前DeepMind科学家曹原在《硅谷101》访谈中深度剖析了AI for Science爆发的技术背景、核心挑战与未来前景。他认为，AI正从代码、数学能力外溢到更广泛的科学发现领域，但形成“模型到实验”的闭环、确保可解释性与验证能力仍是关键瓶颈。人类在问题定义与价值判断上的角色不可或缺，AI科学发现距离诺贝尔级成果可能还需二三十年，其本质是推动AI本身能力跃迁的强大驱动力。
近期，谷歌前高管Jeff Dean等多位科学家离职创立Discovery Loop公司，专注于加速生命科学研究，这标志着AI for Science赛道正式进入爆发期。与此同时，OpenAI和Anthropic等顶尖实验室也在积极布局，AI正以前所未有的速度改变着人类研发科学的范式。在此次《硅谷101》的专访中，前Google DeepMind资深研究科学家、Onri Labs AI联合创始人曹原，深入解读了这场变革背后的技术逻辑、核心瓶颈与深远影响。他认为，AI for Science的爆发是AI代码与数学能力成熟后的自然延伸，但要真正实现科学发现的自动化闭环，仍面临验证、可解释性与抽象创新等根本性挑战，这不仅是技术的飞跃，更将重新定义人类在科学探索中的角色。
展开「深读」看每一段讨论的问题与论据。
讨论的问题：谷歌高层变动与AI for Science新公司的成立，反映了怎样的行业趋势？
论据 / 案例：杰夫· Dean等资深研究科学家离开谷歌，成立Discovery Loop；谷歌Gemini 3.5 Flash及3.6 Flash表现平平，追赶Anthropic和OpenAI压力大；DeepMind CEO德米斯·哈萨比斯转向AGI与科学。
讨论的问题：AI for Science、AI for AI和RSI这三个核心概念有何区别与联系？
论据 / 案例：AI for Science的目标是解决科学问题，AI for AI的目标是改进模型自身；RSI是一种方法，可用于两者；AlphaFold解决蛋白质结构问题属于AI for Science。
讨论的问题：当前哪些科学领域最适合AI介入，为什么？
论据 / 案例：生物制药开发成本高、周期长，AI可加速分子筛选和临床前研究；材料市场细分（如金属、皮革、生物材料），开发流程因应用而异；AlphaFold解决的是定义明确、可计算的蛋白质折叠问题。
讨论的问题：AI在科学研究的不同环节（定义、表征、验证）中分别扮演什么角色？
论据 / 案例：问题定义由人类给出初始提示，AI辅助分析；AlphaFold将蛋白质表征为氨基酸序列和3D结构；验证环节是瓶颈，物理实验（如核聚变装置）成本高、周期长。
讨论的问题：如何构建AI for Science的“模型到实验”闭环，其主要瓶颈是什么？
论据 / 案例：A-Lab与劳伦斯伯克利国家实验室合作，7天内执行353次实验，获得36个目标材料；瓶颈在于物理世界的验证，如机器人操作精度、成本及通用性；当前AI在模拟（in-silico）环节迭代更快。
讨论的问题：AI在科学发现中最大的挑战是什么，它能否提出真正的新知识？
论据 / 案例：Jeff Danner认为AI proposal未提供新知识；AlphaGo第37手是已知策略空间内的新发现，而非新概念；AI难以像人类那样从感官输入中抽象出“力”或“数”的概念。
讨论的问题：Google、OpenAI和Anthropic在AI for Science上分别采取了何种策略？
论据 / 案例：OpenAI的目标是在2027年前实现自动AI科学家，并发布GPT-4o和Astra模型；Anthropic推出Cloud Science平台，强调生物化学推理；Google需平衡Gemini开发与科学长期投入。
讨论的问题：AI在数学领域面临的主要技术瓶颈是什么？
论据 / 案例：佩雷尔曼证明庞加莱猜想后，其团队花费数年将证明形式化为Lean语言；谷歌参加国际数学奥赛时，形式化转换耗时超过比赛时限；数学的优美在于概念发明，而非仅证明推导。
讨论的问题：如果我们接受AI是黑箱并心安理得地使用其结果，会对社会带来什么影响？
论据 / 案例：AI生成的代码虽正确但难以维护和debug；四色定理的计算机证明虽正确但过程乏味，数学价值有限；音乐会上人类演奏的情感共鸣是机器人无法替代的。
=== SUGGEST===