2025 年已近尾声。回望过去两年，AI 在文本生成、图像创作甚至编程领域都取得了突出成就。然而，在关乎人类命运最核心的领域——科学发现与医疗健康上，大众期待的“奇点”似乎迟迟未到。

硅谷的巨头们高喊着“未来十年治愈所有疾病”的口号，但现实中，新药研发依然昂贵且漫长，癌症与衰老依然是悬在头顶的达摩克利斯之剑。

AI for Science 的口号究竟是在给市场画大饼，还是真的有潜力引发一场科学革命？

在《纽约时报》旗下科技播客 Hard Fork 的最新一期节目中，主持人凯文·罗斯（Kevin Roose）和凯西·牛顿（Casey Newton）邀请到了一位处于这场变革中心的嘉宾——萨姆·罗德里格斯（Sam Rodriques）。

作为非营利组织 FutureHouse 及其商业化衍生公司 Edison Scientific 的创始人，萨姆不仅是一位从科学家转型为技术专家的实干派，更是最近引发热议的“AI 科学家”模型 Kosmos 的创作者。

这场对话不仅介绍了当前科研场景中 AI Agent 的实际应用，更以务实的视角，剖析了 AI 在科研一线的真实能力与局限。

（youtube）

挑战“六个月”：AI 如何重新定义科研效率

在访谈的一开始，话题就直指 Edison Scientific 最近发布的一项声明：他们的 AI 科学家模型 Kosmos，能够在单次运行中（大约 12 小时），完成相当于人类博士生或博士后 6 个月 的研究工作量。

这个数字听起来太过精确，以至于让人怀疑是营销话术。面对主持人的质疑，萨姆·罗德里格斯坦诚地分享了这个数据的由来。

“实际上，我一开始看到‘六个月’这个数字时，第一反应也是‘这绝不可能’。”萨姆回忆道。为了验证 Kosmos 的真实能力，团队并没有选择那些已经被发表、答案已知的“开卷考试”，而是进行了一场真实的“双盲测试”。

他们找来了一批学术合作者——那些手头已经有了研究数据、做过初步分析但尚未发表成果的科学家。团队将完全相同的研究目标和原始数据集交给 Kosmos，让这个 AI Agent 在毫无提示的情况下“去发现新东西”。

结果令人吃惊。Kosmos 仅仅运行了一个晚上，就不仅复现了科学家们已有的发现，还梳理出了完整的逻辑链条。当团队回访那些人类研究员，询问他们当初得出这些结论花费了多长时间时，得到的答案惊人地一致：“三个月”、“五个月”，甚至“六个月”。

这个时间差，揭示了当前科研工作流中巨大的效率黑洞，也正是 Kosmos 试图填补的真空。

然而，这种效率并非廉价。罗斯敏锐地指出，Kosmos 单次运行的成本高达 200 美元。在 GPT-4 等模型日益平民化的今天，这个价格显得格格不入。

“说到底，就是它消耗的算力非常大。”萨姆解释道。与普通用户在这个对话框里输入一行字、等待几秒钟不同，Kosmos 的一次“思考”是一场马拉松。在这一晚上的运行中，它平均会编写 42,000 行代码，阅读并分析大约 1,500 篇科研论文。

“如果你用 Claude 或其他模型，它一次可能只写几百行代码。光从这个代码量级和阅读量的对比，你就能感受到计算量的差距。”萨姆指出，对于动辄花费数千甚至数万美元收集数据的实验室来说，这 200 美元的分析成本已经十分划算。

AI 如何像科学家一样思考？

那么，Kosmos 究竟是如何做到这一点的？它是一个更聪明的聊天机器人吗？

萨姆在对话中澄清了一个核心误区：Kosmos 不是 chatbot，而是 AI Agent。

在技术架构上，Edison Scientific 并没有从零训练一个超级大模型，而是站在巨人的肩膀上——他们同时调用了 OpenAI、Google 和 Anthropic 的顶尖语言模型。但真正的“秘密武器”，是他们设计的“结构化世界模型”（Structured World Model）。

当前通用的 AI 模型（如 ChatGPT）在处理长任务时有一个致命弱点：脱轨。一旦任务的复杂度和长度超过某个阈值，模型就会忘记自己最初的目标，或者开始胡言乱语。

“我们的方法是让 AI 在工作过程中，不断向这个‘世界模型’贡献信息。”萨姆解释道。这个模型就像是一个共享的、动态更新的“项目白板”，它逐步积累并完整描述当前任务的全部知识状态。

有了这个“大脑中枢”，系统就能协调数百个 AI Sub-agents（子代理）并行或串行工作。有的 Agent 负责读论文，有的负责写代码，有的负责验证逻辑，而“世界模型”确保它们虽然分工不同，但都朝着同一个清晰的科学目标推进。这才是让 AI 能够连续工作 12 小时而不宕机的关键突破。

AI 究竟在哪些环节协助科学家？

这是本次访谈中最引人深思的部分。抛开宏大的治愈癌症口号，AI 究竟在如何具体地帮助一线科研人员？萨姆·罗德里格斯通过几个维度，勾勒出了 AI 赋能科研（AI for Science）的真实图景。

首先，从“数据苦力”中解放大脑。萨姆分享了一个颇具个人色彩的故事。2019 年，在他博士即将毕业的关键时期，他手头有一个巨大的数据集，但必须在短时间内得出结论才能毕业。

“我不想再当博士生了，我想毕业。”萨姆笑着回忆，“所以我花了整整六个月，就坐在桌子前，拼命分析数据、读论文、试图得出结论。”

这六个月的枯燥工作，是全球无数博士生的缩影。他们拥有最聪明的大脑，却将大量时间耗费在机械的数据清洗、整理和初步分析上。

“Kosmos 就是为这个阶段而生的。”萨姆指出。现在的科学家只需要把数据集交给 AI，它就能产出大量潜在的发现。虽然目前人类仍需花费时间去验证这些结果，但原本需要半年的“苦力活”，现在被压缩到了几天甚至几小时。科学家可以跳过最耗时的步骤，直接进入最高级的智力活动——判断与决策。

其次，填补编程鸿沟与阅读极限。在谈到 AI 改变日常工作的具体领域时，萨姆特别提到了两个正在发生剧变的环节：编程与文献阅读。

“过去，不会写代码是生物学家的巨大瓶颈。”萨姆直言。现代生物学越来越依赖大数据分析，但很多优秀的生物学家并不擅长 Python 或 R 语言。现在，像 Claude、GPT 以及 Kosmos 这样的工具，让生物学家可以直接生成高质量的代码。这不仅是效率的提升，更是能力的解放——它让生物学家能够执行以前因为技术门槛而无法进行的复杂分析。

另一方面是文献阅读。面对浩如烟海的科研论文，人类的阅读速度是线性的，而知识的增长是指数级的。AI 能够瞬间阅读 1,500 篇论文，提炼出关键信息并建立关联，这种能力让科学家从“信息过载”变成了“信息主宰”。

第三，超越人类的推理。一个例子是 Kosmos 关于 2 型糖尿病的全新发现。AI 能做的不仅仅是打杂，它已经开始展现出超越人类直觉的推理能力。萨姆详细介绍了一个令人印象深刻的案例。

Edison 团队曾给 Kosmos 提供了一大堆关于人类遗传变异的原始数据，要求它寻找 2 型糖尿病 背后的生物学机制。

Kosmos 在分析后，并没有关注那些显而易见的基因，而是锁定了一个位于基因外部、非编码区域的变异。通常，这类变异会被人类科学家忽略，因为它们不在“路灯下”。

但 Kosmos 通过复杂的推理链条发现：

1. 这个非编码区域的位置，实际上是某种特定蛋白质的结合位点。

2. 该蛋白质调控的是一个名为 SSR1 的基因。

3.SSR1 基因在胰腺中参与胰岛素的分泌。

4. 因此，这个非编码区域的变异，通过影响蛋白结合，进而影响 SSR1 表达，最终导致了胰岛素分泌异常。

“Kosmos 清晰地勾勒出了从 DNA 变异到蛋白结合、再到基因功能异常、最终影响胰岛素分泌的完整机制。这在以前是未知的。”萨姆强调。

这个案例证明，AI 利用现有的数据，能够进行极高维度的逻辑推理，发现人类科学家“还没来得及搞清楚”甚至“很长时间都不会注意到”的隐秘联系。

最后，从 Tool 到 Agent 并非取代，而是增强。

萨姆认为，2025 年是 AI Agents for Science 的元年。

此前，AI 在科研中更多是作为一种工具（Tool）存在——你用它润色论文、查阅资料。但现在，AI 正在转变为 Agent。

“人们终于意识到，AI 不只是工具，而是能自主规划、执行、反思研究任务的代理。”

这意味着未来的科研范式将发生改变：科学家不再是亲自操作每一个实验步骤的工匠，而是成为了一支“AI 科学家团队”的指挥官。你告诉 AI 你的目标，AI 团队负责执行、反馈，你负责评估和决策。

为什么十年内治愈所有疾病是天方夜谭？

尽管 AI 展现了惊人的潜力，但作为业内人士，萨姆对硅谷大佬们鼓吹的“AI 十年治愈论”泼了一盆冷水。

当主持人问及如何看待 Demis Hassabis（DeepMind CEO）或 Sam Altman（OpenAI CEO）关于“AI 将在未来一二十年内治愈所有疾病”的预测时，萨姆的回答斩钉截铁：

“十年？完全不现实。”

他给出的理由非常硬核：医学的瓶颈不在于发现，而在于验证。

“举个极端例子：假设今天我们手里就有一种神药，能完全阻止人类在 25 岁到 65 岁之间的衰老。你也不可能在十年内知道它是否有效。”

为什么？因为在那个年龄段，人类衰老的速度太慢了。你至少需要追踪受试者五到十年，才能在统计学上观察到可测量的变化。这是生物学的时间法则，AI 算力再强也无法加速人类的新陈代谢。

此外，萨姆还列举了药物研发中那些 AI 难以触及的实体障碍：

例如生产制造，将分子放大生产并确保达到临床级纯度，是一个复杂的工程问题。

还有患者招募，对于罕见病，找到足够多的受试者本身就极其困难。以及关键的临床试验，必须在人体中进行，必须符合监管流程，必须等待时间流逝以观察副作用。

“所以，问题远不止是‘发现一个靶点’那么简单。从发现到验证，再到真正用在人身上，每一步都是时间和资源的深坑。萨姆总结道，AI 可以帮我们更快地‘想出点子’，设计出更聪明的实验，但它无法绕过人体实验的物理现实。”

2025 科研风向标：过热还是被低估？

在访谈的最后，萨姆对当前热门的 AI 科学概念进行了犀利的点评，梳理了 2025 年的技术泡沫。

比如 AI 证明数学定理，他认为市场呼声有点过热。虽然它确实展示了 AI 的推理能力，而且数学有像国际数学奥林匹克（IMO）这样清晰的评测标准，容易衡量进步，所以成了大模型公司争相展示的舞台。但问题在于，数学证明在现实中的直接用途其实很有限。反观生物学这类复杂领域，因为缺乏类似的快速验证方式，很多实质性进展反而没引起足够关注。

相比之下，AlphaFold 3 和蛋白质结构预测虽然已经很出名，萨姆却觉得它们的长期价值仍被低估。能准确预测甚至从头设计蛋白质，不只是提升效率，更是为未来按需构建生物分子打下了基础。

他特别提到，2025 年最实在的突破是“生成式设计”的落地，尤其是抗体和微生物的“从头设计”（de novo design）。过去，科学家得从自然界已有的分子中筛选候选药物，现在 AI 可以直接根据靶点生成全新的抗体序列，甚至设计出能在真实环境中工作的噬菌体。这标志着科研正从“发现已有之物”转向“创造所需之物”。

至于脑机接口和虚拟细胞，萨姆则认为它们被炒得过头了。虽然像 Neuralink 或 Arc Institute 的工作确实令人鼓舞，但距离真正可用的全脑接口或完整模拟一个活细胞，还有很长的路要走。现在的成果更多是阶段性进展，离科幻电影里的场景还差得远。

站在 S 曲线的起点

“我们正站在这个 S 型增长曲线的起点。”

对于未来，萨姆·罗德里格斯保持着一种审慎的乐观。他预测，到 2026 年，AI Agent 将全面渗透科研生态，悄悄改变实验室的日常；而到了 2027 年，科学界产生的大多数高质量科学假说，可能将由 AI 首先提出。

在这个新旧交替的时刻，AI 不会立即取代科学家，也不会明天就治愈癌症。但它正在以一种不可逆转的趋势，成为科学家手中最强大的外脑。正如萨姆所言：

“我们不再只是发现自然，而是开始按需创造生物学。这才是 AI 赋能科学的真正潜力所在。”

对于人类科学家而言，这既是挑战，更是前所未有的机遇。既然无法拒绝这个从硅基世界走来的超级博士后，最好的办法，或许就是学会如何成为它的导师。

参考资料

视频地址：https://www.youtube.com/watch?v=Dn4OWufAggk

运营/排版：何晨龙