AREX Viewpoint Article
对话前DeepMind曹原：AI for Science爆发，一个新时代到来了
导读
2026年8月5日，Jeff Dean与Sanjay Ghemawat等Google高管共同创办Discovery Loop。据《连线》等多家科技媒体报道，这家公共利益公司的使命是自动做机器学习、科学与工程，以加速科学发现；其官网进一步说明，团队要自动化科学和工程的实验循环：让AI提出假设、运行实验、评估结果并继续迭代。这个动作把AI for Science从大模型竞赛的延伸，推成了一个可以独立融资和独立运作的新赛道。
更值得注意的是，Business Insider在8月12日报道，Jeff Dean的新公司正在讨论一轮10亿美元融资。虽然融资尚未完成，但这已经说明，AI for Science不再只是Google内部被Gemini优先级挤压的附属研究，而是需要独立资本、独立团队和闭环基础设施的新产业方向。曹原在视频中的判断恰好提供了内部视角：Gemini项目启动后，Google需要集中力量追赶前沿模型，AI for Science团队的重心被迫调整，John Jumper等核心人物离开也不意外。
但资本热度从来不是最难的问题。Discovery Loop把“实验循环”作为产品，而曹原给出的关键提醒是：AI for Science真正的瓶颈不在模型不够聪明，而在物理世界的验证速度。数学和代码可以即时判断对错，生物、材料和物理实验却周期长、成本高、反馈慢；目前提效最明显的仍是前端的模拟环节，湿实验还没有被真正赋能。这意味着，谁能更快、更便宜、更可靠地完成实验验证，谁才能让AI科研闭环真正转起来。
在此基础上，曹原对三大AI巨头的路线做了对照：Google在AI for Science上布局最早、最广，但Gemini优先级让位；OpenAI试图用通用模型覆盖科学问题，却因产品线扩张而战略分散；Anthropic通过Claude Science和招募John Jumper明确押注生物医药。这个对照解释了为什么Jeff Dean会选择离开Google而非继续在内部推进——不是Google做不好，而是大模型竞赛的优先级把AI for Science推向了创业公司。
视频更进一步的增量，是把“AI能否自主发现”拆成两个可检验的问题：验证速度和概念抽象。曹原认为，当前AI的发现本质是在已有表征空间内搜索和排列组合，无法创造新概念；从具体感知到抽象概念可能是AGI的最后一英里。同时，他给出分层判断：靶点发现、分子结构生成等中间产物已经可以商业化，但AI独立做出诺贝尔奖级别发现至少需要二三十年，必须补上因果推理、长期记忆和持续学习等能力。
因此，在Jeff Dean创业和巨额融资把AI for Science推到聚光灯下之后，这期视频补充了外部新闻缺少的部分：Google内部为何发生这样的流动、验证瓶颈如何决定迭代上限，以及产业应该把资源投向自动实验室和可验证的中间产物，而不是等待一个遥远的诺奖叙事。它帮助读者把注意力从“AI会不会拿诺奖”拉回到更现实的问题：实验闭环能否被快速、可解释、可验证地建立起来。
核心结论
- AI for Science 的核心瓶颈不是模型不够聪明，而是物理世界的验证速度跟不上：数学和代码可以即时验证，但科学必须回到物质层面的湿实验，实验周期、成本和反馈速度决定了 AI 迭代的上限。自动实验室是当前最现实的突破方向，而通用机器人实验仍然遥远。
- AI 目前只能在已有表征空间内搜索和组合，无法真正创造新概念：从具体感知到抽象概念的跨越，可能是 AGI 的最后一英里，甚至未必是图灵可计算的过程。这意味着当前 AI 的“发现”本质上是高效排列组合，而非诺贝尔奖级别的概念创造。
- 符号主义与连接主义的混合路线，是让 AI 产生超出训练分布的新想法的可能路径：纯神经网络只能学习相关性，难以捕捉知识之间的逻辑骨架。在 LLM 之外叠加符号逻辑层，可以把跨领域知识串成骨架，引导模型生成概率分布之外的新假设，但瓶颈在于平衡创新性与可行性。
- 三大 AI 巨头在 AI for Science 上已经明显路线分化，Google 布局最广但优先级让位，Anthropic 聚焦生物医药后来居上：Google 拥有最深的 Alpha 系列积累，但 Gemini 集中资源挤压了 AI4S 的优先级；OpenAI 试图用通用模型覆盖科学问题，却因产品线扩张而战略分散；Anthropic 通过 Claude Science 和招募 John Jumper 明确押注生物医药。
- AI for Science 的商业化是分层的，中间产物可以快速变现，但自主科学发现需要二三十年：靶点发现、分子结构生成等中间环节已经具备落地能力，但 AI 自主做出诺贝尔奖级别的发现，必须先补上因果推理、长期记忆和持续学习等能力缺口。这个时间判断为产业预期提供了冷静的锚点。
观点拆解
1. Jeff Dean 出走不是 Google 衰落，而是 AI for Science 从大公司内部项目转向独立创业的信号
-
Jeff Dean 出走标志着 AI for Science 从大公司内部项目转向独立创业赛道：Jeff Dean 带领高管团队离开 Google 创办 Discovery Loop，表面上是人才流动，实质上说明 AI for Science 已经成熟到可以脱离大模型竞赛、作为独立方向创业。曹原认为这不是 Google 衰落的信号，而是科学研究范式切换的标志。
“在硅谷，这标志着 AI for Science 这个赛道开始爆发。”
“我理解说结束的时代是 Google 的时代，开启的时代可能是一个新的 AI for Science 的、科学研究的时代。”
“从今年开始大家可以看到有很多关于 knowledge discovery、AI for Science、然后 recursive self-improvement 这样的一些 startup。”
-
Gemini 集中资源导致 AI for Science 在 Google 内部优先级被挤压：曹原指出，Gemini 项目启动后 Google 需要集中力量办大事，导致原本相对独立的团队和课题受到挤压。John Jumper 等 AI for Science 核心人物的离开，正是因为短期内所有工作重心都必须转向 Gemini 的追赶。
“从三四年前 Gemini 这个项目开始之后，因为 Gemini 毕竟是一个最大的项目，也是很重要的项目，这种项目需要集中力量办大事。”
“Google 现在内部 DeepMind 肯定是最高的优先级，是要把 Gemini 做好，做到 SOTA，做到跟 Anthropic 跟 OpenAI 齐平的位置。”
“包括像 Jumper，包括原来一些做 AI4S 的人，他们的工作重心也会有变动。”
-
Google 仍拥有全栈 AI 能力，不会因少数人离开而衰落：曹原认为，把 Jeff Dean 的离开解读为 Google 时代结束是言过其实。Google 拥有从芯片、基础设施到模型、数据和产品分发的全栈能力，不依赖外部生态。问题不在能力，而在优先级和资源投入的调整。
“Google 可能是这些大的科技公司里面，拥有所有做好 AI 的全栈要素的这么一个公司，从底层的芯片到 infrastructure、数据中心、到工具链，然后到模型层、人才、数据，再到上面产品的分发。”
“所以不是说 Google 做不好，而是说在优先级上面，以及资源的投入上面需要做些调整。”
“Google 是在所有的 AI 科技公司里面，可以说是在 science 里面最早布局的，然后布局得最广最深，这个生态体系可以说做得最好的一个公司。”
2. AI for Science 的核心瓶颈不是模型智能，而是物理世界的验证速度
-
验证速度决定 AI for Science 的迭代上限，而物理世界验证是根本瓶颈：曹原指出，AI for Science 与 AI for coding 或 math 的本质区别在于验证方式：代码和数学证明可以即时判断对错，但科学问题往往需要物理实验验证，周期长、成本高、反馈慢。验证速度直接决定了 AI 能多快迭代，因此可验证性成为衡量 AI for Science 进展的核心指标。
“最难，对于 AI for Science，肯定是验证，它是一个瓶颈，一旦这个瓶颈被打破了，你就可以很快地迭代。”
“AI for coding 和 math，你一旦数学给出证明，AI 给出证明，你马上可以判断它是不是对的，这是非常快的。或者你写一个代码，它对不对马上就可以知道。但是对于很多科学问题，你说你申请个新的药物，可能不到最后上市之后，你真的不知道它效果会怎么样。”
“你产生东西，能有多快地去验证，取决于你这个 AI for Science 能够多快迭代，所以这个可验证性是非常重要的一个指标。”
-
科学必须从信息层面走向物质层面，湿实验尚未被真正赋能：曹原用信息、物质、能量三个宇宙基本要素来区分 AI 的应用层次：AI for math 和 coding 停留在信息层面，而科学必须进入物质层面，即湿实验环境。目前 AI 提效最明显的是前端的模拟环节，湿实验环节还没有被赋能或提效，这构成了 AI for Science 走向真实世界的核心障碍。
“大部分很多的科学问题，无法很快得到验证的话，你是没法用这个 AI 来解决的。”
“AI for math 和 coding 都是在信息层面，然后哪怕 AI4S 它可以提出一些新的 proposal，新的一些包括模拟都只是在信息层面，但是你要想做 science，你必须走到物质层面，然后你必须要做一些实验，就是到湿实验的环境。”
“现在湿实验还没有办法被赋能，或者被提效，现在最提效的，还是说在前面的 simulation，这是目前迭代最快的一个环节。”
-
自动实验室是当前最可见的突破方向，但通用机器人实验仍较遥远：曹原认为，要突破物理验证瓶颈，最现实的路径是自动化实验室：对于操作流程标准化的实验，可以用机器人替代人工，通过云端实验室调用 API 完成远程自动化实验。但对于流程、配方或操作经常变化的非标准实验，则需要具身智能和通用机器人，这仍是较远期的目标。
“如果这个实验室操作流程比较标准的话，你可以把它完全用机器人来替代，这个是很多美国这边的公司都在做的事情。”
“如果说不是一个标准流程，比如说你经常需要流程、配方，或者整个操作改变的话，你就需要一个具身智能，需要比较通用的一个机器人，帮你去做这样一个事情，这可能是比较久远的事情了。”
“自动化实验室肯定是一个相对来说比较能看到的方案。”
3. AI 目前只能在已有表征空间内搜索和组合，无法真正创造新概念
-
AI 的“发现”本质上是已有表征空间内的搜索与排列组合，而非概念创造：曹原认为，当前 AI for Science 的进展主要是在既有概念和表征空间内进行搜索、排列组合和实验方案设计，效率虽高，但无法自动产生诺贝尔奖级别的科学发现。AlphaGo 的“神之一手”虽然算新发现，但本质上仍是对已有内在表征的重新组合，而不是创造新概念。
“目前的 AI for Science，它可能可以在它的表征空间里面、已有的概念里面，进行排列组合，然后去搜索，然后给你设计一些新的实验方案。它通过排列组合已有的概念，的确可以给你解决很大一部分问题，效率已经远远比人类高了。但是，如果你要让 AI 以后能够自动生成一个像诺贝尔奖级别的科学过程、一个科学结果的话，这整个 discovery 过程，我觉得是目前 AI 远远做不到的。”
“AlphaGo 的第37步，就是“神之一手”的第37步，它算发现吗？它也是发现，它肯定是发现，它是个新的发现。但它这个发现的模式是把现有的内在表征，比如说重新去排列一下或者组合一下，原来可能它不一定是在最大或者比较大的概率这个路径上面，它突然有一步采样到一个之前不常见的路径。它是一个发现，肯定是新的。”
-
数学证明在固定表征空间内是搜索问题，但定义新数学对象才是真正的洞见：曹原指出，如果数学问题的结论可以通过已有定义和引理推导出来，即表征空间固定，那么无论问题多难，AI 只要搜索强度足够大，就有可能找到证明。但数学更核心的部分是发明和定义新的数学对象，如特征值、黎曼度量等概念，这种抽象能力才是数学家最需要洞见力的地方。
“不管你有多难的数学问题，如果它这个数学问题本身不需要产生一些新的数学对象，或者产生新的一些数学定义，说白了就是你这个数学问题的结论是可以通过已有的这些数学的定义和已知的一些数学的证明引理等等可以推导出来的，说白了就是你这个表征空间是固定的话，这个是我相信可能就是不管你这个多难，AI 总是，如果模型足够强的话，它是有可能把一个证明或者一个解给搜索出来的。”
“一个好的数学家，更重要的事情是他能够找出，或者是定义出非常优雅的一个数学的概念、一个对象，抽象出一个数学的本质上的定义。你如果有个很优雅的、很优美的一个数学定义，可能远远比你推导出这个过程更重要。没有一个合适的数学对象，你是没法推导出数学的一个过程的。”
-
从具体感知到抽象概念的跨越可能是 AGI 的最后一英里，且未必是图灵可计算的：曹原以“数”的概念为例说明：原始人能从三只鹅、四只鸟、五棵树中抽象出“数”的概念，并推广到任何物体，但 AI 若只接收这些感官输入，很难想象它能自动提取出这样的概念。他认为概念抽象过程可能是 AGI 的最后一英里，甚至可能不是图灵可计算的过程，这意味着人脑在最底层未必与图灵机等价。
“哪怕最基本的一些数的概念，如果你可以想象一个语言模型，如果它从来没有在数学上面训过，它不知道有没有这个数的概念。就像原始人一样的，原始人如果看到三只鹅、四只鸟、五棵树，你这个原始人已经可以开始算数了，可以有这个数的概念了，它可以定义出阿拉伯数字，抽象出这个数的概念。这个数的概念可以用于任何物体，不一定是鸟，什么物体都可以用这个数的概念。但是如果你说你给 AI 只是看这几个物体，三只鸟、四只鹅等等，它是不可能提取出数的概念。”
“这个概念抽象的过程，我认为可能是 AGI 的最后的 last mile，最后的一步。这个 mile 可能是永远无法逾越的。这个过程我认为甚至都不一定是在图灵可计算这个意义下面，都不一定是一个图灵可计算的这么一个过程。这也是为什么我觉得人脑在最底层，它并不一定是一个图灵机，不是跟图灵机等价的这么一个过程。”
4. 符号主义与连接主义的结合，是让 AI 产生超出训练分布的新想法的可能路径
-
符号主义提供先验规则，连接主义从数据中学习表征，两者各有不可替代的分工：曹原用“A>B、B>C则A>C”和“什么是猫”两个例子说明：符号规则可以不经数据预先写定且精确，但面对模糊、歧义的自然语言和图像时非常脆弱；神经网络则通过向量表征从大量经验中自动学习特征，更适合处理这类模糊问题。这为后续“混合路线”提供了技术前提。
“如果你知道A>B、B>C，那么A>C，这种东西是完全可以事先就写出来的，你不需要学。”
“你没有办法用纯语言去形容一只猫，就是你没法用一套逻辑去规定很多东西，没法用非常刚性的逻辑去刻画整个宇宙。”
“有很多模糊或者是有歧义的东西，你必须要让模型自己学出来。”
-
在LLM之外叠加符号逻辑层，可以把跨领域知识串成骨架，帮助模型生成概率分布之外的新想法：曹原提出，纯靠训练数据很难发现海量概念之间的推理关系和跨论文联系，而符号逻辑可以把不同领域的知识用规则连接起来，提取出知识的骨架。这些骨架可以作为模型的“新直觉”，引导它生成超出常规概率范围的新假设，这正是混合方案的核心价值。
“如果你要在LLM外面加一层东西，能够帮助它产生新的想法的话，我们想把这些不同的，比如说所有的这些人类知识，把它用一些规则能够给串起来，而且能够提出一些新的。”
“它可以帮助我们能够更好地提取出知识之间的一些骨架，它们之间推理关系，以及它们之间怎么联系的，这些东西可以作为一个模型的新的直觉，给它生成一些在它概率范围之外的东西。”
-
混合路线的真正瓶颈不是产生新想法，而是平衡创新性与可行性：曹原指出，让模型“创新”本身很容易，随便采样或扔一个词都可能产生不同想法；难点在于新想法必须合理、可行，并且与问题真正吻合，而不是为了创新而创新。这意味着符号层不能只负责发散，还需要承担约束和验证的功能。
“我觉得是平衡创新性，它的新想法的创新性和可行性之间。说实话，你要让一个模型创新的话，是很容易的，哪怕就随便采样，或者是给它任何扔一个单词，它都可能生成一个不一样的想法。但问题是，你这个创新的想法必须要可行，而且是必须要合理。”
“你提出新的想法，你要证明它这个东西，的确是跟你这个问题比较吻合的，而且是可行的，而不是说是随便为了创新而创新。”
-
符号与连接的争论延续了古典哲学中先验与经验之争，最终指向持续学习而非固定模型：曹原将符号主义对应唯理论的先验结构，将连接主义对应经验派的感官输入，并借康德和黑格尔的脉络说明：智能不是先验规则或经验数据的单一产物，而是两者的辩证统一，且必须持续更新。映射到AI语境，就是AGI不应是固定参数的checkpoint，而应通过持续学习不断自我修正。
“这个符号是一个先验的，你不用数据，你可以指定东西，而连接主义这个神经网络是，你必须通过大量经验去学到东西。”
“康德就提出，经验是提供材料的，但是你看到这些东西，感官输入都是材料，怎么样能够对你产生意义，那是你需要有个先验结构。”
“最终AGI肯定不说就是这么一个文件，就是这么一个固定死的checkpoint，所有的参数都刻在里面了，你说这是智能，肯定这个不可能是这样子对不对，它一定要是在不断地跟用户互动，或者是它执行任务的过程当中，要不断认识到自己的错误，然后持续地去更新自己。”
5. 三大 AI 巨头押注 AI for Science 的路线分化：Google 布局最广，OpenAI 激进但优先级混乱，Anthropic 后来居上聚焦生物医药
-
Google 在 AI for Science 上布局最早、最广，拥有最深厚的研究积累：曹原认为，在三大 AI 巨头中，Google 的 AI for Science 布局时间最早、覆盖范围最广、研究路径最多。从 Alpha 系列到 Co-Scientist、Gemini for Science，Google 已经形成了系统性的科研 AI 产品矩阵，这构成了它在 AI4S 领域的先发优势。
“我觉得很明显，在这三公司里面，Google 肯定是布局最早，AI for Science 布局最早、最广，可以说是研究路径最多的一个公司。”
“所有的 Alpha 系列，包括最新的一些 Co-Scientist、Gemini for Science 这些努力。”
-
OpenAI 试图用通用模型覆盖科学问题，但产品线扩张导致 AI4S 优先级混乱：OpenAI 在 AI for Science 上态度激进，但战略上存在优先级混乱的问题。Kevin Weil 离职后，AI for Science 团队被并入 Codex，转向用通用 GPT 模型和智能体来解决科学问题。与此同时，OpenAI 还要兼顾广告、硬件、企业版等多条产品线，导致前沿科研投入的优先级难以保证。
“离职之后就把之前的 AI for Science 的一些进展全都并入到 Codex 里面去，等于说是希望用一般性的 GPT 模型和 agent 来解决各种科学问题，这是他们的一些赌注的方向。”
“OpenAI 它自己已经有很多产品线了，它们可能扩张可能比较快一点，比如说不光是 GPT，还想做广告，还想做硬件，然后也想做企业的版本。所以一旦你这个产品的战线拉长之后，你怎么样能更好地去做 AI4S 的这么一些前沿的投资，我觉得这可能是在优先级上面，或者是在管理上面、一些战略上面，是需要讨论一些方向的。”
-
Anthropic 后来居上，通过 Claude Science 平台和招募 John Jumper 明确押注生物医药：Anthropic 虽然起步较晚，但正在快速追赶。Claude Science 平台虽然本质上是通用 Claude 模型的界面定制，但已经针对生物、化学领域的科学家工作流做了专门优化。更重要的是，Anthropic 挖来 AlphaFold 核心人物 John Jumper，释放出在生物医药领域做垂直模型和深度布局的强烈信号。
“对于 Anthropic 来说，我觉得它们可能相对来说是比较后来居上这么一种感觉。它们最近发布了 Claude Science 这个平台，不到一个月。”
“包括它们最近把 John Jumper 挖过去了，很明显它们也希望能够在生物和医药领域会有些更大的押注，因为这的确是市场很大的一个方向。”
“Anthropic 可能是目前唯一一个在 OpenAI、Google 和 Anthropic 里面，没有说特定领域里面的这么一个模型的公司。它们可能需要专门给生物和医药做这么一个领域垂直的小模型，像 John Jumper 这样的人是特别适合做这样的事情。”
6. 数学证明已从稀缺进入过剩时代，但人类的价值判断和洞察力仍然不可替代
-
数学已从证明稀缺进入证明过剩，AI 生成答案的速度远超人类验证能力：曹原引用陶哲轩的观点指出，许多曾经人类解不出的数学难题下面已经堆满了几十份 AI 生成的解答，但没有任何人类专家愿意或能够去验证。这揭示了一个新的瓶颈：问题不再是“能不能找到答案”，而是“人类有没有时间和能力确认答案是否值得接受”。
“数学从一个证明稀缺的时代，已经进入到了一个证明过剩的时代。”
“现在很多网站的这些题下面已经堆满了几十份 AI 生成的解答，但是没有任何的人类专家愿意去接盘验证这个事情。”
-
结果正确不等于有数学价值，人类对洞察力和证明过程的理解仍然不可替代：曹原用机器人弹钢琴的比喻说明：即使机器人的演奏在音色和力度上绝对完美，人们仍然更愿意听人类钢琴家的演奏，因为真正打动人的是演奏者自发的情感状态。同样，AI 生成的数学证明即使结果正确，如果证明过程缺乏可阐释的洞见，对数学的贡献也有限。
“如果你去检查这个结果论证过程，它里面没有一些特别有意思的，或者说没法特别容易阐释的一些发现的话，即使结果再对，可能数学家觉得，这个就像机器人弹钢琴一样的，它没有能够打动数学家的一些洞见。”
“所以我觉得人的价值判断，永远是很重要的一部分。”
-
黑盒 AI 的不可解释性会推高信任与维护成本，人的介入在当前阶段仍然必要：曹原以 AI 写代码为例指出，AI 生成的代码虽然结果正确，但工程师往往看不懂，导致维护成本反而更高。由于大模型是随机采样且过程不可直接观察，如果完全把任务交给 AI，人类很难建立信任，后续维护也会非常困难。因此，在可解释性和可信赖性得到解决之前，人的介入仍然必要。
“现在的确是 AI 可以写很多代码，而且写出代码都正确，但是维护代码的成本和时间反而更高了，因为它写出很多代码，连工程师自己都看不懂。”
“如果它的过程是没法可以跟它互动的，或者说是人力介入这么一过程的话，你把所有的事情都交给它，你是很难去对它产生信任的。”
“如果它在可靠性上面，或者是可解释上面很差的话，它一定会让整个经济运行成本会更高。”
7. AI for Science 的商业化是分层的：中间产物可以快速变现，但诺贝尔奖级别的发现需要二三十年
-
AI for Science 的商业化不是一刀切，而是分层推进的：曹原指出，AI for Science 虽然整体上是一个长期主义的事业，但其商业化路径并非铁板一块。药物开发中的靶点发现、分子结构生成等中间环节已经具备落地和变现能力，这意味着产业界不必等到最终 AI 生成药物问世才能获得商业回报。
“AI4S 已经可以是有落地的空间，已经有很多落地的应用了。比如说是药物开发，哪怕你最后不是说已经可以卖最终 AI 生成药，但是你当中生成的各种环节，各种什么靶点，那些分子结构，已经可以拿出去商业化了，当中一些中间的产物。”
“所以商业化路径，它不是一刀切这么一个判断，而是分层的。有些层面是商业化，各种这么多实验室，这些公司都已经可以商业化了。”
-
诺贝尔奖级别的 AI 自主科学发现至少需要二三十年：曹原将商业化与顶级科学发现区分开来：中间产物可以较快变现，但要让 AI 自主做出诺贝尔奖级别的发现，时间尺度完全不同。他以 AlphaFold 为例说明，虽然 AlphaFold 已经获得诺贝尔奖，但那并非 AI 自动发现，真正的 AI 自主发现需要更长的积累。
“但是你要想拿诺贝尔奖的话，这个就是要很长时间的。”
“AlphaFold 已经拿过了，但这个不是 AI 自动发现。但是我觉得，你要在这个层面上拿诺贝尔奖的话，我觉得至少得二三十年。”
-
AI 自主科学发现必须先补上因果推理、长期记忆和持续学习等能力缺口：曹原认为，二三十年的判断并非随意给出，而是基于当前 AI 范式的能力短板。AI 目前缺乏因果推理能力，无法对已有实验结果进行正反推理；同时，长期记忆的提取和持续学习能力也尚未解决。这些能力缺口的补齐本身就需要数年时间，之后才能谈得上让 AI 去做真正的科学实验。
“说白了你要能够在目前的 AI 范式上，还要加强它一些目前没有的能力。且不要说它能够凭空创造出一些新的概念，或者是一些抽象东西，你能把目前已有的这些实验的结果，能够进行正反推理，就是这些因果推理，像前面说的，这目前是没有的。”
“怎么样能够处理长期记忆，我做过无数实验，我怎么能够把这么多实验相关的一些记忆给提取出来，怎么样能够不断地继续学习，能够把一些目前前沿的这些 topic 能解决，可能就已经五六年过去了。”
8. AI for Science 的真正意义是 AI 与 Science 的双向增强，而非把科学当作 AI 的应用场景
-
AI for Science 不是把科学当作 AI 的应用场景，而是 AI 与科学能力的双向增强：曹原明确纠正了将 AI for Science 简单理解为“把科学问题扔给 AI”的认知。他指出，要让 AI 真正解决科学问题，AI 自身的推理能力与它和科学结合的能力必须同时加强，否则无法形成真正闭环的科研工作环境。
“所以我一直觉得说 AI4S 它不是说把 science 当作一个应用，而是 AI and Science，就是你为了能够让 AI 更好解决 science 问题，AI 本身能力跟 science 结合的能力都要同时加强。”
“你如果 AI 推理能力还不够特别好，你如果每次做的假设还是有很大的出入的话，你不可能真正形成这么一个相对来说比较闭环的工作环境。”
-
当前模型在数学和代码上表现突出，但提出假设、验证假设和自我更新的科学创新能力仍严重缺失：曹原从自身在 Gemini 团队做模型迭代的经历出发，指出当前模型虽然能做好数学和写代码，但距离真正解决科学问题所需的创新能力、提出并验证新假设的能力、以及不断自我更新的能力，还有很大差距。这解释了为什么 AI for Science 不能只靠现有模型能力堆叠。
“目前现在这个模型的确是可以做好数学和写代码这样的一些工作，但是很明显有些能力还是缺失的。比如说如果你真的想让它做好科学问题，想让它去解决科学问题的话，它的创新能力，它能够提出新假设、验证新假设，然后不断自我更新的这些能力，还是远远没有到达能够帮助人们指数性增长科学知识的这么个水平。”
-
在 AI 狂热之下，需要从第一性原理出发重新思考智能的本质，而非只做自下而上的工程推进：曹原认为，当前大部分 AI 应用和研究是自下而上的视角，依赖别人验证过的 Transformer、Scaling law 等结论来做工程落地。但真正推动 AI for Science 需要立意更高的研究，从第一性原理出发追问智能是什么、人类如何认识世界，并反过来识别 AI 目前做不到的能力。
“但是大部分目前的这些应用，或者是所谓的研究，都是自下往上的这么一个视角。别人告诉我 Transformer 有用，好使，Scaling law 还没失效，Harness 你得好好搞，Infra 要把它建好。这些东西都是别人告诉我的。”
“你还是要有些立意更高的研究。如果你实际思考，从上往下思考，就是从第一性原理，智能是什么，人类怎么样去认识世界的，你要反过来想，到底有哪些特性是目前 AI 做不到的等等。你这么一倒过来想的话，你就会发现很多事情 AI 都做不到。”
“在 AI 目前狂热的状态下面，有很多有意思的，或者是很重要的一些落地，但是也不可避免地会产生很多浮躁和一些比较肤浅的见解，所以还是需要一些从上至下的思考。”
总结
AI for Science 的真正价值不在于让现有模型更快地产出答案，而在于重新理解智能与科学之间的边界。验证速度决定了它能走多快，概念抽象能力决定了它能走多远，而符号与连接的混合路线可能是跨越这条鸿沟的现实路径。对产业而言，最清醒的判断是：中间环节的商业化已经开始，但真正的自主科学发现仍需要二三十年的积累。与其追逐 AI 自主拿诺贝尔奖的叙事，不如先把自动实验室和可验证的中间产物做实。
信息源
视频来源
- 对话前DeepMind曹原：AI for Science爆发，一个新时代到来了：
外部资料
- Google's Top AI Brains Are Leaving to Launch Discovery ...：
- Four Top Google A.I. Researchers Form New Start-Up：
- Jeff Dean and other top AI researchers are leaving Google ...：
- Departing Google exec Jeff Dean has been in talks for a ...：
- Discovery Loop — Continuous Exploration：
- Jeff Dean - Co-founder and CEO at DiscoveryLoop：
- 对话前DeepMind曹原：AI for Science爆发，一个新时代到来了：