对话前DeepMind曹原：AI for Science爆发，一个新时代到来了

Summary

硅谷101專訪前 Google DeepMind 資深研究科學家曹原，從多位資深研究員帶隊出走成立新公司談起，系統梳理 AI for Science、AI for AI、遞歸式自我改進三個核心概念的差異，並深入探討 AI 在科學發現流程（問題定義、表徵、預測建模、實驗、驗證）中各環節的能力邊界，以及 OpenAI、Anthropic、Google 三大公司在 AI for Science 上的不同布局與優先級拉扯。

Key points

• 三個核心概念釐清：AI for Science 與 AI for AI 是把 AI 模型當研究員去研究科學問題或 AI 自身問題；遞歸式自我改進是一種方法，指系統不斷自我迭代提出並驗證新提議
• AI for Science 在此刻爆發的關鍵是代碼與數學能力率先成熟，讓 agent 具備推理、寫代碼、自我更新、記憶管理的完整能力，才能承接更複雜的科學問題
• 驗證被受訪者點名為 AI for Science 最重要的瓶頸：如果能一分鐘完成一次物理實驗驗證，就能無限生成數據快速迭代；但大部分科學問題無法快速物理驗證，成本與複雜度是最大障礙
• 生物制藥、藥物開發是最具吸引力的 AI for Science 賽道，因市場規模大、流程標準化、數據豐富且開發周期長成本高；材料科學市場雖大但應用場景過於碎片化，難以標準化捕捉價值
• 三大公司布局不同：Google 布局最早最廣；OpenAI 把 AI for Science 併入編程工具、押注通用模型並設定積極的自動科學家目標；Anthropic 相對後發，發布科學研究平台並挖角知名蛋白質結構預測學者加強生物醫藥布局，但三家目前優先級都仍是編程與商業化
• 受訪者認為概念抽象化（從具體觀測歸納出全新數學或物理概念）可能是通用人工智能最後一哩路，甚至未必屬於可計算範疇；他預測 AI 若要達到諾貝爾獎級別的原創科學發現，至少需要二三十年

Quotes