一棵松树，被AI救回的14天

本文作者：董董

版式设计：姜姜

1982年，南京紫金山。一棵松树毫无征兆地枯死了。

没人知道凶手是谁。直到多年后，科学家才在它的木质部里找到真凶——一种肉眼不可见的线虫，体长仅1毫米，却能在40年间横扫中国南方数千万亩松林，至今无药可治。它被称作“松树癌症”。

2026年8月12日，南京溧水林场。

一架无人机掠过松林，多光谱影像实时回传。一棵外观翠绿、肉眼完全看不出任何异常的松树，被AI自动标注：已感染松材线虫病，正处于14天无传染性的“救治窗口期”。从1982到2026，整整44年。一棵树的命运，被AI改写了。

这14天，是一个时代的隐喻。

1

AI4S的“狂热”与“困境”

全球AI4S市场规模2025年达45.38亿美元，预计2032年增至262.3亿美元。

在WAIC的聚光灯下，英伟达已将AI4S列为与大语言模型、具身智能并列的三大AI关键方向之一。OpenAI CEO山姆·奥特曼2026年2月在斯坦福放话：“如果你现在是大二，毕业时世界上就会有AGI。”DeepMind创始人哈萨比斯的措辞更狂：未来10到15年，人类将进入“新文艺复兴”。在哈萨比斯看来，AI for Science才是他真正的野心——让AI不仅模仿人类认知，更成为拓展知识边界的“望远镜”。

但烈火烹油之下，是割裂的现实。

一面是资本的热情：2025年底，英矽智能港交所上市，IPO募资22.77亿港元，公开发售超购1427倍。另一面是巨头的撤退：曾代表Google DeepMind明星项目的AlphaFold，核心团队已经解散；Meta也在2023年解散了蛋白质折叠团队。更残酷的质疑来自BCG的一份报告：全球AI制药600亿美元投入，至今仍是零获批。

“三年过去了，蛋白质结构预测更快更便宜了，但我找不到任何一个因为AlphaFold而成功的临床案例。”

这并非否定AI在生命科学中的价值，而是揭示了一个被长期回避的问题：AI在物理世界验证假设的能力，远远跟不上它在数字世界生成假设的速度。瓶颈已从“算力”转移到“实验通量”，从“单一研究”转移到“全套科研系统”，从“数字世界”转移到“物理世界”。

上海人工智能实验室主任周伯文给出过一个思想实验：把AI系统“送回”1905年—那一年爱因斯坦刚提出狭义相对论—仅基于此前的科学论文和观测结果，它能否自主推导出广义相对论？这个实验像一把手术刀，精准剖开了AI4S的核心困境：AI擅长在已知框架内优化，却不擅长在未知疆域里开天辟地。

显微镜下的松材线虫病

松材线虫病的科研困境，几乎是这个行业难题的缩影。

南京林业大学团队构建了107个候选特征的“特征池”。传统路径是依靠林业经验逐项筛选，耗时长，且容易被既有认知局限。即便筛选出有效组合，换一个林场、换一个季节，背景干扰又会变化。

这个“定义问题—提出假设—逐个试错—验证结论”的流程，暴露了AI4S落地的三座大山：问题本身未被定义；可能性试不完；结论必须经得起检验——AI黑箱的模糊判断难以作为有效结论。

美国USC Viterbi工程学院院长Yortsos，在谈到“AI会不会让学习变容易”时，搬出了一个化学动力学的比喻：AI是催化剂，催化剂降低的是活化能，但学习本身是吸热反应，该投入的总能量一点没少。一句话就把“AI让上手更容易”和“AI替你省掉了思考”这两件事切得干干净净。

谁能在AI4S上率先跑通，谁就能点燃下一代科技爆发的源头创新之火。但这条路倒下的人，远比站着的人多。

2

造桥”而非“铺路”

一个流传渐广的比喻描述了中美AI4S路径的差异：美国在“铺路”，先修基础设施，再赌明星车型，一旦跑通就是划时代成果，代价是只有少数车能跑在路上。而以百度伐谋为代表的中国路径，则是“造桥”——问题在哪里，桥架在哪里，不赌单点突破外溢成通用能力，而是在真实场景中长成能力。

百度伐谋的解法是：科研人员负责提出问题、确定标准、划清边界，AI在固定评价器下持续生成、测试、比较方案。

用百度集团执行副总裁、百度智能云事业群总裁沈抖的话说：“对于已经定义清楚的问题，AI可以帮助人们更快验证和找到更优解；对于尚未完全定义清楚的问题，AI则可以帮助科研人员提出新假设、发现新路径。”

伐谋没有改变模型的原有结构，而是为研究人员在正式实验前争取到一次高效初筛——正是这种能力，让那棵在14天窗口期内被标记的松树成为可能。

南京林业大学教授林海峰的评价是：“伐谋帮助我们从高度依赖人工经验的筛选组合和逐一试错，走向了一个可追溯、可干预，甚至可复用的搜索过程。”

百度伐谋发布的十大跨学科标杆成果正是这一逻辑的佐证：松材线虫病识别、电磁材料性能预测、抑郁症fMRI判别——属于“数据驱动的机理预测”；汽车风阻仿真加速、氢能电力系统调度——属于“科学仿真的加速求解”；光电芯片工艺寻优、数学证明智能体——属于“可验证环境的目标搜索”；多智能体对抗策略——属于“动态环境的自主博弈”。

同一套底座、同一个逻辑，横跨八个学科领域。在光电芯片领域，百度伐谋对6个几何变量和3项性能指标进行120轮自动搜索，均匀度改善约55%；在量化金融领域，经过28天长程搜索，策略达到顶尖量化机构水平。这套逻辑在产业端同样成立——自发布以来，已有超过3000家企业试用伐谋。

百度伐谋的“1+10+N”战略正是这一飞轮的具象化：“1”是自演化智能体底座；“10”是十大跨学科标杆成果；“N”是面向100位学者的AI4S科学家计划。

爱因斯坦有一句话：“Everything should be made as simple as possible，but not any simpler。”所有事情都应该解释得尽可能简单，但不能更简单——再简单就解释不了现象了。伐谋做的事，某种程度上就是在这条线上反复试探：把复杂问题拆解到AI能处理的边界，但绝不越过那条“不能再简单”的线。

中国科学院上海有机化学研究所马大为院士，有过一个提醒：不要太迷信人工智能在科学研究上的作用，“人的跳跃性思维不是靠人工智能的逻辑推导能够实现的”。这恰恰点出了人类与AI在科研中的角色分野——人类负责跳跃，AI负责落地。

3

飞轮能转多快？

当然，“造桥”路径也有其待解的命题。

效率虽高，能否产生底层原理层面的突破？在产业端快速验证的同时，基础科学的核心突破——新的物理定律、新的数学结构——能否大量涌现？这需要时间检验。

一种声音是，真正决定科研突破的，依然是提出关键问题、判断研究方向和持续迭代验证的能力。AI真正的价值，在于将顶尖科学家的认知与经验“无限放大”。

更深层的命题在于：当AI4S从“效率优化”走向“源头创新”，人类与AI在科研中的边界在哪里？

图灵奖得主吉姆·格雷曾将科学研究的演进划分为四种范式：经验科学、理论科学、计算机科学和数据密集型科学。

如今，以AI for Science为代表的“第五范式”正在形成。但范式的转移从来不是线性的：它需要有人在山林里、在工厂中、在实验室的日日夜夜里，把AI从论文拽进现实。

伐谋的实践给出了一种回答：人类负责提出问题、定义标准、划清边界，AI负责在边界内持续搜索、优化、验证。这不是AI替代科学家，而是让科学家从重复试错中抽身，去思考更具创造性的问题。

回到南京溧水林场。那棵被AI在无传染期标记出的松树，是这条“造桥”路径最生动的注脚。AI4S不是实验室里的概念，而是走进山林、服务生态的真实力量。当行业还在争论AI能否做出诺奖级发现时，中国的AI已经在山间林地里，替一棵松树抢回了14天。

这14天，或许就是中国AI4S“造桥”逻辑最坚实的基石。