【演講】Schmidt 說 AlphaFold 不是模板，AI agent 才是科學的下一把鑰匙

Schmidt 這篇文章值得認真讀，不是因為他說 AI 會改變科學——這句話現在誰都在說——而是因為他指出了被集體忽視的三件事：AlphaFold 成功的條件根本無法複製到大多數科學領域；AI agent（能自主使用工具，迭代推理的 AI 系統）才是真正適用於全科學的那把鑰匙；而 agent 帶來的最大衝擊，不是讓科學更快，而是重構科學可信度的底層結構。這三個判斷合起來意味著：資料驅動的 AI 和推理驅動的 AI，是兩條差很遠的路，而市場現在押的那條，Schmidt 覺得不對。

◎AlphaFold 是特例，不是模板

蛋白質結構資料庫 Protein Data Bank 花了 53 年，耗資估計約 210 億美元才建成，靠的是一種異常穩定可重現的實驗技術——蛋白質晶體學，25 座諾貝爾獎都用過它。AlphaFold 就是站在這個基礎上訓練出來的。問題是，絕大多數科學領域根本不存在這樣的資料基礎：細胞株會漂移，化學品含微量雜質，實驗室濕度天天不同，要建出品質足夠訓練神經網路的資料集，需要全新的量測方法和標準化流程，Schmidt 說這些短期內不會到位。換句話說，複製 AlphaFold 路線的新創們，隱含地假設了自己所在的領域也有蛋白質資料庫那樣的地基——這個假設，大部分時候是錯的。

◎Agent 不是更好的 AlphaFold，是另一種東西

Schmidt 給 agent 下了一個很乾淨的定義：能使用工具，能迭代推理的 AI 引擎。它的核心不是學會某個答案，而是模仿科學家做研究的思考過程——提假設，自我反駁，排名候選方案，根據新證據修正。文章舉了 Google 在 2025 年 5 月發布的 AI Co-Scientist 作例子：給它一頁簡報，一個目標（搞清楚抗藥性基因如何在細菌之間傳播），它自行派出子 agent 分頭處理文獻，假設，評審，精煉，最終得出抗藥性基因搭細菌病毒的順風車換宿主這個結論。倫敦帝國學院的研究團隊用十年濕實驗室工作才得到同樣答案，論文當時還在同儕審查中。Agent 用的不是更大的資料集，而是推理本身。

◎再現性危機，agent 給的是結構性解法

科學界幾十年來都在鬧再現性危機——研究者重複別人的實驗，結果就是對不上。根源之一是實驗過程記錄太鬆散，研究者不願意做整理原始數據和程式碼這種有趣科學做完之後的行政工作。Agent 的反面優勢恰好在這裡：它每一步都自動記錄，留下完整的方法路徑，讓他人可以精確重現。Schmidt 另外提到的第二個效應是科學記憶的放大——實驗室幾十年的知識，不再只活在潦草的實驗筆記裡，而是被收進一個標準化的機構知識庫。這兩件事加在一起，改變的不只是速度，而是科學的可信度底層。

◎速度之後，是問題本身的改變

Schmidt 說了一句話，讀起來不像 AI 圈慣常的宣傳：當跑一個實驗比開會討論這個實驗花的時間還短，人們就會停止辯論，直接跑測試。一個 agent 一小時讀一千篇論文，設計五百個分子，隔天早上從失敗測試裡學習，不只是讓現有的研究更快，而是讓研究者敢去追那些原本不敢冒時間風險的大膽問題。Schmidt 把 agent 這類工具和微積分，統計推斷，光譜學，電腦並列——那幾樣東西的共同點，是它們揭示了人類原本甚至沒想到要問的問題，然後這些問題重新定義了各自的領域。

Schmidt 這篇文章的真正刺點，不是他說 agent 會成功——那誰都說得出來——而是他點名 AlphaFold 路線被市場高估，同時說清楚了為什麼。押寶資料驅動 AI 的那批新創，燒的是投資人的錢，他們樂觀的前提是數據基礎建得起來；Schmidt 的意思是，在大多數科學領域，這個前提根本不成立。至於 agent 那條路，現在還沒有對應的諾貝爾獎，還沒有估值百億的明星公司，也還沒有讓人興奮的一次性突破——但按照 Schmidt 的邏輯，那恰好是它更接近真相的原因。