【專訪】曹原：AI for Science 驗證是瓶頸，概念抽象是 AGI 的 last mile
Jeff Dean 在谷歌工作了二十六年，把這家公司的底層基礎設施幾乎從頭蓋起——MapReduce，Spanner，BigTable，TensorFlow，TPU，一路蓋到 Gemini。八月第一週，他帶著幾位老同事出走，成立 Discovery Loop，目標是用 AI 自動推進科學研究。硅谷的人說這是一個時代的終結。曹原——Google DeepMind 前資深研究科學家，現為 AI 初創公司 Unreasonable Labs 的聯合創始人——坐下來接受矽谷 101 主持人陳茜的訪談，把這件事從裡到外拆了一遍。他在 DeepMind 做過 Gemini 的模型迭代與後訓練，比外面的人更清楚 Google 內部的優先級是怎麼排的，也更清楚 AI for Science 這條路現在到底走到哪裡。
每天精選 6 則要聞、一則產業名人訪談,五分鐘跟上。
這場訪談有五個值得說的點。第一，Google 的問題不是 Jeff Dean 走了，而是 Gemini 落後了，內部資源被迫集中，科學家待不住只是症狀。第二，AI for Science 這個賽道現在能爆發，是因為寫代碼和數學推理這兩塊能力剛剛到位，天時地利湊齊了。第三，整個科研閉環最難的一環不是 AI 夠不夠聰明，而是物理世界的驗證速度跟不上——這個瓶頸沒打通，再強的模型也只是在排列組合已知答案。第四，AI 拿諾貝爾獎要二三十年，原因不是算力不夠，而是概念抽象這件事本身可能根本不是可計算問題。第五，OpenAI，Google，Anthropic 三家都在布局 AI4S，但短期優先級都還是 coding 和商業化，這給新型實驗室留了先手空間。合起來看，這場訪談的底色是：AI for Science 是真賽道，但現在大部分人低估了它的難度，也高估了它的速度。
◎Gemini 落後才是 Jeff Dean 出走的真正背景
曹原說得很直接：Google 今年年初 Gemini 3.1 Pro 還算排得上名次，但過去三四個月，Anthropic 和 OpenAI 的模型突飛猛進，Gemini 3.5 Flash，3.6 Flash 表現平平，3.x Pro 到現在還沒正式發布。在這個背景下，公司必須集中資源追趕，科學研究的優先級自然往後排。Jeff Dean 和他的老夥伴們——AlphaFold 的聯合發起人 John Jumper 稍早也跳去了 Anthropic——與其說是被趕走，不如說是在公司轉向商業追趕的當口，選擇去做自己真正想做的事。曹原補了一句：Google 擁有從底層芯片到消費者產品分發渠道的完整全棧能力，不可能因為幾個人離開就做不下去。問題是優先級，不是能力。
◎AI for Science 現在能爆發，靠的是兩塊剛到位的能力
為什麼是 2026 年？曹原的答案很清楚：前兩年 AI 最能體現推理智能的，就是寫代碼和解數學這兩件事。這兩塊到位之後，AI 作為智能體的整套工作流框架也跟著成熟——它可以提出假設，寫代碼分析數據，根據反饋迭代下一步實驗。這套能力一旦能可靠運行，你就可以把它接到更複雜的科學問題上。生物和製藥是最先爆發的方向，原因也很務實：市場大，流程相對標準化，數據豐富，而且開發一個新藥本來就要花好幾億美元，跑好幾年，任何能壓縮成本的工具都有人願意付錢。材料科學市場雖大，但價值鏈太碎，一個標準方法很難吃下全局。
◎驗證是瓶頸，不是 AI 不夠聰明
AI for coding 之所以能形成商業閉環，核心原因是驗證快——寫完代碼馬上知道對不對。AI for Science 最大的障礙不在模型本身，而在物理世界的驗證速度。你讓 AI 提出一個新的核聚變裝置設計，做實驗的成本和時間根本跟不上模型的迭代速度。曹原給了一個理想狀態：如果物理實驗能一分鐘出一次結果，這個問題就解決了，可以像訓練代碼和數學一樣無限迭代。現實是，大部分物理實驗做不到這一點。短期出路有兩條：一是自動化實驗室，用機器人標準化操作流程，Ginkgo Bioworks 和 Google DeepMind 與勞倫斯伯克利國家實驗室合作的 A-Lab 是早期案例；二是提高 AI 本身的推理精度，讓每次實驗的命中率更高，從而減少需要做的物理實驗次數。
◎三大 AI 公司都在布局，但短期優先級都不是 AI4S
曹原的估計是至少二三十年，而且他說的不是工程問題，是根本性的能力缺口。諾貝爾得主 Jennifer Doudna 用過 AI 輔助科研，結論是：AI 給出的每一個提議，都是她之前就知道的東西。AI 目前能做的，是在已有的表徵空間裡排列組合，搜索答案；它做不到的，是從觀察中抽象出新概念——就像牛頓從蘋果落地這個隨機事件裡，提煉出力這個概念，再形式化成 F=ma。曹原說，這個從感官輸入到概念抽象的過程，甚至可能不是一個圖靈可計算的問題。語言模型的整個宇宙由訓練數據決定，新知識按定義就不在訓練數據裡，這個矛盾不是靠算力能解決的。他把這稱為 AGI 的 last mile——而且這一英里可能永遠無法逾越。
◎三大 AI 公司都在布局，但短期優先級都不是 AI4S
Google 布局最早最廣，Alpha 系列從 AlphaFold 到 AlphaEvolve 都是，但現在重心必須放在追趕 Gemini 上。OpenAI 動作激進，GPT 與 Ginkgo Bioworks 的自動化實驗室閉環是目前最有說服力的案例，還有針對生物化學推理定制的 GPT-Rosalind，以及剛發布的數學模型 Astra；但負責 AI4S 的主管 Kevin Weil 今年離職，相關資源被並入 Codex，說明商業優先級還是壓過了科學布局。Anthropic 是後來居上的姿態，剛發布的 Claude Science 平台本質上是工作台界面，把生物化學數據庫和工具接進去，模型本身並沒有專門為科學發現優化；挖來 AlphaFold 聯合創始人 John Jumper，下一步大概率是補這塊垂直模型的缺口。曹原的判斷：大公司有創新者窘境，coding 商業化路徑太清晰，短期不會輕易挪資源。這給 Discovery Loop 這類新型實驗室留了先手機會。
AI for Science 是真的，但現在最大的風險是把它說得太容易。驗證瓶頸沒打通，概念抽象能力沒有，語言模型的邊界就是它的邊界。曹原說得最清醒的一句話是：AI and Science，不是 AI for Science——你不是把科學當應用，而是得先讓 AI 本身變得更強，才有資格去碰最難的科學問題。這件事沒有捷徑，二三十年是他給的時間表。在那之前，人的價值在哪裡？定義問題，做最終判斷，理解 AI 給出的答案背後到底發生了什麼。黑盒給出正確答案，和人類真正理解這個答案，是兩件完全不同的事。
開場鋪陳：Jeff Dean 宣布離職成立 Discovery Loop，OpenAI 發布數學模型 Astra 推導 10 道長期懸而未決的難題，Anthropic 將黎曼猜想相關零點下界從 41.6% 推進至 67.2%，AI for Science 賽道背景說明。
分析 Jeff Dean 出走的三重背景：Gemini 項目集中資源導致內部衝突，Gemini 近期表現落後於 Anthropic 和 OpenAI，AI for Science 方向與其個人志向高度吻合；同時強調 Google 擁有全棧要素，公司本身不會因此垮掉。
清晰區分三個概念：AI4S（用 AI 研究科學問題），AI4AI（用 AI 改善 AI 自身能力），RSI 遞歸式自我改進（一種方法，可同時用於前兩者）；並用模型自動調參，跑實驗，觀測結果，再提議的完整循環舉例說明 AI4AI 的運作方式。
說明為何 AI for Science 閉環比 AI coding 難：coding 驗證即時，science 需要物理世界實驗，成本高，速度慢；提出兩條出路：自動化實驗室（機器人替代標準操作）和提高 AI 推理精度以減少實驗次數。
指出 AI for Science 技術上最難的兩環：一是物理驗證速度是瓶頸，一旦打通可快速迭代；二是 AI 目前無法提出具有創新性且可行的新假設，諾貝爾得主 Jennifer Doudna 的親身反饋是：AI 給出的提議沒有一個是她之前不知道的。
提出概念抽象是 AGI 最後一英里的核心論點：從觀察中抽象出新的數學對象或科學概念，這個過程可能根本不是圖靈可計算問題；以原始人從三只鵝四只鳥中抽象出數的概念為例說明 AI 做不到這一點。
對 AI4S 商業化時間表給出分層判斷：藥物開發中間環節已可商業化；若目標是 AI 自主產出諾貝爾級別成果，至少需要二三十年，原因是因果推理，長期記憶管理，持續學習等基礎能力目前仍缺失。
看完今天的,讓明天的自己送上門
每天精選 6 則要聞、一則產業名人訪談,五分鐘跟上。
已出刊 95 期 ・ 隨時可退訂