前DeepMind资深研究科学家曹原做客「硅谷101」，系统拆解AI驱动科研的爆发条件、核心瓶颈与商业时间线。这不是一篇科普文——而是一份关于AI如何重塑科学研究范式的冷静研判。
01 一个时代的切换信号
2026年8月14日，Google灵魂人物Jeff Dean宣布离职，带领Oriol Vinyals、Sanjay Ghemawat、Quoc Le等元老创办Discovery Loop，目标是"加速生命科学及其他行业的科研进程"。
此前数月，AlphaFold联合发明人、诺贝尔化学奖得主John Jumper已加入Anthropic。
硅谷顶尖科学家正用脚投票。
在「硅谷101」陈茜的这期109分钟访谈中，前DeepMind资深研究科学家、Unreasonable Labs AI联合创始人曹原给出了一个清醒的框架判断：
AI for Science的爆发条件确实已经成熟。但最大的瓶颈不是算力、不是数据——而是验证。
这期访谈信息密度极高，值得逐层拆解。以下是我们提炼的核心脉络，并叠加当前市场热点形成交叉研判。
02 为什么是现在：爆发的三重条件
曹原认为，AI4S之所以在2026年这个时间点爆发，并非偶然，而是三个条件同时到位的必然结果：
条件一：模型推理能力到位。代码与数学是AI最早体现"智能"的两类问题。当模型能可靠地写代码、做数学推理时，才具备处理更复杂科学问题的基础能力——提出假设、分析数据、自我归因迭代。
条件二：Agent工作流成熟。模型不再只是单次问答，而是能在沙盒中写代码、跑实验、观测结果、反馈迭代，形成闭环。有人已用这套流程探索非Transformer架构、免反向传播的优化算法。
条件三：记忆管理到位。科研需要长链条推理，模型需要能记住前序实验的失败与成功，而非每次从零开始。
曹原的判断标准很清晰：科学问题比coding/math更难，需要"提假设→收数据→写代码分析→异常时自我归因迭代"的完整链路。天时地利人和同时到位，AI4S才具备起步条件。
市场印证：2026年Q1全球医药交易总额880亿美元，同比增长30%。Isomorphic Labs（DeepMind旗下）完成21亿美元B轮融资，创下AI制药单笔融资纪录。OpenAI推出GPT-Rosalind生命科学推理模型，首批客户包括安进、莫德纳。资本和产业的双重下注，正在验证这一时间窗口。
03 核心瓶颈：不是算力，是验证
这是整场访谈最具穿透力的判断。
曹原指出，AI4S当前的最大瓶颈是验证（Verification），而非算力或数据。
逻辑链条如下：
• 代码Agent为什么成功？因为有一个即时可验证的闭环——代码跑通了就是跑通了，跑不通就立刻知道哪里错了。
• AI4S为什么难？因为它的闭环通向物理世界。你提出了一个新药分子结构，需要做实验验证；你发现了一个新材料预测，需要合成测试。物理实验又慢又贵。
"代码agent成功，正是因为有一个即时可验证的闭环；AI4S难，是因为闭环通向物理世界。"
曹原给出两条突围路径：
路径一：自动化实验室。以A-Lab为例——17天执行353次实验，从57个目标中获得36个。云端实验室通过API远程操作，专用机器人替代标准流程。但曹原判断，这类早期案例的壁垒仍在物理机器人侧。
路径二：提升AI智能，减少物理实验次数。如果跑10次实验才能达成目标，能不能让AI聪明到只需要2次？这是从模型端压缩验证成本的思路。
市场印证：华为制药军团总裁樊杰近日也指出，"干湿实验数据打通与深度融合是当前最棘手的核心难点"——干实验（AI仿真模拟）与湿实验（化学实验验证）之间的数据割裂、流程脱节，正是曹原所说的"验证瓶颈"在产业端的具象化。华为已联合昌平实验室、上海药研所攻关，计划2026年打造5-10个AI制药灯塔项目。
04 三巨头布局：谁在认真做AI4S
曹原对三大AI实验室的布局做了对比分析：
| | | |
|---|
| 最早、最广、最深（Alpha系列、Coscientist） | | |
| | GPT-5已解多类科学问题；与Ginkgo Bioworks实现全自动化实验闭环；推出bio/chem定制模型 | 发布Claude Science平台；挖来John Jumper加强生物方向 |
| Gemini 3.5/3.6 Flash表现"平庸"，3.x Pro迟迟未出 | AI4S负责人Kevin K.离职后战略优先级略混乱；产品线拉太长 | |
| | | |
关键洞察：曹原特别提到，OpenAI与Ginkgo Bioworks合作的完全自动化实验闭环是"最令人信服的闭环案例"——这与他强调的"验证瓶颈"形成呼应：谁先打通model-to-experiment闭环，谁就掌握AI4S的入场券。
三家共同点也很明确：短期最优先级仍是coding与商业化，AI4S是长期战略必投方向。没有一家把AI4S作为短期盈利引擎。
05 概念发明：AGI的"最后一英里"
如果说"验证"是短期瓶颈，那么"概念发明"就是长期天花板。
曹原提出了一个层次分明的判断：
第一层（可做）：不需要新数学对象、表征空间固定的问题，AI本质是"搜索"。足够强的模型可以搜出证明。AlphaFold就是典型——给定氨基酸序列，预测三级结构，高度结构化、可验证。
第二层（极难）：抽象出新概念、新定义。比如人类从鸭、鹅、鸟中抽象出"数"的概念，比如数学家提出"特征值"这样的新工具。这不是搜索，而是创造。
"抽象出新概念，可能是AGI的last mile，甚至不一定在图灵可计算的意义上。"
曹原引用了Jennifer Doudna（诺贝尔奖得主、CRISPR先驱）团队的发现：AI生成的每一个提案，都落在他们已知的范围内。语言模型的宇宙，由训练数据决定；它只能在已有知识空间里排列组合。
Unreasonable Labs正在尝试的突围路线是LLM + 符号主义混合方案：用神经网络处理模糊感知，在外面套一层符号系统，把跨领域人类知识用规则串联，提取知识骨架与推理关系，作为模型的"先验直觉"，生成概率范围之外的小概率新想法。
但曹原也坦言，核心难点在于平衡创新性与可行性——随便采样都能"创新"，但必须保证合理、与问题吻合。符号主义不会替代连接主义，更可能是"98%连接+2%符号"的配比。
06 商业化：分层判断，不是一刀切
曹原对AI4S商业化的判断极为审慎，呈现出清晰的分层结构：
已可商业化的层：药物开发中间产物——靶点发现、分子结构设计。这些环节流程标准化、数据丰富、可验证。当前全球AI制药公司的管线授权交易（如英矽智能与施维雅8.88亿美元、与礼来27.5亿美元合作）都在验证这一层。
需要长期主义的层："AI自主做出诺贝尔奖级发现"——曹原判断至少还需二三十年。因为这本质上不是应用场景问题，而是AI基础能力问题：因果推理、长期记忆、持续自我学习，这些能力目前都还缺失。
反向驱动的层：曹原特别强调，AI4S不是AI的"应用场景"，而是AI发展的催化剂。能解最难科学问题的模型，在其他任务上也会更强。AI4S本质上是在倒逼AI基础能力进化。
市场参照：这一判断与当前产业实践高度吻合。国内AI制药"三小龙"（晶泰科技、英矽智能、剂泰科技）均已港股上市，但盈利模式仍以AI+CRO服务为主，尚未有完全由AI主导设计的药物获批上市。英矽智能的核心药物Rentosertib（特发性肺纤维化）即将启动III期临床，将成为全球首款AI发现并进入III期的候选药物——但距离"诺贝尔奖级"仍有巨大鸿沟。
07 人类的角色：定义问题、验证、最终审判
当AI开始"发现"知识，人类做什么？
曹原的答案是分层的：
• 问题定义必须人来定。AI目前没有"品位"去挑选值得研究的问题。人给定方向后，AI可辅助结构化、检索文献。
• 验证需要人参与。物理实验的设计、执行、结果解读，都需要人类科学家的判断。
• 最终审判权在人。这是曹原最有意思的观点：
"人类不能理解的发现是没有意义的……不是结果正确就一定正确，你需要去理解，然后去评判。"
他引用陶哲轩的判断：数学正从"证明稀缺"进入"证明过剩"时代——网站堆满AI解答，但无人接盘验证。曹原补充了一个精准类比：
"证明过剩但洞察稀缺——机器人弹琴再准，你也不想去听。"
这不是技术悲观主义，而是对"知识"本质的深层思考。科学发现的价值，不仅在于"正确"，更在于"可理解、可评判、有意义"。
08 市场交叉研判：泡沫与真金的分界线
将曹原的框架与当前市场热点交叉比对，可以提炼出三个判断：
判断一：AI制药正处于"概念验证期"向"临床兑现期"的过渡。全球尚无完全由AI主导设计的药物获批上市，但英矽智能的III期临床、剂泰科技的III期制剂新药、多家公司的BD交易都在压缩"概念"与"产品"之间的距离。曹原所说的"中间产物已可商业化"正在被市场验证。
判断二：验证闭环是核心竞争壁垒。谁能打通"AI预测→物理实验→数据回流→模型迭代"的闭环，谁就拥有真正的护城河。OpenAI与Ginkgo Bioworks的合作、华为的灯塔项目计划、自动化实验室的进展，都在指向同一个方向。这也意味着，纯算法公司如果没有实验验证能力，长期价值存疑。
判断三：警惕"AI4S万能论"。曹原明确指出，因果推理、长期记忆、持续学习等能力还需5-6年；诺奖级发现需20-30年。当前资本热潮中，不乏将"AI辅助靶点筛选"包装成"AI颠覆制药"的叙事泡沫。分层判断、拒绝一刀切，是理性参与这一赛道的基本素养。
09 写在最后：AI4S是"元技术"而非应用
曹原在访谈最后给出了一个超越具体赛道的判断：
AI是通用目的技术（GPT）。如果AI4S做到一定程度，模型在其他经济领域也会更强。AI4S不是AI的应用场景，而是驱动AI自身进步的最难、也最值得的"元技术"赛道。
这个判断值得所有关注AI产业的人认真对待。
当Jeff Dean选择离开Google去创办Discovery Loop，当John Jumper选择加入Anthropic，他们押注的不是一个细分赛道，而是AI能力进化的终极考场。
在曹原看来，这个考场的入场券是"验证闭环"，及格线是"因果推理"，而满分——"概念发明"——可能需要二三十年，甚至可能不在图灵可计算的范围内。
这不是悲观。这是对科学本质的敬畏，也是对AI能力边界的清醒认知。
对于从业者：关注model-to-experiment闭环的进展，关注自动化实验室的效率提升，关注符号主义+连接主义混合路线的突破。
对于投资者：分层判断，短期看AI制药中间产物的商业化验证，中期看干湿实验闭环能力，长期看AI基础能力的因果推理突破。
对于所有人：记住曹原那句话——"证明过剩但洞察稀缺"。在AI能生成一切的时代，人类的判断力、理解力和审美，才是最稀缺的资源。
人工智能、科技产业、商业政策趋势分析
熠见研究院
熠以观势，见察AI局。于光亮处，洞见商业本质。
个人专属AI商业观察智库。专注AI工具深度测评、科技产业趋势研判、企业AI转型案例拆解与商业底层逻辑分析。
内容面向关注AI工具、科技产业与商业逻辑的职场人士与创业者，追求深度与可落地性，拒绝泛泛科普。
交流边界：本号聚焦AI工具、产业研判与商业分析领域，不参与与账号定位无关的泛娱乐化内容讨论。外部操作（发布、推送等）需经确认后方可执行。
访谈来源：「硅谷101」播客，主持人陈茜对话前DeepMind资深研究科学家曹原。B站视频号：BV1GQgg6yEy5
