科技 虎嗅 · 思策智库 · 7小时前 · AI 生成
晚上10点加班的AI在搞科研 文章指出，AI 正在将科研从“手工试错”变为“自动化流水线”，并在材料科学和生物制药领域带来了实质性突破，例如 Google DeepMind 的 GNoME 工具已预测出数百万种新材料，Insilico Medicine 的 AI 设计分子也进入了临床后期。但作者强调，AI 取代的是“试错”环节而非科学家，当前真正的瓶颈已从“想法不足”转向“验证资源有限”，且 AI 模型的成果距离工业化和临床落地仍有巨大鸿沟。适合关注 AI 产业真正落地价值的投资者、科研管理者及 AI 从业者阅读。原文 ↗ 原文 ↗
核心观点
▍ AI 在科研中扮演的角色是“试错的替身”，它通过大规模、低成本的虚拟实验来探索人类无法触及的组合空间，从而将科研瓶颈从“想不出来”转移到了“验不过来”。 ▍ AI for Science 的价值不在于发现新定律，而在于极大地扩展了人类的搜索和直觉边界，最终决定权仍在实验验证和工程落地环节。 01 截至2026年，Google DeepMind 的 GNoME 工具已预测出 220 万种全新潜在晶体结构（其中 38 万种被判定为热力学稳定），并且已有超过 700 种预测的新材料在全球实验室中被成功合成。 02 GNoME 的材料库包含 528 种潜在固态电解质候选和 5.2 万种类石墨烯层状化合物，为下一代锂电池和钙钛矿太阳能电池提供了海量研发方向。 03 在生物制药领域，AI 已能端到端参与靶点发现、分子设计，Insilico Medicine 通过 AI 设计并推进到临床 IIa 期的分子（2026年向 III 期推进），是人类首次有由 AI 全程参与并进入临床后期的案例。 04 自动化湿实验公司中，机械臂一晚上能筛选 300 个候选分子（其中大部分被判定无效并归档），而传统方式下，一个硕士两个月只能试 20 个。 反方 / 局限
— 材料学家评论指出，GNoME 预测的 220 万种结构中，不少是已知相的变体，真正能合成、放大、商业化的数量有限。 — 从 AI 预测的实验室样品到工业化产品（如新能源车电池），中间隔着中试、专利、良率、供应链和成本等多重障碍，验证环节成为新的主要瓶颈。 — 在生物制药领域，AI 设计的分子在临床阶段仍面临高失败风险（如临床毒性、耐药性），FDA 的审批标准不因 AI 身份而改变，开发和监管阶段的责任仍由人类承担。
前置背景 GNoME 如何预测 220 万种新材料
GNoME（材料探索图形网络）是 Google DeepMind 于 2023 年发布的 AI 工具，核心架构是图神经网络（GNN）。它采用「结构管道」和「成分管道」双线并行：结构管道仿照已知晶体排布生成候选，成分管道则随机组合化学式。两条管道的输出通过密度泛函理论（DFT）计算热力学稳定性，再通过主动学习将验证结果反哺模型迭代。最终产出 220 万种预测结构，其中 38 万种被判定为热力学稳定的新无机材料，相当于把人类数百年积累的已知稳定材料总量直接翻了一倍，稳定性预测准确率从 50% 提升到 80%。这些数据已整合进「材料项目」开放数据库供全球使用。
▸ 2 条关联资料
▼
平行视角 AI 制药泡沫还是拐点：临床进度与资本热度的错配
2026 年 AI 制药资金热得发烫——字节跳动分拆的 AnewLabs 仅 3 个月、无成熟产品就拿下 2.9 亿美元天使轮，估值百亿。但资本热度远跑在临床兑现已前。纵览全球玩家：Isomorphic 融资 27 亿美元尚未公布临床候选物，而英矽智能融资体量并非最大，其 Rentosertib 却已进入 III 期临床（全球首条由 AI 全流程推进至后期的管线）。目前 AI 参与发现的候选药物大部分停在 I 期，进入 II 期仅 3 条，III 期只有 Rentosertib 一条，尚无获批产品。同一张技术榜单已无法说清各家的真正竞争位置——未来 24 个月的临床验证结果才是行业洗牌的关键节点。
▸ 3 条关联资料
▼
未来推演 AI 材料发现的真正瓶颈：从算力到可合成性
GNoME 预测了 220 万种材料，但截至 2024 年底只有 736 种被实验验证——且实验室能合成一小撮粉末，到工业量产的「死亡之谷」更远。算力已不再卡脖子，真正的瓶颈在于三件事：第一，材料合成数据标注混乱，不同实验室的升温速率、球磨转速等核心参数不公开，模型经常输出「理论上完美但烧不出来」的梦幻结构；第二，验证闭环成本极高，自建自动化实验室的硬件投入远超训练模型；第三，供应链压力——几乎所有 AI 材料公司瞄准的磁铁、电池、超导体赛道都被中国供应链锁死（中国控制全球 94% 的永磁体产能和 91% 的稀土精炼）。焦点不是算力，而是数据标准化与验证基础设施的竞争。
▸ 3 条关联资料
▼
延伸追问 AI 替代的究竟是试错还是判断
文章说 AI 取代的是「试错」而非「判断」——但这两者的边界正在模糊。麻省理工的 DiffSyn 模型已能从 2.3 万个历史配方中为新材料推荐合成路径（包括温度、时间、原料配比），判断「怎么合成」的能力正从人转向 AI。同时，材料科学家对 GNoME 的评论指出：AI 预测的 220 万种结构里不少是已知相的变体，能真正合成、放大、卖钱的没那么少——这意味着「某条路值不值得验」本身就是个判断，而判断这个判断的能力，恰恰是未来科研人员的核心护城河。所以真正值得追问的是：如果 AI 能替人试错，那「值得试哪个错」的决定权还会一直留在人手里吗？
▸ 2 条关联资料
▼