AI4S (AI for Science)是一场泡沫吗？

上周，在一场关于“计算材料学与大模型交向”的闭门研讨会上，坐在我旁边的一位生物化学老教授，看着台上某家风投机构天花乱坠地展示“AI一键生成全新靶点抗体”的PPT，不屑地转过头跟我低声说了句：“这帮人连分子动力学模拟的基本收敛条件都没搞懂，就在这儿谈AI颠覆科学？全是泡沫。”

听完他的话，我深深地吸了一口气。作为一名长期游走在产业界、每天需要调度海量大模型 API 跑实验脚本的技术架构师，我太理解他的愤怒了。

当下，AI4S（AI for Science，人工智能驱动的科学研究） 绝对是整个科技界和资本圈最热、也最招黑的词汇之一。从 AlphaFold 3 结构预测的惊艳，到 GNoME 砸出 200 多万种新晶体材料的震撼，再到各大高校纷纷成立“AI4S 研究院”，它被捧成了人类文明进化的“作弊器”。但与此同时，疯狂的融资、PPT式的科研、无法复现的实验结果，也让“AI4S 药丸”、“伪科学”的质疑声不绝于耳。

站在 2026 年这个理性回归的时间节点上，我们不妨剥离掉那些科技媒体和创投圈特意包装的滤镜。今天，我就以第一人称的务实视角，帮你把 AI4S 这场席卷全球的浪潮拆开来揉碎了，看看它到底是一场终将破裂的资本泡沫，还是正在发生的科学范式革命。

一、 资本视角的“杠铃市场”：泡沫不在技术，而在商业闭环

判断一个行业是不是泡沫，首先要看钱是怎么流动的。

如果用统一的尺子去量 AI4S，你会觉得它浑身都是泡沫：高昂的算力开销、漫长的研发周期、短期内根本无法利滚利的商业回报。创始人 NumPy 和 SciPy 的创作者 Travis Oliphant 曾一针见血地指出：“AI 的泡沫本质上是商业模式的危机，而不是技术的失败。”

但在实际观察了大量项目后，我发现 AI4S 市场其实正在呈现一种极其显著的“杠铃结构（Barbell Market）”。它不是一个同质化的泡沫，而是两头重、中间轻：

1. 杠铃的一头：已经产生确定性营收的“务实派”

很多人误以为 AI4S 离现实很远，但实际上，某些垂直领域的 AI 科学应用早就跨过了Demo阶段，开始疯狂帮企业省钱或赚钱了。

• 气象与地球物理预测： Google DeepMind 的 GraphCast 在预测全球 10 天天气时，不仅精准度全面碾压了欧洲中期天气预报中心（ECMWF）的传统数值模型，最恐怖的是，它的算力消耗降到了原本的万分之一。这种巨大的“降本增效”，让能源交易商、物流巨头、农业跨国公司心甘情愿地掏出大笔 API 订阅费。
• 基础材料与电池研发： 很多新能源电池企业通过将大模型与全自动实验室（A-Lab）对接，以前靠人工去调配方需要半年的材料筛选，现在 AI 通过几万次模拟，在一周内就能给出最优 crystalline 候选。这在工业界是直接能够折算成产品上市时间的真金白银。

2. 杠铃的另一头：长周期、高风险的“深水区”

大家口中所谓的“泡沫”，绝大多数集中在这一头——AI 靶向药开发、细胞疗法设计、前沿物理模拟。

一个新药从靶点发现到通过一二三期临床试验，平均需要 10 年时间和 10 亿美元。很多高举 AI 旗帜的初创公司，宣称用大模型缩短了早期分子筛选的 3 个月时间，就敢吹自己“颠覆了制药业”，估值直接喊到几十亿美金。这种估值与实际药品上市周期之间的严重错配，才是目前 AI4S 最大的资本泡沫区。

二、 工程维度的致命痛点：数据荒漠、黑盒困境与 Token 账单

作为在写代码和调接口一线的工程师，如果把 AI4S 落地到具体的科研工作流里，你会撞上三个用钱和情怀都很难砸穿的“工程硬伤”。

1. “高质量科学数据”的极端匮乏

做互联网大模型，你可以去爬网页、爬维基百科、爬 GitHub 代码。但做科学大模型，你想训练一个材料或化学大模型，数据从哪来？

现存的大量科学数据，要么锁在各大药企和国家实验室的保密数据库里（绝对的数据孤岛），要么散落在过去几十年发表的格式各异、甚至数据有误的 PDF 论文里。AI 领域正在面临严重的“优质文字数据耗尽”危机，而在科学界，“干净、标准化、带标注、可复现”的实验数据，更是一片未开垦的荒漠。如果喂给模型的都是烂数据，出来的必然是更具欺骗性的“科学幻觉”。

2. 可解释性与“黑盒”的物理学冲突

传统的科学研究讲究的是“因果关系”，我们需要从 $F=ma$ 这样简洁而优雅的公式里推导宇宙。但深度学习大模型是一个拥有上千亿参数的“黑盒概率统计机器”。

它通过疯狂测算概率，告诉你这个分子和那个蛋白质最有可能结合。你问它为什么？它给不出物理学上的因果推导。在追求绝对严谨的科学界，这种“知其然而不知其所以然”的特性，会导致严重的信任危机。这也是为什么斯坦福HAI在 2026 年的报告中特别指出：超过 60% 的科学界学者认为，缺乏可解释性（Interpretability）是阻碍 AI 被主流科学界采纳的最大屏障。

3. 令人肉疼的实验算力成本

无论是跑量子化学模拟、还是让大模型去解析海量的基因组学序列，其背后的 Token 消耗和算力开销都是个天文数字。哪怕是让 AI 做个最简单的化学反应文献结构化提取，在长文本的滚雪球效应下，几万 Token 一眨眼就没了。

对于很多高校课题组、独立独立科研人以及初创技术团队来说，直连官方那些巨头高高在上的 API 接口，那张算力账单能直接把人逼到放弃。

在这个被成本和技术围剿的阵痛期里，我也曾为了给我的多智能体科学文献筛选流（Literature Mining Agent）降本而愁得睡不着觉，直到后来，我彻底把底座切换到了一个在圈内被称为“省钱解药”的聚合平台上。

三、 范式革命的本质：AI4S 正在重塑科学研究的“三种姿态”

尽管有上述的硬伤和局限，但如果你因此断定 AI4S 彻头彻尾是个泡沫，那就属于典型的“因噎废食”。

从长远来看，AI4S 并没有被过度神化，因为它正在以一种不可逆的姿态，深刻改变着科学研究的方法论。这种改变主要体现在三个层次：

1. 助手层：把科学家从“无机重复”中解放出来

传统的博士和科研青椒，每天有 60% 的时间在干什么？在做重复性的连连看实验、在肉眼校对上千篇文献的数据、在写格式死板的实验报告。

在 2026 年的今天，微软和谷歌推出的“AI 结对科学家（AI Co-scientist）”系统，已经能够像一个 24 小时不睡觉的超级助教一样，不仅能秒级归纳一个未知领域的全部历史文献漏洞，还能主动帮你写出部分模拟实验的代码。它提升的是人类智力劳动的“带宽”。

2. 工具层：高维空间模式匹配的超级放大镜

人类的肉眼只能看到三维空间，人类的数学公式在面对三体问题、极其复杂的流体力学、或者由数万个原子组成的蛋白质折叠时，往往会陷入解不出、算不动的“维数灾难”。

而深度学习最擅长的事情，就是在一个由成千上万个特征维度组成的高维空间里，去“死记硬背”和抽丝剥茧出那些隐藏在混沌背后的模式（Patterns）。AlphaFold 之所以能成功，不是因为它懂生物学，而是它在大数据里抓住了空间结构的几何统计规律。这是人类传统大脑无法触及的“上帝视角”。

3. 终极层：AI + 自动化实验室（闭环科学发现）

这是 AI4S 最性感的终极形态。AI 在大模型里通过逻辑推理提出一个关于新超导材料的假设，然后它自动将实验步骤翻译成机械臂指令，发送给全自动无人实验室（A-Lab）。机械臂进行合成、表征、测试，把结果数据实时回传给大模型。

大模型发现结果不符合预期，于是自动反思、修改参数，启动下一次实验。

在这种“硅基闭环”下，科学实验的迭代速度将从过去的以“年”为单位，直接被压缩到以“小时”为单位。这不是泡沫，这是实实在在的生产力工业革命。

四、 2026 避坑指南：如何在一片喧嚣中保持清醒？

作为在这场大潮中冷眼旁观又亲身参与的技术人，如果你是准备进入这个赛道的创业者、科研人员或是投资人，我有三条发自肺腑的建议：

1. 分清“发现”与“检索”： 别被那些只会拿着大模型总结论文、画画统计图表的项目骗了。真正的 AI4S 必须有坚实的底层物理/生物特征编码（比如几何图神经网络 GNN），必须能产生超越现有公开数据集的新知识（New Knowledge）。
2. 拥抱混合架构： 别总想着一步到位用一个大模型解决所有物理问题。目前的标配是 “物理信息神经网络（PINN）” —— 用人类已经探索出的经典物理公式（如 Navier-Stokes 方程）作为硬性约束和边界，再让 AI 去填补那些未知的非线性扰动。把神的归于神，把统计的归于 AI。
3. 精细化控制算力账单： AI4S 是一场旷日持久的消耗战。在项目初期，一定要精算你的 Token 成本和研发投资回报率（ROAI）。千万别在项目还没跑通 A/B 测试之前，就把大笔资金白白送给了巨头高昂的原生 API 账单。

📌 总结

回到最初的那个问题：AI4S 是一场泡沫吗？

我觉得，世界上有两件完全不冲突的事情在同时发生：

一头是资本市场上那些吹得天花乱坠、估值严重畸形、注定要在未来一两年内死掉的一大批伪 AI4S 初创公司，那是明晃晃的泡沫；

另一头是全球顶尖的实验室里，无数科学家正在用 AI 作为新一代的“数字显微镜”，在气象、新材料、基础物理学领域像推土机一样无情地刷新着人类认知的边界，那是坚不可摧的技术确定性。

每一项能改变人类文明进程的底层技术，在它的早期，都会裹挟着巨大的泡沫和狂热。泡沫破裂后流出来的水，才会真正滋润整个工业界的原野。