AI让科研变成“科学自动机”，副作用是什么？

张峥教授

撰文｜张峥 （香港大学教授、港沪创研院首席科学家）

上一篇说到了“AI开权与闭源：差距、困境与机会”，中国开权模型在AI4SE这一档已经追平头部闭源，AI4B还差一截。这一篇讲另一个热点：AI4S（AI forScience）。

几年前，我在线上参加过一个讨论AI4S的小会。我记得我偏保守，觉得大概率是一个有趣的小浪花，还试着从第一性原理去论证这一点，用了一个逻辑严密但现在完全想不起来的论证骨架。

显然，我错得离谱。

01 科学自动机

我以为的"小浪花"滚成了大浪，这两年更是明显在加速：按今年3月的《AI for Science创新图谱》，近五年全球相关论文翻了一倍多，材料、量子科技、航空航天这几个方向年均增速超过30%。前几年的数据是，中国的发表量全球第一，篇均被引不如美国。政府动作也密集，中美欧英日这两年陆续出了国家级部署。

国内的投入主要走专项和课题，国外的钱则压在自主实验室这类公司上。Periodic Labs去年九月拿了3亿美元种子轮，做的是AI提假设、机器人跑合成，目标是找高温超导材料。Lila Sciences累计融了5.5亿美元，生命科学、化学、材料都做，把自动化实验室开放成平台给别人用。

生成这一头的动静最大。今年2月，上海日行迹（Analemma）的FARS系统开始全球直播，第一轮连续跑了228小时，出了100篇AI领域的短论文。然后，他们借助斯坦福的审稿系统Agentic Reviewer，按深度学习顶会ICLR的标准来打分，FARS生成的论文平均分是5.05——而ICLR 2026人类投稿的均值是4.21，最终录用的均值是5.39。后来又跑了17天，166篇，平均两小时一篇，单篇成本一千多美元。

但分数打完就完了，不会回过头去改进下一轮。这是一条流水线加一道质检。

十个数学问题的进展。图源：OpenAI

难的是质检那一头。8月1日OpenAI公布的那十个数学问题，每个结果都配了Lean 4的机器可核验证书；Google上周发的Science One Framework，讲的是给推理的每一步挂上证据链；上海AI实验室的书生·端砚在蛋白质和材料上做干湿闭环，专门加了独立的评审智能体去查引用、核输出。做法不同，要解决的是同一件事：怎么让机器自己判断一个结果站不站得住。

如果这一头也接了回去，合格的灌进论文池，下一轮从上一轮起步，这就成了一台科学自动机。

不同的领域也不一样。计算机和数学这类领域会率先闭合，验证在机器里就能完成，不用等湿实验。而其他领域，要闭的是物理世界，得用上机器人。

按上一篇文章的逻辑，闭环一旦转起来，生产力会上一个台阶。那么，靠这样的科学自动机，我们能不能在AI4S上走在前面？

我认为这是一条滑向局部最优的路，而且会有两个陷阱。

02 第一个陷阱：能力陷阱

这样的自动机真转起来，碳基科学家还剩下什么？通常的答案是：品味和判断（taste and judgement）。

这两个听上去很虚头巴脑的东西，对每一个成熟的科学家来说，都是真实存在的能力。哪个方向值得做，哪个结果不对劲、说不上来哪里不对但就是不对，这些判断每天都要用。没有谁讲得清它们究竟是什么，不存在一部葵花宝典，我们只知道，不亲身被科研过程毒打很多年，它们长不出来。

跳开这种毒打，走捷径，品味和判断力都无法养成。港大一位同事跟我说起他的博士生的工作，用了一个数学上很漂亮的方法，跑完性能没有一点提高。他问为什么，学生说不知道，那方法是某个AI建议的。

写作是最容易被跳开的那一环。Writing is half of research，这是我导师经常挂在嘴边的话，我当时以为说的是把文章写漂亮，心中还有些不齿，后来才知道完全不是这么回事。我们做系统研究，得搭原型、跑实验，最后写成文章，一篇下来九个月左右，在各个领域里算出慢活儿的。麻烦的是在写的时候，我们常常发现还有更干净的设计，偏差小还能救，偏差大的时候，前面辛辛苦苦写完的代码和跑完的实验就得推倒重来。

那个更干净的设计，不动笔是不会出现的。

而在自动机成型的过程中，这些环节会最先被交出去。今天已经没有人会为了锻炼判断力而拒绝让AI写初稿——效率差摆在那里，你不用，别人用；机构考核的是产出，不是能力的养成。所以这个退场很可能是不可逆的。

前面说的FARS，我问过一位上海交大熟识的教授怎么看那批文章的质量。他说如果拿交大博士生的平均水平来比，六篇排个序，这些"机器造"能排到下面那三篇。

我当时的反应是：如果没有弱三篇，哪来强三篇？

有人会说，主编不写稿，判断力照样好。但主编是当过记者的，他的判断是存量。问题在下一代：如果他们一进场就自愿退出这些环节，没有经过毒打，将来的品味从哪里来，判断力从哪里来？

这就好比让一个滴酒不沾的人去做品酒师，让一个从来不听音乐的人去做乐评人。

03 第二个陷阱：天花板陷阱

如果大家对对抗式图片生成，也就是第一波DeepFake的图像背后的技术还有印象的话，应该记得那套东西的原理很简单：一个网络负责造假图，另一个网络负责分辨真假，两边对着练，直到分辨的那个认不出来。

科学自动机在大框架上和对抗学习很类似。撇开细节不提，那么这样的对抗总会在哪一天收敛，成为一个成熟的流水线，源源不断地流出新的科学成果。

会流出什么样的成果呢？

科学自动机能出什么，取决于它能搜的范围，而这个范围从一开始就锁定在已有的语料里：哪些数据、哪些方法、哪些指标。这个范围可能极大，混搭出来的组合数远超一个人类科学家能穷尽的量。

这样的工作，在某些领域会特别有用。材料筛选、老药新用、天气预报，本质都是在已知空间里做组合搜索，换来的是吞吐量的大幅提高。各家自己公布的数字都在这个量级上：抗菌物质挖掘的成功率是人类专家的几十倍，芯片设计效率提升五到十倍、周期缩短一半，气象模型比传统数值方法快上千倍。

有没有发现一条原来不知道的规律？据我所知，还没有。这样的自动流水线产生的成果，是把窟窿很多的地板暴力填平。

我们把眼光先收回到上一篇的AI4SE。对这一两年AI编程能力有了解的读者一定知道，除了大量自动生成的编程语料之外，最要紧的是引入了skill、workflow、harness这几样东西。

封装、复用、把复杂的活拆成固定步骤，是软件工程的基础概念，语料里比比皆是，大模型讲起来头头是道。可模型自己动不动就产出"屎山屎海"，真去改这个毛病的，还是人类工程师。

实话说，如果AI自己回头一看，说这几样该用到我自己身上，而且还用上了，那我觉得ASI真的快到了。

那么，大模型那么强，能不能突破这个瓶颈呢？答案是，目前还不能。根本原因在于大模型是一个超级模式补全器，能力再强，也走不出已知语料泛化所能到达的边界（这一点我在Comprehension Without Competence一文里有详细的实验和分析，TMLR 2025）。

但科学史上那些重大的突破，几乎都是在已有的概念之外发生的。负数、复数、非欧几何，当年都不在任何人的语料里。把落地的苹果和绕地的月亮看成同一回事，也是这样一步。

抬高天花板，靠的是一个可被泛化的新概念、新结构。

反过来设想一下。如果整数之外我们全部用分数表达，用祖冲之割圆术那套方法算到小数点后七位，做个杯子、桌子和车轮已经足够圆，并不需要一个理想的圆。

在已有的语料空间里搜索，只会产生"够好就可以了"的成果。科学自动机可以快速填满地板，但抬不高天花板。

8月1日OpenAI那批数学结果是个显著的进步：难度比之前高出一截，十个问题都开放了至少十年。路子跟陶哲轩和Thomas Bloom的erdosproblems.com是同一条——那个网站把Erdős提过的近一千个问题整理成数据库，一群人在上面用AI一道道推。

但这仍然是在填地板。这些问题都是人提的，等在那儿几十年，等的是答案，不是问题。

"够好还不够""没用也要搞"，加上抽象癖，是顶尖科学家区别于其他人的地方。这样的人是时代的异类。

如果把每个人的贡献看作文明前进的一个梯度，这些人贡献的是相当不平滑的毛刺——放在训练里，正是大模型为了不跑飞而千方百计要压掉的那种。

AlphaFold是抬高天花板的样子：几十年里大家都在算一个物理问题，DeepMind把它换成学一个预测问题。数据是几十年公共投入攒下来的，换掉的是看这个问题的角度。这关键的一步，不在任何现存的搜索空间里。

04 总结

和AI4SE不同，AI4S的闭环如果照目前这种"科学自动机"的形式发展下去，固然在某些领域会带来实际的成果，但泛化开来有两个不小的副作用。

能力陷阱是指人在链条里的位置往后退，保留下来的品味和判断只能在科研过程里被毒打很多年才长得出来。这一代人的判断是存量，问题在下一代：一进场就自愿退出这些环节，品味和判断从哪里来？

天花板陷阱是指它能搜的范围从一开始就锁定在已有的语料里。地板可以被暴力填平，换来的是吞吐量。而抬高天花板要的是新结构，新结构常常在语料之外。

填地板本身没有错，只是科学上大的进步要靠抬天花板。只靠暴力铺满地板，甚至会丧失抬天花板的能力。

抬高天花板有很多条路，在AI时代，哪一条都要求碳基科学家调整策略，而不是懒惰退场。

下一篇我们聊聊AI时代的教育。