巨头亲自下场搞科研：AI 实验室为何盯上了前沿科学？
在过去，科技巨头更乐意向金融、媒体等行业出售 AI 软件服务，自己甘居幕后。然而在科研领域，画风突变——从 DeepMind、OpenAI、Anthropic 到日本初创公司 Sakana AI，头部玩家们不仅不满足于只做“卖铲人”，甚至正亲自下场成为科学发现的主力军。
一、 战火蔓延至前沿科学
- Google DeepMind：曾 9 次登上《自然》（Nature）杂志封面。其蛋白质结构预测模型 AlphaFold 助力创始人 Demis Hassabis 斩获 2024 年诺贝尔化学奖。
- OpenAI：接连攻克千禧年大奖难题（Millennium Prize problem），并创下单日发布 300 多个开放性数学问题解决方案的纪录。
- Anthropic：宣布利用 Claude 发现了新一代类 CRISPR 基因编辑技术的潜在继承者，押注 AI 生物学呈“指数级爆发”。
- Sakana AI：其推出的“AI 科学家”（AI Scientist）独立撰写的论文已成功通过顶级 AI 会议的首轮同行评审，击败了近三分之一的人类作者。
传统学术界最初对此持欢迎态度，但随着巨头们步步紧逼，不安情绪正在蔓延：AI 公司为什么不只是卖工具，而是要亲自掌控前沿科学的发现权？
二、 表面是情怀与暴利，内核是模型迭代瓶颈
外界常将巨头的涉足归因于两点：
- 纯粹的学术情怀与品牌光环：Demis Hassabis 称创立 DeepMind 是为了“理解宇宙的本质”；OpenAI 首席研究官 Mark Chen 也表示科研团队骨子里依然渴望新发现的纯粹之美。
- 巨大的商业回报：DeepMind 旗下的衍生企业 Isomorphic Labs 正基于升级版 AlphaFold 3 开发针对癌症及心血管疾病的 17 种分子药物，一旦成功将获得巨额版税与商业收益。
但这并非核心动力。AI 实验室如此狂热于科学研究，真正的根源在于：人类已经快没有数据来训练和测试最先进的模型了。
- 评测指标见顶：从最初的高中科学问答，到如今在最硬核的“人类最后一次考试”（Humanity’s Last Exam）中得分过半，现有的测试基准已难以衡量前沿大模型的真正极限。
- 科学成为新训练场：DeepMind 科学主管 Pushmeet Kohli 直言，数学与科学是驱动创新的终极试炼场。
- 可验证奖励强化学习（RLVR）：数学与硬科学问题存在绝对客观的“真理/答案”，模型提出的假设能够被形式化验证。让 AI 证明未解之谜，是目前用于强化学习中最优质、最具挑战性的环境。
三、 专才 vs 全能：“惨痛教训”再次奏效？
AI 专攻科学，是否会导致“参差不齐的智能”（即某领域超人类，常识领域犯低级错误）？
行业正逐渐向 AI 先驱 Rich Sutton 著名的**“惨痛教训”（The Bitter Lesson）**靠拢——即依赖算力与海量数据训练的通用、架构更简单的系统，最终总会击败人类精心设计的专用垂直模型。
- 通用能力的外溢：上海交通大学的最新研究显示，在不加过多人工干预的情况下训练模型折叠蛋白质，模型在空间、图论乃至通用推理能力上竟然同步得到了显著提升。这一现象在阿里云开源模型 Qwen 的微调实验中同样得到了印证。
- 巨头的路线转型：过去主打“专用模型”路线的 DeepMind 也在调整方向。其近期发布的“科学助手”（co-scientist）系统，已转向基于通用大模型 Gemini 进行假设生成与自我迭代。
四、 未来的终极飞轮：AI 造就更好的 AI
这种研发范式的转变正在拉大科研门槛：
- 普通研究人员可以用笔记本电脑和 1.5 万条样本训练一个“超新星探测模型”；
- 但推进前沿科学 LLM 则需要以 PB 计的数据和庞大的算力中心，这项特权已被几家财力雄厚的科技巨头垄断。
这笔庞大的资本投入背后，还隐藏着一个终极闭环：一个优秀的“AI 科学家”，天然也是一个能优化下一代 AI 架构的“AI 工程师”。
从提高训练效率到设计低功耗芯片，Anthropic 联合创始人 Jack Clark 预言，到 2028 年，AI 系统将完全有能力胜任这一任务。AI 创造下一代 AI 的科学循环，已近在眼前。