这几天AI圈里有两个话题绕不开一个是传闻中GPT-6 Astra的路线图另一个是DeepMind那篇让不少数学家沉默的“FunSearch”论文。你会发现这两个话题指向同一个方向——AI不再满足于陪你聊聊天、生成PPT、写几行代码它开始把目光投向人类最高级的智力活动之一数学证明和科学发现。于是“AI科学家”这个词从前两年还是科幻片设定现在却频繁出现在论文标题、基金申请、招聘JD里。但冷静下来想一想我们离“AI科学家”到底还有多远如果GPT-6 Astra真的按照行业期待的形态落地AI开始尝试解千禧年难题那这一天的到来究竟是三年后还是三十年后这篇文章我想从技术现状说起梳理几条我实际观察到的路径也聊聊那些听着很近、实际上还有巨大鸿沟的部分。1. 我们说的“AI科学家”到底指什么“AI科学家”是一个被严重滥用的大词。不同人说这个词脑子里想的东西完全不是一回事。如果你去问做深度学习的基础模型研究员他可能会说“让模型自己提出假设并验证”如果你去问做计算化学的人他可能会说“用机器学习势函数加速分子动力学模拟”如果你去问一个普通用户他可能觉得“能自动写论文的AI就是AI科学家”。这三类理解其实是三种完全不同的阶段。1.1 GPT-6 Astra的命名背后藏着怎样的信号先说GPT-6 Astra。这个名字本身就很值得玩味。“Astra”在拉丁语里是“星辰”的意思命名方向明显在强调探索、发现、未知边界。结合过去一年多行业对下一代模型的普遍预期——长程推理、自主规划、多模态理解、工具使用——你会发现这些能力拼在一起恰好就是“科学发现”所需的基本素质。我个人的判断是GPT-6 Astra如果真实存在它大概率不会是单纯“更会聊天”的模型而是朝着“可以做持续多步骤研究任务”的方向演进。这背后涉及的模型能力不只是参数量增加还包括记忆机制、自我纠错、与外部工具稳定交互等系统工程问题。这个命名之所以在AI圈刷屏核心原因是它第一次把“AI与基础科学”的距离拉到了大众面前。以前我们说AlphaFold大家觉得那是“生物信息学的工具”但一个被冠以“星辰”之名的通用大模型一旦真的开始解数学难题那就不是工具升级这么简单了而是科研范式的讨论。1.2 三个层次分别代表了什么能力我把“AI科学家”拆成三个层次方便大家对号入座第一层科学计算工具。AI负责“算得快、算得准”。比如用神经网络做分子性质预测、用符号回归找实验数据规律、用深度学习加速仿真。这层已经成熟本质是数值计算和模式识别的增强。第二层科研协作者。AI负责“帮你做研究中的琐碎又烧脑的事”。比如读文献、归纳领域脉络、提出候选假设、设计初版实验方案、写代码做数据分析。目前大模型正在快速渗透这一层也是我个人投入精力最多的地方。第三层独立科研主体。AI自主完成“发现问题、定义问题、提出假设、设计验证、执行验证、迭代理论、形成论文”的完整闭环。这才是真正意义上的AI科学家目前全球还没有任何系统能达到。注意这三层不是线性递进的关系。第二层到第三层之间不是一个“再多训练几个月”就能跨越的距离它们之间存在本质的断裂。这个断裂点恰恰就是“科学创造力”的来源问题。1.3 当前我们卡在哪一层坦白说当前绝大多数号称“AI科学家”的项目都停留在第二层的早期阶段也就是“高级辅助工具”。系统能做的是给定一个明确问题检索相关文献生成若干可验证的假设然后在仿真环境里跑一遍预设实验最后按模板生成一份报告。听起来很完整对吧但问题在于从“提出一个有价值的问题”开始AI就不具备自主性。它不能判断什么问题是这个领域里重要的不能决定在两条路线之间该选哪条更不用说在面对意外的实验失败时调整理论框架了。所以现在行业里更准确的说法是“AI协助的研究系统”而不是“AI科学家”。2. 解千禧年难题难度到底有多大千禧年难题千禧年大奖难题是2000年由克雷数学研究所公布的七道经典数学问题每道题的解答者可以拿到100万美元奖金。这里面庞加莱猜想已经被佩雷尔曼解决剩下六道至今仍未攻克包括P vs NP、黎曼猜想、纳维-斯托克斯方程光滑性、杨-米尔斯存在性与质量间隙、霍奇猜想、BSD猜想。为什么要特别拿“千禧年难题”说事因为它们是数学里公认的最硬骨头是“AI能不能做科学发现”的试金石。如果某个AI系统真的搞定其中任何一道那就不光是模型能力的证明而是整个科研范式的改写。2.1 这类问题的共同特点不是算力不够是概念不够很多人有个直觉误区觉得“难题解不出来是算力不够AI算力强所以能解”。但千禧年难题恰恰不是算力问题。以P vs NP为例这个问题的本质是问如果一个问题能在多项式时间内验证解的正确性那它是否也一定能在多项式时间内找到解这需要的是新数学结构、新证明方法而不是更快的计算机。打个不严谨的比方你用再强的望远镜也看不到另一个星球上的微生物。因为问题不在放大倍数而在你没有一套适用于“外星微生物”的采样和培养方法。数学上的开放难题缺的是概念框架和理论工具不是计算资源。这给AI提了一个非常致命的难题AI目前最擅长的是从海量数据里做模式匹配和插值。但面对“概念空缺型”问题连数据里都没有现成模式可供匹配AI的学习目标是什么这是一个方法论层面的死结不是工程层面的。2.2 现在AI在数学上的真实能力边界虽然千禧年难题本身还没被攻克但AI在数学领域确实已经打了几场漂亮的仗。两条技术路线值得关注一条是形式化证明路线。以Lean、Coq、Isabelle等证明助手为基础把数学命题翻译成可被计算机核验的代码再用AI自动生成证明过程。OpenAI的AlphaProof在2024年国际数学奥林匹克竞赛中拿到接近金牌的成绩就是一个标志性事件。这条路的优势是“正确性有保证”——AI生成的任何证明步骤都可以被Lean严格验证。缺点是形式化转换本身极耗人力而且目前能形式化的问题规模极其有限。另一条是直觉发现路线。以AlphaTensor和FunSearch为代表。AlphaTensor用强化学习找到了矩阵乘法的新型分解方案超越了人类此前数十年的人工设计。FunSearch则用大模型生成解决具体数学问题的程序用进化搜索筛选出可行解然后在集合论的上限集问题里产出了可发表的新成果。这两条路线的本质区别是形式化路线保证正确但探索空间有限发现路线探索空间大但结果需要人类再次验证。真正的千禧年难题需要同时具备两类能力——既要能探索巨大的概念空间又要能产出逻辑严格、可验证的论证链条。目前没有一个系统能做到这一点。2.3 为什么“能验证”和“能发现”之间隔着一条鸿沟这里我想多说一点。严格来讲像Lean这类证明助手如果算力足够理论上可以穷举所有合法推理步骤来搜索证明。但问题是搜索空间爆炸到不可想象纯粹穷举在物理上行不通。所以AI必须会“挑”方向也就是要有类似人类数学家的直觉。但“直觉”这个东西在AI里怎么实现主流做法还是靠大规模预训练从亿万字面数据里学出统计规律。问题是人类数学家的直觉来自“对结构的感受”而大模型的直觉来自“对文本分布的预测”。这两者表面行为可能相似底层机制完全不同。目前学术界对这件事也有巨大分歧有些人认为还有很长的路要走有些人则认为模型规模上去了新的能力会自发涌现。我个人看法是短期内AI最务实的角色是“给人类数学家提供灵感”而不是“替代人类数学家完成证明”。它可以在你卡住的时候用另一种表述把问题重新包装或者在你没注意到的方向生成一串候选路径。这价值已经不小了但离“解出千禧年难题”还差着十万八千里。3. AI做科研的真实进展从解题到提假设上面聊了数学难题你可能觉得AI做科研还太远。但如果你把目光放到更宽阔的科学领域——生物学、化学、材料学、医学——AI做科研的进展其实已经超出很多人预期了。我不能只说数学因为那是最极端困难的场景。在数据密度高、模式清晰、可重复实验的领域AI的科研能力提升速度非常快。3.1 已经发生的“准科学发现”最典型的案例是AlphaFold2。它通过蛋白质氨基酸序列直接预测三维结构解决了结构生物学界几十年来的难题。2024年AlphaFold3进一步覆盖到蛋白质与DNA、RNA、配体、离子的复合物结构。你说这是不是科学发现当然是。但严格说它解决的是一个“高维映射问题”——输入输出关系明确海量实验数据做监督。它更像是“超级工具”完成了“专家级预测”而不是在提出一种全新的蛋白质折叠理论。类似的还有材料科学里的机器学习势函数。传统上做原子级模拟依赖密度泛函理论精度高但计算极慢。现在用神经网络训练出来势函数速度和精度都能达到实用水平大幅加速了电池材料、催化剂、半导体材料的筛选流程。我关注的一些实验室前几年还在手动试错实验配方现在已经在用AI批量生成候选结构再交给自动化平台合成验证了。这类案例的共同特征是领域边界清晰评价函数明确数据可以批量获取。在这些环境下AI确实在干“科学家”才会做的事——根据已有数据提出候选方案并且方案被后续实验验证为有效。3.2 大模型开始成为“假设生成器”除了机器学习专有模型通用大模型也在快速进入科研场景。2024年以来学术界陆续有一些工作尝试用GPT-4级别的大模型参与研究前端比如从文献库中提取未被验证的关联生成生物医学假设或者基于已有实验数据生成“下一步最值得做的实验组合”。我见过一个比较震撼的案例有团队用大模型分析大量关于特定靶点蛋白的论文摘要自动构建了一个“基因-蛋白-疾病”的知识图谱然后让模型基于图谱推荐新的药物-靶点组合。其中有一个组合后来在小鼠实验里确实表现出了预期活性。虽然还需要更多验证但这一步已经说明大模型作为“高密度的领域知识聚合器”确实能帮人类研究者节省大量前期调研时间并跳出个人知识边界的限制。当然这里面的水也极深。最常见的坑就是模型会“一本正经地胡说八道”。它生成一个假设时不会告诉你这个假设在逻辑上哪里可能有漏洞也不会告诉你支撑它的数据有多薄弱。所以现阶段大模型生成的假设必须经过人肉审读和独立验证绝对不可以直接拿去申请经费、开组会、或者投稿。3.3 Self-Driving Lab把“假设—实验—验证”闭环交给机器前面说AI做研究通常到“生成假设”就停了剩下实验还得靠人。但圈子里的确有团队在推进“自动实验室”Self-Driving Lab的整套闭环AI提出实验方案机器人平台自动配置试剂、运行测试、返回数据数据再反馈给AI模型模型迭代后再提出下一轮实验方案。这种循环在化学、生物学的某些标准化场景里已经在跑。比如我关注到的美国一个团队搭建的自主合成平台可以每天自动跑几百组反应AI根据产率、选择性等参数持续优化反应条件。几个星期内就能把一条合成路线从纯文献方案优化到实验室可重复的水平。但要客观说这类系统目前高度依赖标准化设备和稳定的外围环境换一个实验室、换一批批号不同的试剂系统可能就要重新校准。所谓“自主”还是局限于一个封闭的物理世界里。而且从“给定明确目标去优化”到“自己发现一个值得研究的科学问题”这中间仍然有一个巨大的认知跳跃。目前的自驾实验室做的还是“高级优化”不是“科学创新”。4. 我们自己动手一套可落地的“AI科研辅助”工作流聊完远方的星辰说点当下能用的东西。即便我们离“AI科学家”还很远但“用AI当科研协作者”这件事现在就能落地而且收益非常明显。我过去半年一直在折腾自己的个人科研辅助流水线这里把选型、配置、踩坑经验都和大家说说。4.1 模型怎么选本地部署还是API调用做科研辅助首先面对的问题就是“用本地模型还是云端API”。两者各有取舍视你的数据隐私需求和预算而定。我在工具选型上的建议是能用API就用API只有在数据涉密或者需要无限制实验的时候才上本地部署。大厂前沿模型的能力和开源模型之间的差距还很可观做文献分析、假设生成这些非结构化任务模型理解能力直接影响结果质量。如果你确实需要本地部署这里给一份大致的显存参考表模型参数量最低显存FP16推理硬件参考适合场景7B约14GBRTX 4080 / 4090文献摘要、基础问答13B约26GBA100 40GB / 两张3090中等复杂度分析32B约65GBA100 80GB / 多卡复杂推理、长文本理解70B约140GB多张A100 / H100接近GPT-4水平的语义理解注意这是我自己的经验值具体还得看上下文长度和量化方式。如果做4-bit量化显存需求能降到上面的三分之一左右但精度会有一定损失用于文献检索分类问题不大用于逻辑推理我不太推荐。4.2 搭一个“论文阅读假设生成”的智能体我的日常科研场景通常是这样拿到一个新课题首先要快速看完30到50篇相关论文提炼方法脉络找到空白点。这个流程以前要花两周现在我用了一套路子可以压缩到两三天。核心是一个简单的Python脚本把几个环节串成自动化管线# 一个极简的科研辅助智能体骨架 import requests from langchain.prompts import ChatPromptTemplate from langchain.schema import StrOutputParser from langchain.chat_models import ChatOpenAI # 1. 从arXiv检索论文 def search_arxiv(query, max_results20): url http://export.arxiv.org/api/query params {search_query: query, start: 0, max_results: max_results} r requests.get(url, paramsparams) # 解析Atom XML提取标题、摘要... return papers # 2. 用LLM做一个“研究背景速览” def generate_research_brief(papers, llm): prompt ChatPromptTemplate.from_messages([ (system, 你是一位领域专家。请阅读以下论文摘要梳理研究脉络找出尚未解决的开放问题并用中文输出研究简报。), (user, {papers}) ]) chain prompt | llm | StrOutputParser() return chain.invoke({papers: papers}) # 3. 基于简报生成候选假设 def generate_hypotheses(brief, llm): prompt ChatPromptTemplate.from_messages([ (system, 你是严谨的科研顾问。基于研究简报提出3-5个可验证的假设每个假设需包含研究问题、理论依据、验证方法、预期结果。拒绝空泛表述。), (user, 研究简报{brief}) ]) chain prompt | llm | StrOutputParser() return chain.invoke({brief: brief})这套代码的核心逻辑很简单第一步从arXiv等公开论文库抓数据第二步用大模型写综述第三步基于综述生成假设。看似简单但实际效果很不错因为大模型在“综合多篇文献提炼共性脉络”上的能力已经远超过大多数人的手工整理效率。我提醒一句这个脚本只是起点真正调试的时候你会遇到各种问题比如arXiv的XML解析异常、提示词太短导致输出太泛、上下文超长被截断等。这些都属于日常工程问题逐个解决就好。重要的是先把“文献→简报→假设”的骨架跑起来。4.3 几个科研提示词模板直接可用如果你不想写代码直接用ChatGPT、Claude这类对话产品也能做很多科研辅助工作。区别只在提示词质量。我总结了几套反复打磨过的模板适用于不同环节。研究背景梳理模板你是一名[具体学科]领域的资深研究员。请阅读以下文献摘录按时间线梳理该研究方向的演进脉络1每篇文献解决的核心问题2使用的方法和局限3这些文献之间如何传承和冲突4当前尚未被解决的问题。请以结构化要点输出每个结论都要注明来自哪篇文献。研究假设生成模板基于以下背景信息请生成3个可验证的研究假设。每个假设必须满足有明确的理论依据、可被实验或数据分析检验、与已有文献结论形成对话。输出格式为假设名称、核心观点、依据文献/数据、验证实验设计、可能的失败原因。如果某个假设证据不足请明确说明不确定度。实验方案设计模板请为以下实验目的设计一套完整的实验方案。要求包含变量控制方案、样本分组思路、数据采集指标、统计学分析方法、预期结果及对策。在方案设计时请主动标出高风险步骤并提供替代方案。如果我的实验条件有限如设备、时间、预算请给出简化版建议。为什么这些模板有效关键在两点。一是限定了输出格式让模型输出结构化结果方便后续筛选二是要求模型“标出不确定度”和“失败原因”这能明显压低幻觉率——当模型被要求自我审视时它会倾向于更保守、更谨慎地表达。4.4 科研场景用AI的四个避坑指南这部分是纯经验谈每一条都是我或者身边朋友实打实踩过的坑。幻觉引用是最隐蔽的坑。让AI找文献它可能生成一篇标题看起来无比真实、但实际上并不存在的论文。解决方法是要求AI在输出参考文献时必须附带arXiv链接或DOI并且你必须在提交前逐条核对。我自己的规则是“AI给的所有引用默认不可信除非我亲手验证过”。这条规则虽然烦但能救命。上下文丢失导致结论漂移。对话模型在超长对话里会遗忘早期的约束条件导致后续回答偏离初始设定。对策是“一条提示词走到底”把研究背景、约束条件、输出要求全部写在一个完整的提示词里不要依赖多轮对话维系。多轮对话看似方便实际上很容易让模型越聊越偏。数据隐私要当成红线。不要把未发表的实验数据、患者隐私数据直接粘贴到云端API里。如果你所在机构有明确的数据合规要求最好先走内部审批流程。我见过不止一个实验室因为贪图方便把私有数据丢进公开API后来惹出一堆麻烦。如果实在要用外部API至少做脱敏处理。结果可复现性必须手动保障。用AI生成的代码和实验方案一定要在同条件下多跑几遍确认稳定后再把它纳入正式流程。AI写代码很快但它生成的代码经常在边缘情况上出错。作为研究者最终对结果负责的还是你自己AI不可能替你背锅。5. 从今天到“真正的AI科学家”还需要跨过哪些坎现在回到题目本身我们离“AI科学家”还有多远如果只看最近两年的进展答案好像很近但如果把“AI科学家”定义为能够独立完成科学发现闭环的系统距离其实还非常远。这里面有几个真正的硬骨头不是堆算力就能解决的。5.1 技术层面的三座大山第一座大山是长程推理与规划。科学探索不是一步推理而是一个持续数月甚至数年的动态过程。研究者需要根据中间结果不断调整方向随时推翻之前的部分结论。目前大模型的能力即使在单点推理上很出色也很难维持一个长达几十步、且中间步骤依赖外部反馈的推理链条。这本质上是“工作记忆”和“状态追踪”的问题现有Transformer架构并不擅长。第二座大山是外部世界交互与验证能力。真正的科学研究需要动手实验、观察现象、修正假设。AI系统目前基本活在数字化世界里最多能操作仿真环境。但仿真不是真实世界很多科学发现的产生恰恰来自“仿真预期之外的异常现象”。要让AI真正做实验就得解决机器人操作、传感器融合、开放环境下的鲁棒性——这个复杂度比训练大模型本身可能还要高一个量级。第三座大山是可信度与自我批判机制。现在的模型缺乏对自身结论的系统性质疑能力。它不会主动说“我的这个假设可能从根子上就是错的因为前提A在真实条件下不成立”。科学家的核心能力之一就是批判性思考和否定自己的旧想法。这个能力目前在大模型架构里没有对应的机制实现。5.2 科研制度的适配问题就算技术上突破了以上三座大山科研系统本身的运转方式也需要跟着改变。现在的学术评价体系——同行评议、论文评审、基金申请——都是围绕“人类科学家”设计的。如果AI真的参与产出成果谁来署名AI生成的论文审稿人怎么审作者如何向公众披露AI的参与程度这些不是遥远的伦理问题而是正在发生的现实问题。已经有学术期刊要求投稿人声明是否使用AI生成内容但声明归声明评审机制本身还没有准备好应对“AI产出的实验方案是否需要额外验证”这类情况。在我看来未来几年会有一大批关于“AI参与研究”的学术规范出台这个过程的快慢会直接影响AI科学家落地的速度。5.3 我对未来的预期按时间轴来看基于目前的进展速度我个人的判断是未来三年内AI会在一批“半封闭”科学场景中成为不可替代的研究主力比如蛋白质设计、材料配方优化、组合数学搜索、医学影像分析。这些场景的共同特征是目标明确、数据充足、验证路径清晰。AI有望独立完成从数据中挖掘模式到提出优化方案的闭环。但此时系统还称不上“科学家”更准确的说法是“自动科研引擎”。未来五年到十年如果长程推理和外部交互两大瓶颈有实质性突破我们可能会看到AI在某个具体学科中独立完成一次小尺度的科学发现并产出可以被同行验证的成果。这件事一旦发生就会成为压倒性的范式转折点。但要说AI能攻克黎曼猜想或P vs NP这种级别的难题我持谨慎态度。那更像是“概念生成能力”的终极考验目前还没有任何理论框架能指导我们实现这一步。我自己在实际折腾AI辅助科研的过程中最大的体会是AI目前最大的价值不是“替你想”而是“逼你想清楚”。当你把研究目标、背景、约束条件组织成一段清晰提示词时你被迫把大脑里模糊的想法结构化而当AI给出反馈后你又被迫去评估、筛选、验证它提出的每一个方向。这个过程实际上大大提升了研究者本身的思维质量。所以哪怕距离“AI科学家”还有很远的距离现在的AI作为“科研磨刀石”已经比五年前的任何工具都好用太多了。下一步应该把重点放在提升长程推理可靠性以及建立更完整的AI实验反馈闭环上。至于解不解千禧年难题反而没那么重要——能让更多普通研究者站在AI肩膀上做事情这件事本身就已经足够颠覆了。最后再分享一个小技巧如果你是刚接触AI辅助科研的人不要一开始就想搭一个全自动的AI研究系统。先从最小闭环开始——用AI总结三篇你手头的论文让它提出一个你没想到过的关联方向然后再拿一个周末的时间去验证这个方向的可行性。跑通这个最小闭环你会对“AI科研协作者”的真实能力边界有远比看论文更清晰的认识。