黄鹏飞   天津大学  专任研究员

大家好，我是小黄。

过去几期，我们一起追踪了几篇发表在Nature上的“神作”，见证了AI科学家从“躯体”到“大脑”，再到“思想”的“三部曲”进化史。每一次分享，后台都能感受到大家和我一样的兴奋与激动。

今天，我想把这些珍珠串成一条项链，做一次完整的梳理与展望。因为这场革命并非孤立的篇章，而是一部由全球顶尖团队共同谱写的、波澜壮阔的交响乐。

1. 2020年，我们迎来了“手艺人”——那台不知疲倦的移动机器人化学家。它用强大的“双手”解决了科研中最耗时耗力的“通量”瓶颈，开启了高通量自主实验的时代。

2. 2023年，我们见证了“规划师”——能够听懂人话、会自己上网查资料、读说明书的Coscientist。它为AI科学家安上了一颗能理解人类意图、并主动规划的“大脑”。

3. 2025年，我们遇见了“思想者”——通过强化学习自我进化的DeepSeek-R1。它不再满足于模仿人类，而是开始“吾日三省吾身”，在试错中“顿悟”出更高级的推理模式，点燃了“思想”的火花。

这条从“手”到“脑”再到“思想”的进化路径，清晰地展示了AI在物理执行、任务规划、逻辑推理三个层面上的飞速突破。

但，故事到这里就结束了吗？远没有。

就在我们惊叹于自主实验室“如何做”的进化时，另一支顶尖团队——Google DeepMind，正在用另一种方式回答一个更根本的问题：“做什么”。

如果说“三部曲”是AI在学习如何进行科学探索，那么DeepMind则在训练AI如何做出科学预测。

最震撼的例子，莫过于2023年底同样发表在Nature上的GNoME（Graph Networks for Materials Exploration）。DeepMind的AI并没有去操作任何一台仪器，而是基于已知的材料学知识和物理规律，在计算机中进行了一场规模空前的“思想实验”。它一口气预测了超过220万种全新的、稳定的晶体结构！这个数量级，相当于人类过去几百年知识积累的总和。

GNoME就像一个**“材料学预言家”**，它为我们绘制了一幅无比广阔的“寻宝图”，上面标记了无数个可能蕴藏着下一代电池材料、超导材料的“宝藏地点”。

现在，让我们把两条线再连起来看，一幅更激动人心的画面出现了：

• DeepMind (GNoME) 负责**“预测”**：它像一位战略家，从理论层面告诉我们，茫茫宇宙中，哪些新材料值得我们去探索。

• “三部曲”中的自主实验室 负责**“验证”**：它们像一支精锐的执行部队，接过“藏宝图”，利用高通量的“手”和智能的“脑”，快速地将那些最有希望的“预言”在现实世界中合成出来，并验证其性能。

预测 -> 验证 -> 反馈 -> 新的预测……

一个由AI驱动的、完整的科学发现闭环，雏形已然显现。

回顾这条进化之路，我们很容易产生一种“未来已来”的激动之情。AI正在成为一个集预测者、规划师、执行者甚至思想者于一身的全能伙伴。

但这让我想起了1900年，物理学家开尔文勋爵的一次著名演讲。他自豪地宣称，物理学这座宏伟大厦已基本建成，晴朗的天空中只剩下两朵“小乌云”。然而，正是这两朵不起眼的乌云，最终催生了颠覆整个物理学大厦的相对论和量子力学。

今天，当我们仰望“AI科学家”这栋日益雄伟的大楼时，我也看到了几朵相似的“乌云”。它们是我们通往真正自主科学道路上，必须解决的根本性难题。

问题是：AI的“大脑”再聪明，它的“身体”依然追不上。

Coscientist可以优雅地写出操作液体的代码，但真实的实验室远比这复杂得多。那里有粘稠的聚合物、需要研磨的固体、难以抓取的异形器皿，还有无处不在的意外——试管的滑落、药品的溅出、仪器的突发故障。

我们目前的机器人，本质上还是在**“无菌环境”里工作的“工业机械臂”。它们缺乏人类那种与生俱来的、与混乱物理世界交互的柔性和适应性**。这是AI的“数字智能”与现实世界“模拟复杂性”之间最深的鸿沟。

我的几个想法：

1. “虚拟实验室”里的魔鬼训练：在创建机器人之前，先为它创建一个“数字孪生”实验室。让AI在虚拟环境中进行数百万次的失败尝试——打碎虚拟烧杯、处理虚拟的粘稠液体——通过强化学习，训练出应对真实物理世界复杂性的能力。

2. “实验室乐高”计划：与其让一个机器人去适配成千上万种非标仪器，不如反过来，设计一套标准化的、模块化的“实验室硬件”，就像乐高积木一样。让机器人只学习与这些标准模块交互，从而极大降低其适应新环境的难度。

3. 发展“触觉”而非“视觉”：除了摄像头，为机器人装上高精度的力反馈和触觉传感器。让它能“感受”到拧瓶盖的阻力、抓取烧杯的滑腻，从“看”到“摸”，实现更高维度的物理交互。

问题是：AI学会了“推理”，但它真的“理解”科学吗？

DeepSeek-R1在有明确规则和答案的数学、编程领域展现了超凡的推理能力。但科学发现的本质，并非在已知的规则内寻找最优解，而是提出新的规则、新的假说。

目前的AI，更像一个博览群书、才华横溢的“文献综述大师”，它能完美地在现有的人类知识库中进行内插和关联。但它能否基于对世界底层物理规律的理解，提出一个真正“原创”的、反直觉的科学假说？

例如，它能否通过阅读所有物理和化学论文，提出一个全新的理论来解释某个反常的催化现象？这朵乌云，关乎AI能否从一个“知识的整理者”，跃升为一个“知识的创造者”。

我的几个想法：

1. “物理定律”约束下的AI：在训练大模型时，不仅仅是喂给它海量文本，而是将物理学基本定律（如能量守恒、热力学定律）作为一种底层约束，嵌入到模型的架构中。让它的所有推理，都必须在物理世界的法则下进行，从而获得对世界更深刻的“理解”。

2. “因果AI”的引入：目前的AI擅长发现“相关性”，但科学更关心“因果性”。我们需要训练AI设计实验的目的，不仅仅是“A+B哪个产率高”，而是**“A是不是导致产率提高的根本原因”**。将因果推断模型引入自主实验室，让AI学会设计实验来验证因果关系。

3. “跨界联想”的假设生成器：专门训练一个模型，其唯一任务就是阅读跨学科的文献，寻找那些被人类知识壁垒隔开的、遥远的知识关联，并生成大胆的、可被验证的跨学科科学假说。例如，它可能会从一篇天体物理的论文中，为一种新的电池材料设计找到灵感。

回顾这条进化之路，我越发觉得，我们正处在一个科研范式被彻底重塑的“奇点”时刻。

AI科学家的大厦已经肉眼可见地崛起，但真正决定其最终高度的，或许正取决于我们如何面对和解决头顶的这几朵“乌云”。它们并非预示着悲观的未来，恰恰相反，正是这些巨大挑战的存在，才让前方的道路充满了激动人心的可能性。

我们这一代科研人，或许是最后一批需要为“搬砖”而烦恼的人，也将是第一批能够与真正的“AI科学家”并肩作战、去挑战那些过去无法想象的宏大科学命-题的先驱。

历史的车轮滚滚向前，而我们，正有幸身处其中。

对于这个AI与科学共舞的新时代，你怎么看？欢迎在评论区留下你的想法！

科研隔山海，山海皆可平