曹原：AI做诺奖级科学发现仍需二三十年
AI for Science正在变得越来越热，但距离“AI独立做出诺贝尔奖级发现”，可能仍隔着一段很长的路。
前Google DeepMind资深研究科学家、Unreasonable Labs联合创始人兼CEO曹原认为，人工智能用于科学研究正在进入爆发期，不过如果目标是让AI真正独立完成顶尖科学发现，至少还需要二三十年。他此前参与过Gemini等项目，如今创业方向也转向让AI参与新知识发现。
这个判断并不悲观，反而很现实。
过去两年，AI在代码、数学等领域的能力提升非常快。一个Coding Agent可以生成代码、运行测试、读取报错，再修改代码继续执行，整个过程形成了高速反馈闭环。数学领域也类似，Lean等形式化工具能够把证明拆解成机器可以逐步验证的步骤。
科学研究却没这么简单。
在生物、材料、化学以及部分物理问题中，模型提出一个假设只是开始。真正困难的部分往往是验证：实验设备在哪里？样本怎么制备？实验条件是否稳定？结果多久才能出来？
有些实验几分钟就能完成，有些可能需要数天甚至数月，更不用说实验本身还可能非常昂贵。
这意味着AI目前最擅长的“提出—执行—反馈—修正”循环，在科学研究里会被现实世界强行拉慢。模型可以一秒钟生成几十个假设，却不可能一秒钟完成几十组生物实验。
这可能才是AI for Science真正的工程瓶颈。
未来几年，实验室自动化、机器人实验平台以及高通量筛选技术的重要性可能因此持续上升。模型负责提出候选方案，自动化实验系统负责执行，传感器负责采集结果，再把数据重新喂给模型。只有当这条链路足够快，AI科学家的“试错速度”才可能接近软件领域的Agent。
但即便这个问题解决了，还有一个更麻烦的关卡。
创造新的概念。
曹原认为，现在的大模型非常擅长在已有知识体系中进行搜索、组合和推理。给定定义、定理和大量论文，它们可以找到此前人类没有轻易找到的关联。但顶尖科学家的工作并不总是在已有规则里解题。
有时候，真正的突破来自重新定义问题。
一个新的数学对象、一套新的分类方式、一种此前不存在的理论框架，都可能改变整个研究方向。它不是简单地从数据库里检索答案，而是先意识到“原来的语言不够用了”，然后创造一套新的语言。
这就是曹原所说的“概念抽象”。
从这个角度看，AGI所谓的“最后一英里”可能并不是让模型知道更多知识，而是让它能够主动构建知识体系。
这也是为什么AI for Science的终点，很可能比单纯的科研辅助工具远得多。论文阅读、实验设计、数据分析、代码生成，这些任务都可以逐步自动化；但从已有事实中抽象出全新的概念，再通过实验验证它，并最终形成能够解释现实世界的新理论，难度完全不在一个量级。
当然，二三十年并不意味着未来二三十年AI科学研究不会出现重大成果。恰恰相反，在药物发现、材料研发、蛋白质设计、数学证明等方向，AI很可能持续压缩研发周期。
只是“AI帮助人类发现”与“AI自己成为科学家”，仍然是两回事。
眼下真正值得关注的，也许不是AI什么时候拿诺贝尔奖，而是人类能否把模型、实验机器人、计算资源和验证工具连接起来，让科学发现第一次拥有类似软件开发那样高速的反馈循环。
一旦这条链路成熟，AI for Science才可能从“聪明的研究助手”，真正走向“知识生产机器”。
而概念创造，可能就是这场进化里最难跨过去的那道门。