2024 年，DeepMind 的 AlphaFold 拿下了诺贝尔化学奖。当时很多人的第一反应是："AI 帮科学家查文献、画图表的时代来了。"但两年过去，事情远不止"帮帮忙"这么简单——AI 已经从实验室里的"辅助工具"，变成了能自己提出假设、设计实验、甚至写出论文的"发现引擎"。

这股浪潮有个名字：AI for Science，简称 AI4S。它正在悄悄改写"科学发现"这件事的运作方式。

从"你给序列、我给结构"到"你给需求、我给新分子"

AlphaFold2（2021）解决的，是一个困扰生物学界 50 年的问题：给定一段氨基酸序列，预测蛋白质的 3D 形状。2020 年的 CASP 竞赛上，组织者直接判定这个问题"基本解决了"。如今公开的 AlphaFold 数据库里，躺着超过 2 亿个蛋白质结构，全世界的生物学家每天都在用。

但 2021 年的 AlphaFold 只是"预测工具"——你给序列，它给结构。2026 年的进展已经往前走了一步：

  • AlphaFold3（2025）把预测范围从"蛋白质单体"扩展到"所有生物分子的相互作用"，能直接预测一个候选药物分子会不会和靶蛋白结合、结合位点对不对。诺华、辉瑞、罗氏已经把它塞进内部药物发现管线；2026 年上半年已有 200 多篇论文引用它的预测去指导湿实验。
  • GNoME（DeepMind）用图神经网络预测出 220 万种此前未知的无机晶体，其中约 38 万种被认为"热力学稳定"，还顺手找出 500 多种新型锂离子导体候选。
  • RFdiffusion（David Baker 实验室）这类生成式模型，能"无中生有"地设计自然界不存在的全新蛋白质——定制结合剂、酶、支架。2026 年 4 月，Monod Bio 用 AI 从头设计的 IL-2 受体激动剂获得 FDA 批准，成为全球第一个完全由 AI 设计的蛋白质药物。

注意这里的范式变化：2021 年的 AI 是"回答问题"，2026 年的 AI 是"提出问题"。 你描述需求（"给我一个能结合某靶点的稳定蛋白"），它产出候选分子。科学发现的起点，从"人拍脑袋想假设"变成了"AI 批量生成假设、人来验证"。

不止生物医药：材料、气象、数学、能源

AI4S 的故事远不止蛋白质一个。

材料发现。 丰田研究院（TRI）与 MIT 合作，用主动学习算法从超过 100 万种候选电解液配方里筛出 2 种新型添加剂，在 NCM811 电池里跑完 12 个月循环测试，容量保持率比商业配方高 12%。传统路径从 100 万候选到 2 个最终选手通常要 5–8 年，AI+机器人把它压到了约 15 个月。

天气预报。 这可能是最"闷声做大"的胜利。DeepMind 的 GraphCast、华为的盘古气象大模型，在绝大多数指标上已经追平或超过传统物理数值预报，而生成 10 天预报从"超算跑几小时"变成"一分钟不到"。欧洲中期天气预报中心（ECMWF）已经在 2025 年把 AI 模型投入业务化运行。2026 年汛期的台风路径预测，国内首次由 AI 主算、数值模式辅助验证。

数学。 DeepMind 的 AlphaProof 在 2024 年国际数学奥林匹克（IMO）拿到银牌（28/42 分），解出 4 道题。2026 年 OpenAI 与 Lean 社区合作的 LeanAgent，一个月内重新发现 200+ 已知定理证明，还找出 3 个新的组合数学恒等式。自动定理证明一旦成熟，理论物理、理论计算机、密码学的研究范式都会变。

核聚变。 2026 年 2 月，DeepMind 联合 EPFL、MIT 在《Nature》发文：一个深度强化学习模型在 TCV 托卡马克装置上，把等离子体垂直不稳定性的预测从"离线数十秒"压到"实时微秒级"，实现了预测—控制的闭环。等离子体不稳定是可控核聚变最大的工程拦路虎之一，AI 让实时控制首次在实验装置上跑通。

更激进的想象：自主实验室与"AI 科学家"

2026 年冒出一批"全自动科研"系统：从想法生成、跑实验到写论文，全流程尽量不靠人。

  • The AI Scientist 能自动产出研究想法、跑实验、写完整论文；
  • Agent Laboratory 是多智能体协作的自主科研框架；
  • 欧盟 Horizon Europe 在 2026–2027 拨了 1 亿欧元建设 AI 驱动的自主实验室，号称要造"AI 科研的 CERN"。

配套的"自驱动实验室"（self-driving lab）把"AI 设计分子 → 机器人自动合成 → 测试 → 反馈优化"串成闭环。理想状态下，一个科学家配一个 24 小时不停工的 AI 实验室助手，不再是科幻。

但别被标题党带跑：哪里真、哪里虚

把"AI 改变科学"的标题剥开看，诚实的地图是这样的：

真·结实落地的地方，都有三个共同点：数据丰富、有清晰的评分指标、验证便宜。蛋白质结构（200M+ 结构库、2024 诺奖）、蛋白质设计（同样诺奖认可）、机器学习天气预报（已业务化）、竞赛级数学，都属于这一类。

被高估的地方，首推药物发现。AI 确实加速了早期发现，但截至 2026 年，还没有一款"完全由 AI 原创"的药物获批，且多个 AI 候选在临床试验折戟——约 90% 的临床失败率（常常错在靶点）是 AI 还解不了的关卡。GNoME 的"220 万新材料"也有争议：稳定 ≠ 新颖 ≠ 能做出来 ≠ 有用，相关合成论文在 2026 年还被《Nature》做过更正。至于"全自动 AI 科学家"，在独立审查下仍会 hallucinate（幻觉）出看似合理实则错误的结论。

一句话总结这个领域的现状：AI 是强大的仪器，不是神谕。 它在"数据多、规则清、验证快"的地带所向披靡；在"数据少、因果强、验证慢且贵"的地带（比如临床医学），实验室和医院仍是真理的守门人。

对普通人意味着什么

你不一定做科研，但这些进展会以很具体的方式落到你身上：

  • 新药研发周期从 17 年压缩到 4–6 年的趋势，意味着未来十年更多罕见病、更多个体化疗法可能真正上市；
  • 更准的天气预报直接影响农业、物流、防灾；
  • 电池材料、催化剂的加速筛选，会推动电动车续航和绿电储能的进步；
  • 而"先授权、后训练""AI 内容可溯源"这些规则，也会随着 AI 渗入科学而逐步建立。

2026 年很可能被记住为一年：下一座诺奖级的发现，署名栏里第一次正式坐着一位人类和一位 AI 智能体。