领域建立同样质量的训练数据，可能需要几十年。

真正的科研不是跑模型，而是综合判断

科学家做研究时，从来不会只依赖一种完美数据。他们会把对接计算、已知结构、分子动力学模拟和少量实验结果综合起来，再根据经验判断每种方法的可信度。这种在不确定中权衡、迭代和修正的能力，正是传统大模型难以做到的。

智能体恰好可以模拟这一过程。它不是针对单一问题训练一个巨型模型，而是让一个大语言模型调用多种工具、反复尝试并修正假设。

Google Co-Scientist 验证了这个思路

今年 5 月，Google 发布了 AI Co-Scientist。研究者只给它一个一页纸的任务说明：找出抗生素耐药性如何在细菌物种之间传播。

系统启动了多个子智能体：一个负责从文献中提炼假设，一个像同行评审一样挑刺，一个通过「锦标赛」机制给假设打分，一个负责把优胜假设进一步打磨。最终，AI 得出了一个正确结论——耐药基因会搭乘噬菌体在不同细菌之间转移。

这个结论此前由帝国理工学院的研究团队花了十年湿实验才独立得到，而当时那篇论文还在同行评审中，Co-Scientist 不可能提前看到。

智能体能解决科学界的「复现危机」

学术界长期苦于复现危机：很多实验结果难以被其他团队重复验证，原因之一是研究人员不愿在论文结束后继续整理原始数据和完整代码。

智能体天然会记录每一步操作，留下精确的方法日志。这意味着未来一篇论文背后的完整实验流程可以被自动保存和复刻，复现率有望大幅提升。

此外，智能体还能把实验室里几十年的经验、失败案例和隐性知识集中到一个标准化的机构知识库中，解决研究生只能靠翻前辈笔记本找经验的问题。

速度比争论更重要

当验证一个想法的成本低于开会争论时，人们会直接去做实验。能在一小时内读完一千篇论文、设计出五百个分子、并从失败中学习的智能体，会把科学探索的成本降到前所未有的水平。

作者认为，历史上改变科学面貌的通用工具屈指可数：微积分、统计推断、光谱学、计算机。AI 智能体很可能是下一个。

来源：MIT Technology Review / Eric Schmidt、Suhas Mahesh