AI与科学发现：模型能帮科学家做什么

引言

科学研究里最花时间的事，往往不是做实验本身，而是找方向、查文献、试假设。AI 进入科研领域之后，正在改变这套流程的节奏：它能在一夜之间读完一个人数月才能看完的文献，也能在成千上万种可能里挑出最值得试的几种。但它能做的和不能做的，边界比宣传里说的要窄得多。

文献与假设：最先被改变的环节

对研究者来说，AI 最直接的价值在文献处理上。一个领域的论文动辄成千上万篇，靠人工通读根本看不过来。模型可以先做筛选和摘要，帮研究者快速摸清现状、找到空白。更进一步，它还能基于已有文献提出新的研究假设：把 A 领域的办法用到 B 领域的问题上，或者指出两个看似无关的现象之间可能存在的联系。这些假设不一定对，但它们把“想方向”的成本降了下来。

预测与筛选：让实验少走弯路

在很多实验科学里，真正的瓶颈是试错的成本。一种新材料有无数种配方组合，一种新药有海量候选分子，一个个试根本试不过来。模型可以在实验之前先做预测和排序：哪几种组合最有希望、哪几个分子最值得合成。预测不等于结论，最终还是要靠实验验证，但它让实验的命中率变高了。科研的加速，很多时候就是把“瞎试”变成“按优先级试”。

数据的另一面：模式与噪音

模型擅长在数据里找模式，科研数据恰恰最需要这个：基因序列、天文观测、气候模拟，数据量大到人力无法穷举。但模式和真相之间隔着一步：模型找到的相关性，可能是真实规律，也可能是数据里的噪音或偏差。科研的严谨性要求每一步都可验证、可复现，而模型的判断过程往往说不清楚。这也是为什么科研界对 AI 的态度是“用，但要验”：模型可以指路，不能代替论证。

AI 做不了的部分

有几件事 AI 目前还做不了。第一是提出真正原创的问题：模型擅长在已有知识里组合，不擅长跳出框架问一个没人问过的问题。第二是设计关键实验：一个能一锤定音的实验，往往需要研究者的直觉和经验，而不只是数据分析。第三是承担责任：论文署名、结论负责，最终都要落到人头上。AI 可以是得力的助手，但科学发现的责任链条里，始终要有一个人。

科研的新分工

AI 进入科研之后，分工正在重组：机器负责广度——快速阅读、大量筛选、批量预测；人负责深度——判断方向、设计实验、解释结果。这种分工对年轻研究者尤其友好：过去需要多年积累才能摸到的领域全貌，现在可以借助工具更快上手。但它也带来一个提醒：工具越好用，基本功越容易被绕过去。读不懂文献、做不了推导的研究者，就算有了 AI，也只能停在表面。AI 能加速科学发现，但发现本身，依然是人的工作。