2024年10月，诺贝尔化学奖颁给蛋白质结构预测与计算设计，物理学奖颁给神经网络的奠基者。不到一年，科学界讨论的问题已经变了：不再是“AI能不能做科研”，而是“哪些环节还离不开人”。
从辅助工具到共同作者
AlphaFold系列把蛋白质三维结构的解析从数年实验压缩到分钟级，后续版本又把预测范围扩展到蛋白质与DNA、RNA、小分子组成的复合体。Meta的ESM3走得更远，直接“生成”出自然界不存在的荧光蛋白，其序列与最接近的天然蛋白差异，相当于数亿年的自然演化距离。科研人员第一次可以像调用编译器一样，调用一次进化。
材料、数学与天气预报被改写
- 材料：DeepMind的GNoME一次性给出约220万种候选晶体结构，其中约38万种被判定为稳定，数量级上相当于把人类已知的稳定无机晶体扩大数十倍；伯克利实验室的A-Lab用机器人闭环，在十余天里自主合成出数十种预测材料。
- 数学：AlphaProof与AlphaGeometry 2在2024年国际数学奥林匹克中解出四道题，达到银牌水平；2025年出现的AlphaEvolve则被用来改进矩阵乘法算法和数据中心调度策略，成果直接回流到生产系统。
- 气象：GraphCast、盘古气象、GenCast等模型在中长期预报指标上超过传统数值模式，一次推理只需几十秒，能耗降低数个量级。
真正被改变的是流程
更值得关注的是“自动驾驶实验室”：机器人负责配液、加热与表征，模型负责提出下一轮假设，人只在环路中回答一个问题——这个方向值不值得继续。药物研发同样如此，由AI选定靶点并设计的候选分子已推进到二期临床，早期发现阶段的周期从传统的四五年压缩到一年左右。与此同时，多家期刊更新了投稿政策，要求作者披露AI在写作、数据分析与代码生成中的使用方式，人机协作的边界正被写进规则。
瓶颈仍在人这一侧
挑战同样清晰。其一，模型会给出看似合理却无法复现的结果，科学要求可验证，这与生成式模型的概率本质存在张力。其二，高质量实验数据稀缺且昂贵，不同实验室的数据标准不统一，难以被模型复用。其三，算力与平台集中在少数机构，署名规则、成果归属与同行评审都还没跟上。其四，当AI提出人类一时看不懂的假设时，如何归因、如何追责，尚无共识。
结语
AI没有取代科学家，而是把科研重心从“做实验”推向“提问题”。当假设生成、实验执行、结果解释逐步自动化，真正稀缺的资源变成了判断力与品味。对科研机构来说，当下最实际的投入未必是买最贵的卡，而是把散落在硬盘和笔记本里的实验数据，整理成能被模型调用的资产。