科研的瓶颈，正在悄悄挪位。过去几百年里，科学发现最慢的一步通常不是”做实验”，而是”想出一个值得做的点子”：假设从哪来、为什么是这个假设、怎么证明它足够新。2026 年，这件事的答案开始变得不一样了——AI 不再只是查文献、写代码、画图表的”辅助工具”，而是开始以”合作者”的身份进入科研流程：提出假设、设计实验、解读结果，甚至反过来”重新发现”人类花了十年才得到的结论。
图：现代生物实验室里，假设最终仍要回到湿实验接受检验（图片来源：Unsplash）
一、从工具到合作者：一年之间发生了什么
变化有据可查。OpenAI 在 2026 年 1 月发布的报告《AI as a Scientific Collaborator》给出了一组规模数据：每周有约 130 万研究者在 ChatGPT 上进行科学与数学相关的高级对话，周均消息量接近 840 万条——文献综合、代码调试、数据分析、实验规划，AI 已经嵌进科研的日常动线。
更值得关注的是推理能力这条线。报告提到，GPT-5.2 Thinking 在 2025 年 AIME（美国数学邀请赛）上拿到了满分，而且全程未借助外部工具。竞赛成绩本身不是目的，重要的是背后三项能力的成熟：长程推理、系统性的自我验证、以及”会用可检验的工具”。数学是科学的压力测试场——当一个模型能在多步推理中保持严密并自我纠错，它才第一次具备了参与”假设生成”这种高阶科研活动的资格。
图：数学推理是检验 AI 长程思维能力的试金石（图片来源：Unsplash）
二、Co-Scientist：让 AI 提出能被实验检验的假设
真正把”AI 合作者”推到台前的，是 Google DeepMind 的工作。2026 年 5 月，DeepMind 在《Nature》上发表论文（Nature 655, 487–496），正式介绍了多智能体系统 Co-Scientist：它以 Gemini 为基座，针对研究者给出的科学目标与既有证据，迭代式地”生成—辩论—进化”科学假设，并保证所提假设”可证明是新颖的”。
这个系统有几个值得展开的设计：
- 多角色分工：生成、反思、排序、进化等智能体各司其职，模拟科研小组内部的评审与争论；
- 锦标赛式排序：候选假设之间两两对抗、Elo 排名，让”足够新颖且可检验”成为筛选标准；
- 与证据对齐：假设必须锚定已有文献与实验数据，而不是自由发挥的”幻觉”。
效果如何？Google Research 在后续博客中给出了一组硬核验证：在药物重定位与基因治疗载体的任务中，Co-Scientist 提出的假设通过了湿实验检验；其中一个关于 CFTR 基因插入位点的假设，系统只用约两天时间，就”重新发现”了研究团队花了十年才得到的实验结论。
不止 Google。2026 年 9 月，查尔姆斯理工大学（Chalmers）团队在《Journal of the Royal Society Interface》发表研究（DOI: 10.1098/rsif.2026.0043），让具备科学知识的 Agentic AI 在系统生物学中自主生成假设，并通过实验室闭环验证，产出了此前未知的新发现。”AI 提假设、实验室出结果”这件事，第一次有了经同行评审的完整案例。
图：Co-Scientist 的背后，是一整套多智能体协作的工程实现（图片来源：Unsplash）
三、蛋白质之后：AI 的”发现链条”正在变长
如果盘点过去五年 AI for Science 的代表成果，AlphaFold 无疑是那个分水岭。DeepMind 在《AlphaFold: Five Years of Impact》中回顾了这条轨迹：从 2 亿多个蛋白质结构被预测并开放共享，到 AlphaFold 3 实现蛋白质、DNA、RNA 与小分子的联合结构预测；从评估致病突变的 AlphaMissense、AlphaGenome，到能从头设计蛋白质结合体的 AlphaProteo——AI 在生命科学里的”发现链条”越拉越长。
产业侧的量化数据也在积累。有 2026 年的综述对 AI 驱动的药物研发管线做了估算，把几个关键数字放在一张表里看：
| 环节 | 传统方式 | AI 参与后的估算变化 |
|---|---|---|
| 先导化合物发现周期 | 数月到数年 | 时间缩减约 85%–90% |
| 研发成本 | 高昂且高度不确定 | 成本节省约 60% |
| 临床前候选成功率 | 约 13% | 估算提升至 20%–30% |
当然，冷静的声音同样重要。《Drug Discovery News》2026 年 7 月的一篇分析给出的判断是：AlphaFold 对结构生物学和”早期靶点获取”是变革性的，但在原子级结合位点精度决定成败的环节，它的作用仍然有限——预测结构好不好用，取决于具体靶点和具体问题。把 AI 的贡献讲准，比把它讲大更有价值。
图：结构预测再准，候选分子仍要过化学实验这一关（图片来源：Unsplash）
四、自动驾驶实验室：当假设生成连上机械臂
假设的生成速度上来了，验证怎么办？答案是让实验本身也自动化。”自动驾驶实验室”（Self-driving Lab）正在成为 AI for Science 的下一站：AI 负责提出假设与设计实验，机器人平台负责执行，结果回流后再驱动下一轮迭代——DeepMind 在 Co-Scientist 论文的结语中也明确把这个闭环视为方向。
规模上的测算相当惊人：有研究估计，借助自动化与 AI 调度，微生物实验一年可完成的数量可达百万级；另有工作给自主驾驶实验室配上”AI 顾问”，让人类研究者与系统分享控制权，而不是简单的全自动。
这意味着科研的分工结构会变：人往上走——提出真正重要的问题、判断什么值得做、为结果负责；系统往下走——穷举、试错、优化参数这些体力活。发现的速度不再受限于实验员的工时，而受限于”好假设的供给率”。
图：自动化实验平台把研究者从重复操作中解放出来（图片来源：Unsplash）
五、研究者怎么看：1746 份问卷给出的答案
技术叙事很热闹，但科研一线的人怎么想？复旦大学与《Nature》合作发布的《AI for Science 2026》调研（NRI 调查，1746 名受访研究者）提供了一手数据：
| 对 AI 工具（文献发现类）的态度 | 占比 |
|---|---|
| 非常满意 | 15.4% |
| 满意 | 49.8% |
| 中立 | 29.5% |
| 不满意/非常不满意 | 5.3% |
约三分之二的正面评价，说明”用得上的”已经是多数人的共识；但仍有近三成保持中立，提醒我们 AI 工具的可靠性与可解释性还有明显的改善空间。这份调研还有一个结论很关键：AI 被视为增强研究者能力，而非取代研究者——满意度的首要来源是”通用正向体验”与”文献/引用支持”，而不是”替我做研究”。
图：人机协作的本质，仍然是人与人、人与系统之间的对话（图片来源：Unsplash）
六、冷思考：当生成快于验证
热情之外，至少有四个问题需要在 2026 年正视：
- 验证瓶颈。当 AI 一天能提出成百上千个假设，而湿实验仍以周为单位推进，整个科学体系的吞吐量将被”验证侧”卡住。闭环实验室是解药，但普及需要时间与经费。
- 可复现性与幻觉。假设可以生成，但新颖性声明、文献引用、实验方案的每一环都必须可核查。审稿与同行评议体系如何适应”AI 参与产出”的现实，还没有定论。
- 署名与责任。AI 能不能作为作者？出了错谁负责？目前主流期刊的态度仍要求人类作者对全部内容负责，这条底线短期内不会松动。
- 治理与公平。2026 年 10 月，17 个国家联合发布了政府科研中应用 AI 的优先事项，算力、数据与模型获取的”科研鸿沟”正在成为国际议程。AI for Science 的红利如何普惠，而不仅属于少数几个大实验室，是比技术更难的问题。
结语
从 AlphaFold 把蛋白质折叠变成”可查询的数据库”，到 Co-Scientist 把”提出假设”变成可迭代的工程流程，AI 在科学里的角色已经从显微镜变成了合作者。但正如前文那些冷静的分析所示：结构预测不等于药物成功，假设生成不等于科学发现——验证、判断与责任，仍然是人的工作。
用 Demis Hassabis 在《Dædalus》访谈中的说法，AI 正在成为”科学的终极工具”（AI as the Ultimate Tool for Science）。工具越强大，使用工具的人的品味、怀疑精神与诚实，就越重要。
科学发现的原动力，从来不是更快地生成答案，而是提出更好的问题。
参考资料
- OpenAI, AI as a Scientific Collaborator, 2026-01
- Gottweis, J., Weng, W.H., Daryin, A. et al. Accelerating scientific discovery with Co-Scientist. Nature 655, 487–496 (2026)
- Google Research Blog, Accelerating scientific breakthroughs with an AI co-scientist, 2026-09
- Brunnsåker, D. et al. Agentic AI integrated with scientific knowledge: laboratory validation in systems biology. J. R. Soc. Interface (2026). DOI: 10.1098/rsif.2026.0043
- Google DeepMind, AlphaFold: Five Years of Impact
- Drug Discovery News, AlphaFold in drug discovery: What protein structure prediction has (and hasn’t) changed, 2026-07
- 复旦大学 × Nature, AI for Science 2026（NRI 研究者调研，n=1746）
- American Academy of Arts & Sciences, Dædalus: AI & Science — What Is the Future of Discovery?, 2026
- Artificial Intelligence News, 17 countries set out AI priorities for government science research, 2026-10