AI让科研假设变廉价后，MIT与谷歌为何盯上实验瓶颈？

2026-09-23 20:51 1002 次浏览

假设不再稀缺，稀缺的是能验证假设的实验室

MIT与谷歌联合发布的一份报告在科研圈引发讨论：AI正在把提出科学假设这件事变得极其廉价。过去一个博士生花半年才能打磨出的候选方向，现在用大模型跑一遍文献和数据库，几分钟就能列出几十条。报告的核心判断很直接——假设生成的成本已经趋近于零，但验证假设所需的实验资源完全没有跟上。

这意味着科研流程的瓶颈发生了位移。以前最耗时间的是“想不出来”，现在最耗时间的是“排不上队”。一台冷冻电镜的机时可能要等三个月，一批动物实验的周期以月计，哪怕是相对自动化的高通量筛选，一轮湿实验走完也要数周。AI把前端加速了十倍，后端却还是原来的节奏，整体产出并不会等比例提升。

对做计算的研究者来说，这反而是个提醒：算力堆出来的候选列表再长，如果实验室接不住，价值就停在纸面上。我一般会先问合作方一句话——你们一周能跑多少个样本？这个数字往往比模型参数量更能决定项目节奏。

报告梳理了AI在科研各环节的渗透程度，差异非常明显。文献综述和假设生成这两步，AI的介入已经相当深入，谷歌自家的Gemini等模型被用于跨学科知识关联，能从材料学论文里找出生物学可借鉴的思路。分子筛选和性质预测也进展很快，报告提到AI筛选候选分子的效率比传统方法高出一个数量级。

但到了实验设计和执行，AI能做的仍然有限。报告列举了几个卡点：

这几个问题叠加，使得AI生成的假设在进入实验阶段后，淘汰率往往高于人类专家提出的假设。报告没有回避这一点，反而把它当作下一步要解决的重点。

值得留意的是，MIT方面在报告里强调，AI的价值不在于替代科学家做判断，而在于把人力从重复筛选中解放出来。一个研究者原本要读三百篇论文才能锁定一个方向，现在可以把这个时间压缩到几小时，省下来的精力应该投向实验设计和结果解读。

实验自动化的推进速度远慢于软件。一家实验室要上马自动化平台，涉及设备采购、接口改造、流程重写，周期通常以年计。而AI模型的迭代周期是几个月。两者节奏不匹配，导致每次模型升级，实验端都来不及响应。

数据问题同样棘手。AI要学习实验设计，需要大量带标注的操作记录和失败案例。但多数实验室的记录方式还是纸质或零散的电子表格，格式不统一，难以直接用于训练。谷歌在报告里提到，构建可用的实验数据集，工作量不亚于重新做一遍实验。

另一个容易被忽略的点是评价标准。假设生成阶段可以用准确率、召回率来衡量，但实验阶段的成功与否，往往要等几个月甚至几年才能判断。反馈周期太长，模型很难从中快速学习。这就形成了一个循环：AI生成假设快，实验验证慢，慢的反馈又拖累了AI的进一步优化。

按我的经验，团队如果打算把AI引入科研流程，先别急着上大模型。把实验记录数字化、把设备接口理清楚，这两件事做完，AI能发挥的作用才会显现出来。否则模型再强，也只是在空中楼阁上盖房子。

报告结尾提出了一个值得思考的方向：如果假设不再稀缺，科研团队的构成和评价体系可能需要调整。过去一个课题组的核心竞争力在于谁有好想法，未来可能更看重谁能快速验证想法。实验平台的建设、跨机构设备共享、实验数据的标准化，这些基础设施的重要性会上升。

谷歌和MIT在报告里没有给出具体的时间表，但释放的信号很清楚：AI在科研中的角色正从辅助工具转向流程重构的推手。对高校和科研机构来说，与其争论AI会不会取代研究者，不如先解决实验通量的问题。一个能每周稳定跑完数百个样本的自动化平台，配上AI生成的候选列表，产出效率可能超过十个各自为战的课题组。

当然，这并不意味着小型团队没有机会。聚焦在特定实验技术上做深做透，把某一类实验的通量和数据质量做到极致，同样能在AI驱动的科研链条里找到位置。关键在于认清自己的瓶颈是在假设端还是验证端，然后把资源压到更紧的那一头。