摘要：蛋白质结构与设计：DeepMind开发的AlphaFold使蛋白质结构预测实现飞跃，在2022年一次性公布了超过2亿种蛋白质的三维结构预测。这些数据已被广泛用于生物医学研究，加速了新药靶点发现和蛋白功能解析。此外，生成式AI在蛋白质设计上取得突破。Salesf
说明：这篇是万维钢利用OpenAI Deep Search做的调研报告，一起感受一下最新的AI技术的进展。
近年来，人工智能（AI）在生命科学、物理学、天文学、化学等诸多领域推动了科研创新。以下从六个方面对过去一两年的重要进展进行分析。
生命科学：
蛋白质结构与设计：DeepMind开发的AlphaFold使蛋白质结构预测实现飞跃，在2022年一次性公布了超过2亿种蛋白质的三维结构预测。这些数据已被广泛用于生物医学研究，加速了新药靶点发现和蛋白功能解析。此外，生成式AI在蛋白质设计上取得突破。Salesforce研究团队开发的ProGen模型从零设计出全新酶蛋白序列，部分人工合成的酶活性媲美天然酶。这表明AI有望超越传统定向进化，快速创造新蛋白质，用于治疗疾病或降解塑料等应用。新药发现与药物研发：AI正在革新药物发现流程。MIT等机构利用机器学习筛选发现了一种新抗生素“Abaucin”，可有效杀灭被称为“超级细菌”的鲍曼不动杆菌，并在小鼠感染模型中验证了疗效。这展示了AI在发现对抗耐药菌新药上的潜力。同样地，Insilico Medicine公司使用生成式AI设计了治疗肺部纤维化的新药分子ISM001-055，在2023年的一期和IIa期临床试验中表现出提高肺功能的疗效。这是全球首批由AI设计并进入人体临床试验的药物之一，标志着AI药物研发从概念验证走向实际应用。基因编辑优化：AI帮助提高CRISPR基因编辑的效率和精度。例如，深度学习模型（如DeepCRISPR、CRISPR-Net等）可根据基因组序列预测最优的向导RNA序列，同时评估脱靶风险。这使研究者能够更精准地编辑基因、降低副作用。虽然这方面目前是支持性改进，但为未来基因治疗奠定了更稳固的技术基础。物理学：
材料科学： AI在材料发现方面取得了令人生畏的突破。2023年，DeepMind推出“材料探索图网络”（GNoME）模型，一举预测了220万种全新的无机晶体结构，其中约38万种被预测为热力学稳定，可用于未来技术。这些候选材料包含潜在的新型超导体、下一代电池材料等，引领材料库规模扩大了近800年的累积进展。更重要的是，AI与自动化实验相结合大幅加速了新材料验证。美国伯克利实验室的自主材料研究平台A-Lab在AI指导下，用17天自主合成并鉴定了41种以前从未制备过的材料（尝试58种，成功率达71%）。传统人工方法往往需要数月才能做出一种新材料，而AI机器人实验室实现了一天合成两种的效率，极大缩短了材料研发周期。量子计算： 尽管量子计算硬件仍在探索阶段，AI已开始助力其中。例如，研究者使用深度强化学习算法来自动调控量子比特和等离子体设备，提高量子系统稳定性和可控性（如DeepMind利用AI成功控制核聚变实验中的等离子形状）。此外，机器学习还用于优化量子误差校正代码和量子算法设计。不过这些进展目前属于技术改进，还未出现像AlphaFold那样的里程碑式成果，但为未来量子计算的突破打下基础。天文学：
天体物理与观测： AI极大提升了从海量天文数据中发现新现象的能力。2023年，佐治亚大学的研究团队利用机器学习分析原恒星盘数据，首次发现了一颗此前被漏检的系外行星。该AI模型在旧数据中定位出盘中气体速度异常之处，提示可能存在行星并经模拟验证，证明机器学习能够发现传统方法遗漏的行星信号。这是AI直接促成天文学发现的成功案例。此外，2023年8月报道首次有AI算法在阿塔拉天文调查数据中发现了一颗约600英尺宽的“潜在威胁”小行星——这是人类第一次由AI发现对地小行星，展示了AI在近地天体监测中的价值。数据处理与成像： 面对现代天文观测庞大的数据量，AI成为不可或缺的工具。例如，射电望远镜阵列捕获的首张黑洞照片（M87*）在2019年发布后，研究者于2023年应用机器学习算法对原始数据进行“去模糊”处理，生成了更清晰的黑洞吸积盘图像。AI训练自大量模拟图像，将最初模糊的环形结构提升到更高分辨率，让科学家能够更好地分析黑洞特性。在光学天文中，AI也被用来校正地基望远镜图像中的大气扰动，从而接近于太空望远镜的清晰度。总的来说，无论是自动分类银河系形态、搜索引力透镜，还是加速引力波信号识别，AI都在帮助天文学家以更快速度处理数据并发现宇宙中的“针尖”。化学科学：
催化剂设计： AI显著加速了催化剂的研发。多伦多大学的团队开发AI模型筛选了36,000多种金属氧化物组合，几天内就锁定出一种用于电解水制氢的理想合金催化剂。实验证明，该AI推荐的氧化钌-铬-钛合金比原有催化材料稳定性高20倍。这一成果相当于为研究者节省了数年的反复试验时间。同样，瑞士苏黎世联邦理工的研究者搭建了AI驱动的自动化机器人实验室，在不到6周内合成并测试了约150种用于将二氧化碳转化为甲醇的催化剂组合。其中表现最优的催化剂具有成本低、副产物少等优点——而传统人工方法可能需要数年才找到类似配方。AI加速化学实验的能力正改变催化剂设计和绿色化学品合成的范式。合成与药物化学： 在有机合成方面，AI工具（如斯坦福大学的合成规划AI、IBM的RoboRXN等）可以根据目标分子自动设计合成路线。虽然这方面尚未出现轰动性单一突破，但在诸多制药公司的实践中已证明可行，能显著减少化学家设计合成方案的时间。一些AI生成的新分子（包括药物先导化合物）已经在实验室合成并展现出活性，为药物化学带来全新分子创意来源。其他交叉学科：
气象与气候科学： AI在气象预测中的突破令人瞩目。DeepMind团队发布的GraphCast模型可在不到1分钟内完成10天全球天气的预测，其准确度超越当前数值天气预报的黄金标准（欧洲中期预报中心ECMWF的高分辨率模型）。GraphCast在飓风路径、极端降雨等预警上比传统方法更早、更准，有望为防灾减灾争取更多准备时间。这一成果标志着AI对复杂物理系统（如大气动力学）建模能力的飞跃。未来，将AI用于气候模式模拟、碳排放监测等，也被寄予厚望。数学与其他领域： 在纯科学领域，AI同样有建树。DeepMind的AlphaTensor（2022年）在矩阵乘法算法上取得突破，找到了优于人类发明的新算法。这意味着在数学和计算机科学基础研究上，AI也能提出创新解法。虽然这不属于传统“科学实验”范畴，但体现了AI作为通用发现工具的强大潜力。此外，一些研究团队正尝试用机器学习辅助证明数学定理、优化工程设计等，AI正逐步渗透到各学科的知识发现过程中。生命科学与医药： 当前生命科学的一些分支正处于突破前夜。基因编辑方面，CRISPR基因疗法管线快速推进。Top scientific discoveries and breakthroughs for 2025 | CAS指出，2023年美国FDA已批准了首个CRISPR基因编辑疗法（用于镰刀型贫血等遗传病），而多种针对不同疾病的CRISPR疗法正处于临床试验阶段。同时更精巧的新一代编辑技术（碱基编辑、原位编辑等）飞速发展，有望在肿瘤、遗传病、病毒感染等领域实现治愈性疗法。随着AI协助优化gRNA设计和脱靶评估，基因编辑疗法的安全性和效率将进一步提升，预计未来一两年内会出现更多里程碑（如首个基因编辑疗法的大规模应用）。AI新药发现方面，第一个AI设计的新药已经进入II期临床，如果进展顺利，将成为AI制药的重要里程碑。这将验证AI在小分子药物上的设计能力，吸引更多资源投入。可以预见，不久的将来会有更多AI发现的候选药物进入人体试验，甚至获得监管批准，用于癌症、自身免疫等领域尚未满足的医疗需求。
物理学与工程： 在材料和能源领域，新突破呼之欲出。材料科学中，AI已经提供了大批有前景的新材料候选，例如许多具有高稳定性的晶体材料库已建立。接下来关键是在实验上验证其中最具价值的材料。由于自动合成平台的成熟，这一进程将大大提速。业内预计近期可能会发现性能显著优于现有材料的案例，例如更高容量的电池电极材料、更高效率的光伏材料，甚至有望找到接近室温的超导体（如果AI预测的材料中有此类特性，将是划时代的发现）。在量子计算方面，虽然目前尚无决定性突破，但研究趋势显示一些重要节点即将到来。量子比特的纠错和稳定性提升是行业焦点，AI算法正在辅助优化控制参数和纠错码。本领域专家预计，在未来几年内可能实现第一个纠错后的稳定量子比特或小型纠错量子处理器。如果成功，量子计算将从实验性质走向实用化的重要一步。此外，AI设计新的量子算法或量子化学模拟方案，有望带来“量子优势”在特定问题上的首次体现。
天文学与空间探索： 天文领域的一系列突破正蓄势待发。一方面，新一代望远镜（如即将运行的Vera C. Rubin天文台）每年将产生数十PB级的数据。如此海量的数据只有借助AI才能实时处理分析。可以预见天文学发现的爆发：AI将自动捕捉到成千上万的新天体，例如此前难以人工实时监测的超新星爆发、近地小行星和彗星、变化星等都会被AI及时发现并提醒天文学家跟进观测。尤其是在系外行星和地外生命搜寻上，AI有望发挥更大作用。例如，欧洲的开普勒和雅典娜等计划正在借助机器学习筛查海量光变曲线，以发现微弱的行星凌日信号和潜在生命迹象。许多专家预测，下一个**“地球2.0”或者首个疑似生命信号**的发现，AI都将功不可没。另外，在深空探测中，AI将赋能航天器更自主地导航和决策。例如火星车已经开始使用AI选择岩石样本，未来月球、木星卫星探测都计划让着陆器/轨道器搭载AI，实现更智能的探测，这将提高任务成功率并可能带来意想不到的新发现。
化学与能源： 交叉于化学、材料和能源的领域也接近重要突破节点。例如清洁能源催化方面，AI辅助设计的新型电催化剂正推动氢能源经济。上文提到的高性能水裂解制氢催化剂已在实验室诞生。接下来如果能在工业条件验证其成本效益，将直接促进绿色制氢的大规模应用。同样，CO₂转化燃料的催化剂在AI和机器人帮助下快速迭代，预计不久会有在温和条件、高选择性将CO₂高效转化为乙醇、烯烃等化学品的催化体系出现。这将是应对气候变化的突破性技术。自动化合成化学也处于突破前夜：随着硬件机器人和AI计划相结合，完全无人干预、自主进行有机合成与优化的“自驱实验室”已经初见雏形（如加拿大和瑞士的试验平台）。一旦这些系统稳定运行，化学家将能在短时间内获得优化的合成路线和产率，大幅提升新分子开发速度。这种范式转变预计会首先在制药和材料公司中实现，从而带来新药、新材料开发周期的显著缩短。
其他前沿交叉： 在气候与环境科学领域，AI驱动的高级模拟可能带来突破。例如气候模型中引入机器学习加速辐射通量计算、云过程模拟等，已经显示出比传统方法快几个数量级的潜力。如果应用于气候预测，将允许科学家更快地尝试不同排放情景，对极端事件做出更精准的长期预测。在神经科学方面，AI辅助脑科学研究有巨大潜力，近期一些突破迹象显现：2023年，多篇研究表明大型语言模型和图像生成模型可以结合脑成像数据“读出”大脑活动，例如根据fMRI重构受试者所看到的图像。这提示未来AI或许能帮助揭示大脑编码的奥秘。虽然目前离真正解码思维还有距离，但相关研究正快速推进，有可能在不久将来取得重大突破。
基因编辑与合成生物学： 尽管AI已经在基因编辑设计上有所帮助，但该领域尚未出现由AI直接带来的“质变”式突破。CRISPR技术本身的发明来自人类智慧，而AI目前主要用来优化参数和提高成功率。合成生物学方面，AI可以设计基因线路或代谢通路，但受限于生物系统复杂性，尚未诞生因AI设计而成功改造出革命性生物功能的案例。这一领域潜力巨大——比如AI或可设计出全新人造有机体、合成代谢生产复杂药物分子等——但目前仍停留在探索阶段，缺乏标志性成果。主要原因在于生物体系高度复杂且存在不可预知性，AI模型很难全面掌握生物网络规律。此外，生物实验周期长、成本高，也限制了AI大量尝试的验证速度。
量子科学与基础物理： 量子物理尤其是高能物理领域对AI寄予厚望，例如利用机器学习从粒子对撞机海量数据中挖掘新粒子、新物理。但截至目前，还没有因为AI分析而发现超出标准模型的新基本粒子或现象。虽然AI在大型强子对撞机(LHC)的数据触发和分析中已经应用，帮助过滤背景和提高灵敏度，但真正的突破（发现新物理）尚未到来。同样，在引力波天文学中，AI用于快速筛选探测信号、降低噪声，本期待其发现新的引力波源类型或早期宇宙迹象，但目前探测到的事件仍是人类预测范围内的黑洞/中子星并合。基础物理上的“大鱼”（如暗物质粒子、额外维度迹象）尚未因AI而现身。这并非AI无用，而是这些领域本身碰撞到自然的深层未知，进展缓慢，需要更灵敏的仪器和更大胆的假说，AI只能辅助，无法凭空创造数据。
太空探索与地外生命搜寻： AI在航天器自主导航、故障诊断上已有应用，但在真正革命性的成果上还未体现。比如，期待中的利用AI解码火星土壤化学寻找微生物痕迹、或从系外行星大气光谱中识别生物特征，目前均没有确定性的进展。虽然AI模型能提出候选信号（例如前述AI从海量射电数据中挑出8个可能的地外文明信号），但这些信号后续被证实是人类干扰。换言之，在地外生命这一极具潜力的方向，还没有AI带来的实质发现。其潜力毋庸置疑，因为宇宙之大数据之海需要AI梳理，但受限于我们获取的数据质量和罕见性，目前结果仍是空白。
环境与地球科学： AI在气候、生态领域有许多创新想法（如用于生态模型、灾害预测、污染控制），但大型应用和突破较少。比如，AI被用于遥感影像分析以监测森林覆盖和生物多样性变化，这在技术上可行，却还没有因此阻止重大生态破坏或发现全新物种（潜力是能从卫星图像自动找到未知物种栖息地或盗猎活动等）。在气候干预研究上，也有人设想AI设计最佳的碳捕获材料或地球工程方案，但这些都仍在早期探索，没有可验证的成熟成果。主要瓶颈在于现实系统过于复杂且涉及社会因素：AI方案需要经过现实的政策、经济考量才能实施，这使得纯技术潜力未转化为现实影响。
交叉前沿： 诸如脑机接口、智能制造等跨领域方向也具备巨大潜力。AI完全有可能优化脑机接口的解码算法，实现更加精细的大脑信号翻译，从而帮助瘫痪病人用意念控制复杂设备；但目前BrainGate、Neuralink等的临床成果还较基础，AI的作用未凸显出来。智能制造中，AI驱动的工厂自动化、材料和结构设计优化等也在推进，但制造业惯性的工艺流程改变较慢，AI潜力尚未充分发挥。这些领域的共性在于：需要跨越技术和应用之间的鸿沟，AI的理论可行性强，但在实际系统中落地仍缺少突破性的示范项目。
AI+药物研发的落地挑战： 新药发现虽有巨大机会，但进展相对缓慢。原因之一是医药领域的高风险、高周期属性。即使AI快速找到了候选分子，随后的临床试验需要多年时间验证安全有效。当前已有失败的教训：2023年有一款由AI辅助发现的药物在III期临床试验中未能通过。这提醒我们，即便AI在早期发现阶段表现神奇，生物体内的复杂性仍可能导致后期失败。因此，AI制药的商业化和产业化并非一蹴而就。制药公司高管也担心AI可能生成误导性数据，强调需要对AI建议进行严格验证。这些因素使得AI在药物领域的真正大规模成功落地目前进展缓于预期。主要挑战包括：数据和模型的可靠性（避免“设计”出不可成药的分子）、跨越“试验谷”将候选推入临床，以及监管机构对AI参与药物发现的认可度等。
AI+基因编辑的技术障碍： 虽然AI赋能CRISPR工具有很大机会，但一些核心挑战让进展放缓。CRISPR最大的难题之一是脱靶效应和安全送递，AI可以部分减轻脱靶问题（通过优化gRNA序列），但无法从根本上消除所有潜在风险。此外，如何将CRISPR安全高效地递送到体内特定细胞仍是生物工程难点，AI在材料或载体设计上可以提供思路，但实际突破需要生物材料方面的新进展。成本也是一大因素：将AI预测转化为真正定制化疗法成本高昂。最后，由于涉及人体基因组的改造，伦理和监管考量严格，这也放慢了临床推进速度。因此，尽管机会巨大，要看到AI驱动的基因编辑疗法大规模应用，还需跨越技术和伦理的多重障碍。
量子计算与AI的融合瓶颈： 量子计算被视为下一代信息革命，而AI与其结合有潜在优势，例如用AI寻找更鲁棒的量子算法或用量子计算加速AI模型训练。然而，目前这两者的融合进展较慢。主要瓶颈在硬件：现有量子计算机容易出错，运行稳定的量子AI算法十分困难。AI再好的优化策略，也无法根本解决量子比特易退相干、门操作误差高的问题。只有当硬件达到一定可靠性后，AI的作用才能充分发挥。另外，在概念上，人们对“量子AI”能实现什么缺乏共识，一些设想（如量子计算瞬间训练深度学习网络）可能并不切实际。这种不确定性也导致进展放缓，因为业界在探索最佳路径。此外，不少传统算法专家指出，一些量子机器学习算法理论上未必优于经典算法，存在夸大成分，这也让这个交叉方向暂时缺少突破。
天文学中的数据与验证难题： 天文领域AI的机会巨大，但某些方面进展缓慢，症结在于验证和信任。AI可能在海量数据中发现“异常”或新现象候选，但确认其真实性往往需要额外的观测和人类专家判断。例如，AI标记的地外信号需要人类用不同望远镜重复观测以排除干扰，过程漫长。还有，AI分类的天体（如某新型星系形态）需要天文学理论跟进解释，否则难以确认为突破。在科研文化上，一些天文学家对AI模型的“黑箱”性质存疑，不敢完全信任其发现。这导致AI甄别出的很多有趣信号无法迅速转化为公认成果。此外，大型天文项目有既定的数据处理流程，将AI融入其中涉及协调和测试，也较缓慢。因此，尽管AI在天文数据处理中已经展示威力，但从候选发现到公认突破的链条每一环都可能减缓进度。
通用问题：数据和领域知识融合： 很多领域进展缓慢，不是因为AI算法本身，而是数据匮乏或质量欠佳。科研中的数据往往小众且带有噪声，通用AI需要定制才能适用。例如在化学、材料中，实验数据零散不系统，限制了AI性能。这就要求投入大量精力整理高质量数据集、或者开发能在小数据上有效学习的新方法。另外，AI与领域知识的结合也存在沟壑。如果纯粹依赖AI黑箱，有时会给出违背常识的结果，需要专家介入修正。而专家有时对AI决策机制不理解，又倾向于怀疑AI。这种人机协同的信任与理解问题在多个学科都存在，成为突破的隐形障碍，令进展放缓。
首批AI设计的新药获批上市： 随着Insilico等公司的AI药物成功迈入II/III期临床，我们有理由期待第一款完全由AI设计的小分子新药在不远的将来获得监管批准，用于治疗棘手疾病。这将验证AI在制药领域的巨大价值。一旦出现这一里程碑，制药行业将更大规模地采用AI，大幅加速新药产出。个性化医疗与新疗法： AI将帮助推进个体化治疗的突破。例如，基于患者基因组和病史的AI模型推荐量身定制的治疗方案、AI设计的基因编辑疗法治愈遗传病，或AI发现的新抗生素投入临床对抗耐药感染等。在未来一两年内，可能会看到AI指导下的疗法在癌症免疫治疗、罕见病基因疗法上取得显著成功案例，从而开创精准医疗的新局面。材料与能源的革命性材料问世： 基于AI预测并由自动实验验证的新材料中，有望出现性能远超现有材料的明星。例如，一种AI发现的新型电池电解质材料让电动车续航翻倍，或一种室温超导材料被AI筛选并在实验中证实（尽管这个特定例子高度挑战，但并非不可能）。更现实的预测是AI将找到更高效的光伏材料、超高强度轻质合金等。在可预见的将来，材料科学的某个子领域（电池、半导体、催化剂等）将因为AI发现的材料而迎来突破。天文学大数据发现新天体： Rubin天文台即将开始巡天，配合AI算法，预计天文新发现会井喷。近期最值得期待的是对近地小行星和瞬变天体的发现：AI全天监测将使我们及时发现许多过去错过的接近地球的小行星，有助行星防御；同时，对超新星、引力波光学对应体的发现也将大幅增加。在基础宇宙学上，AI可能通过分析宇宙大尺度结构或宇宙微波背景的数据，给出暗物质、暗能量性质的新线索，甚至发现非常规的现象。总之，可以预期在新闻中频繁见到“AI发现了X”这样的天文新奇发现。自动化科学实验室普及： 未来科研模式本身可能出现突破——AI结合机器人将诞生自动化科学发现平台。比如，一个“无人实验室”在AI控制下连续运行，自己提出假设、合成样品、测定性质、优化方案。六周合成150种催化剂的成果只是开始。短期内我们可能看到这些平台在制药公司或材料研究所投入使用，快速发现多个有实用价值的分子/材料。这种科研范式的转变将极大提高科研效率，被誉为“AI科学家”。一旦示范成功，会吸引各领域竞相效仿，从而引领科研进入高效迭代的新阶段。AI在气候和环境领域的显著贡献： 近期值得期待的是AI在极端天气预测和气候应对上的直接成效。GraphCast模型已经证明AI可以更早预测飓风路径。随着合作推进，气象部门将更多采用AI预测来做预警。因此我们可以期待因AI预报及时避灾的案例出现，例如某次飓风因AI模型提前两天准确预报而使沿岸城市充分撤离，损失大大降低。这类实绩将使AI在公共事务中的形象提升，推动更多投入。而在气候研究上，也许AI会发现新的碳汇途径、环境修复手段等，为应对全球变暖带来突破性的技术方案。大型语言模型(LLM)辅助科研： OpenAI的GPT-4等“通用人工智能”模型（O系列模型）已成为科研人员日常的新工具。Nature杂志在2023年将ChatGPT列为年度科学人物之一，指出它已经帮助撰写学术论文、总结文献和起草科研基金申请。据调查，约80%的科研人员尝试过使用ChatGPT来总结研究结果、分析数据或撰写初稿。这表明像GPT-4、Anthropic的Claude这类LLM大模型正在提高科研的效率和可及性。研究者可以让它们翻阅海量文献并提炼出关键信息，或者加速编程和数据处理过程。这种辅助极大降低了知识获取门槛。例如，一个生物学家可以迅速让ChatGPT解释一篇复杂的物理学论文要点；化学家可以用它生成分析数据的代码片段等等。科研自动化助理的雏形已经出现。不过需要注意的是，这些模型有时会产生不准确内容，因此仍需研究者监督使用。领先AI研究机构的推动： DeepMind和OpenAI等公司的尖端模型直接催生了多项科学突破。本报告提及的AlphaFold、AlphaMissense、GNoME、GraphCast等一系列模型均出自这些研究单位。DeepMind通过AlphaFold解决了长期悬而未决的蛋白质结构预测难题，为生物学提供了强大工具。AlphaMissense又对上亿种潜在致病突变进行了分类，为基因组医学带来宝贵参考。OpenAI虽然以通用对话模型著称，但其技术也在渗透科研，譬如GPT-4可以编写分析代码、协助机器人控制。目前Anthropic的模型主要用在对话和文本领域，但同样能够用于科研信息查询和推理。大模型的知识泛化能力正在被用来整合各学科信息，帮助研究者形成跨领域洞见。例如，有研究人员用GPT-4分析生物数据库，发现了一些潜在药物靶点的关联关系，是传统方法未能察觉的。这些案例预示着通用AI将在科研中发挥“知识中枢”的作用。人工超级智能(ASI)的潜在影响： 展望未来，更先进的AI（甚至达到和超越人类智能的ASI）可能彻底改变科学研究版图。OpenAI的创始人之一Ilya Sutskever等人认为，超级智能将是人类有史以来最具影响的技术，有望帮助我们解决许多世界最重要难题。例如，一个超级智能AI或许可以瞬间整理全球科研资料，提出创新假说并验证，从而以远超人类积累的速度推进科学。当ASI出现时，我们可能迎来“每年相当于过去十年的科研突破”的爆发。这意味着疑难疾病的疗法、可控核聚变、广义人工智能等等难题都有可能被迅速攻克。当然，ASI带来的不仅是福音，还有风险。OpenAI在其“Superalignment”计划中警告，超级智能的强大也可能带来危险，如果失控甚至会对人类存在构成威胁。因此科研界和社会必须在享受ASI红利的同时，制定相应的治理和安全措施。在科研层面，ASI若受控，它可以充当终极科学家：自主设计实验、推演理论，将创造力和计算力发挥到极致。有人畅想，ASI或许能统一物理四种基本力、破解意识的生物学基础等一直困扰人类的终极难题。不过这一切取决于我们能否安全地研制和运用ASI。科研范式的转变： 最新AI技术不仅提供具体工具，还在改变科研范式。一方面，AI促进了学科交叉——LLM等可以无缝衔接不同领域语言，加速融合出新的交叉学科想法。另一方面，AI正在推动科研从以人为中心逐步转向人机协同乃至AI自主的模式。在可预见的未来，科研团队可能标配“AI助手”，甚至出现完全自动化的“AI科学发现体系”。知识获取民主化也是重要影响：以前学术知识高度专业化，而大模型让非专家也能较好地理解专业内容，可能带来更多元化的创新者加入科研。总之，OpenAI、DeepMind、Anthropic等公司的前沿模型正在成为科研生态的一部分，其影响类似于过去互联网之于科研的影响——将信息和智能的获取提升到新的水平。我们正处在这一变革的开端。结论： AI在科学研究中的应用正从辅助工具走向核心驱动力。生命科学、材料科学等领域已率先取得重大突破，更多领域（如基因编辑、天文学）正蓄势待发。当然，一些领域进展缓慢，提醒我们仍有诸多挑战需克服。然而，展望未来，在新一代AI（包括潜在的ASI）的推动下，科研突破的速度和规模可能前所未有。正如《自然》杂志所强调的，尽管我们尚不完全了解这些强大AI模型的工作原理，但它们开启的生成式人工智能革命已势不可挡。由此带来的科学发现浪潮，将深刻影响人类对世界的理解和改造。我们有理由保持谨慎乐观，期待AI与科学碰撞出更多火花，推动人类知识版图的跨越式拓展。
来源：资治通鉴通古今
