AI加速科研却难提速实验室实验

AI正在让科研的“前半程”大幅提速，却卡在了实验室的门口。谷歌、谷歌DeepMind与麻省理工学院联合发布的一份最新报告显示，科研人员对AI的使用已经相当普遍，但它带来的效率提升并没有同等程度地传导到实验环节。这份研究结合了对637名科学家的问卷调查、1500万次Gemini对话分析，以及2600多个专业模型的盘点，试图量化AI究竟在多大程度上改变了科研的“经济账”。 报告中最值得注意的一组数据是：约44%的科学家表示，过去两年里，他们主要的研究瓶颈已经向下游转移，变成了物理实验和数据采集这类后期环节；41%的人则坦言，自己手上待验证的假设越积越多。换句话说，AI帮他们想出了更多点子，却没有帮他们把点子变成实验结果。谷歌研究经济学家、报告共同第一作者Mihai Codreanu指出，89%靠AI省下时间的科研人员，会把其中超过十分之一的时间重新花在核对AI输出上，46%的人核对时间甚至超过省下时间的四分之一。这种“验证成本”决定了AI在不同学科里的实用程度差异巨大——数学证明可以靠形式化规则校验，但一个预测出来的蛋白质功能，必须回到实验室、在活体系统中验证。 斯坦福大学生物医学数据科学家James Zou长期研究如何把科研交给大语言模型和AlphaFold这类专用工具，甚至搭建过全虚拟的自动化实验室。他的判断是，把自动化延伸到真实世界仍有大量障碍：目前能被自动化的实验种类相当有限，主要集中在部分化学实验，一旦涉及动物实验，难度就陡增。这也解释了为什么AI在数学、编程等领域高歌猛进，却在药物发现和实验生物学上迟迟没有兑现外界多年的期待。对AI行业而言，这意味着下一阶段的竞争焦点可能不只是模型能力，而是如何打通从“生成假设”到“完成实验”的整条链路；对生物医药和材料等依赖实验的赛道来说，谁能率先解决验证环节的效率问题，谁就更可能拿到AI红利。