简介
过去两周，AI for Science 领域密集出现了几个标志性事件，串起来看会发现一条清晰的曲线：AI正在从"帮科学家读文献、算数据"，变成"替科学家提假设、做设计、跑实验"。这一轮的主角不是某个新模型，而是"科研流程本身被重写"。
三个标志性事件
1. Claude用64小时生成31.8万个蛋白质设计
Anthropic公布的数据相当具象：内部研究版Claude在64小时内生成318484种蛋白质设计，针对5种蝎毒神经毒素筛出211个候选送交湿实验室测试，最终17个达到结合标准。Claude调用了12种蛋白设计工具，对超过55万组"蛋白×毒素"组合做结构预测，首轮连续自主运行24小时，计算阶段消耗约1万GPU小时。两款针对Cn2毒素的候选蛋白解离常数达到个位数纳摩尔级。
必须说清楚的是：这17个只是"结合物"，不是解药。研究没有验证中和毒素能力，也没有动物保护实验，距离抗蛇毒血清还有完整的新药开发流程。
2. 谷歌把智能体接到实验室机器人手上
Google Research 把AI智能体"接地"到物理实验室机器人上，跑闭环分子设计循环：智能体提出设计 → 机器人做实验 → 结果回流 → 下一轮迭代。团队提出VERID框架做实验状态追踪，并在癌症靶点上自主发现了单位数纳摩尔的蛋白结合物，在适配体与de novo蛋白设计战役中把命中率显著拉高。
3. 巨头用收购补齐"行业轨道"
OpenAI收购了成立四年的AI生物科技公司Orchestra Bio，其核心产品是帮药企协调临床试验流程的智能体平台，团队并入生命科学模型Rosalind及Rosalind Workbench（详见OpenAI收购解读）。
详细分析：真正的变化在哪
把三件事放在一起看，会浮现出三个转变：
- 从"辅助"到"自主"：过去AI在科研里是"更快的检索与计算"，现在它能自己连续工作24小时、调用12种专业工具、自己决定下一轮做什么。人类从操作者变成审阅者。
- 从"单点突破"到"闭环工程"：谷歌的机器人闭环最关键——一旦"设计-实验-反馈"能在无人干预下循环，科研就从手工艺变成流水线，产出速度由实验吞吐量而非人力决定。
- 从"模型能力"到"行业流程"：OpenAI买Orchestra Bio买的不是算法，是临床试验这个容错率极低行业里的流程参照系。通用模型要落地垂直领域，光有能力不够，还得有轨道。
这次为什么可能不一样
AI for Science 讲过好几轮故事，这次的证据更硬，原因有三：一是规模——31.8万个设计里筛出17个，这种搜索密度人类实验室在物理上做不到；二是闭环——机器人让"设想"能立刻被"验证"；三是成本曲线——1万GPU小时的成本，正在快速低于同等规模湿实验的成本。
边界与风险
- 验证仍是瓶颈：AI生成的是候选，湿实验室才是裁判。211个候选测出17个，命中率约8%——这已经是巨大进步，但也说明92%的算力花在了没用的方向上。
- 数据可信度：VERID这类框架解决"实验状态追踪"，但只要实验数据本身有系统偏差，闭环就会放大偏差。
- 可复现性：Anthropic公开了211个候选设计及实验数据，这是好做法；行业需要更多这样的开放。
对普通从业者的启示
如果你在做科研相关的工作，最该调整的不是"学哪个模型"，而是把研究拆成可自动化执行的步骤：哪些是设计、哪些是筛选、哪些必须人判断。能拆出来的环节越多，AI能替你跑的距离越长。这一逻辑与本月的制造业AI其实是同一件事——把工程知识变成机器可执行的结构。
总结
2026年的AI for Science不再靠"AI发现了什么"来证明自己，而是靠"AI跑了多少轮循环"。前者是运气，后者是可积累的能力。这条曲线才刚起头，值得长期跟踪。