AI 原生发现引擎：重塑科学发现的闭环

摘要

数个世纪以来，科学发现遵循着同一套循环：提出假设（Hypothesize）、设计实验（Experiment）、解读结果（Interpret）、反复迭代。这一循环虽然有效，却极为缓慢——每一步都需要大量人力推进。如今，前沿模型（Frontier Models）已在许多科学推理基准测试（Scientific Reasoning Benchmarks）上达到了博士级水平，正在快速改变这一局面。模型已经能够协助研究人员提出假设、生成实验、分析数据，并建议下一步发现方向。前沿正从副驾驶式研究辅助（Co-pilot Research Assistance）转向能够运行闭环发现循环（Closed Discovery Loops）的智能系统。在药物发现、材料科学和蛋白质工程等特定领域，智能系统已开始运行完整的"设计-制造-测试-分析"（Design-Make-Test-Analyze）循环：模型提出候选分子，自动化实验室（Automated Labs）合成并测试，结果反馈迭代改进候选方案。真正对科学进步做出有意义的贡献的公司，不会仅仅出售研究副驾驶工具，而是构建与研究人员并肩工作的 AI 原生发现引擎（AI Native Discovery Engines），提出并验证假设。

正文

传统科学发现的循环与瓶颈

数个世纪以来，科学发现运行在同一套循环之上：提出假设、设计实验、解读结果、反复迭代。这一循环本身是有效的，但速度缓慢，且每一步都需要大量人力才能推进。这是科学进步的根本瓶颈。

前沿模型的突破

局面正在快速改变。前沿模型（Frontier Models）已在众多科学推理基准测试（Scientific Reasoning Benchmarks）上达到博士级（PhD Level）性能。模型现在能够协助研究人员完成多项核心任务：提出假设（Proposing Hypotheses）、生成实验（Generating Experiments）、分析数据（Analyzing Data），以及建议发现的下一步方向（Suggesting Next Steps）。

从副驾驶到闭环发现

前沿正在转移——从副驾驶式研究辅助（Co-pilot Research Assistance），走向能够自主运行闭环发现循环（Closed Discovery Loops）的智能系统。这一转变意味着 AI 不再仅仅是工具，而是成为发现过程中的主动参与者。

领域实践：设计-制造-测试-分析

在特定领域，这一愿景已经成为现实。在药物发现（Drug Discovery）、材料科学（Material Science）和蛋白质工程（Protein Engineering）中，智能系统正在运行完整的"设计-制造-测试-分析"（Design-Make-Test-Analyze）循环：

• 提出候选分子：模型基于已有知识提出候选分子（Candidate Molecules）。
• 自动化合成与测试：自动化实验室（Automated Labs）合成并测试这些候选分子。
• 结果反馈迭代：实验结果反馈回模型，迭代改进候选方案。

AI 原生发现引擎的愿景

真正对科学进步做出有意义贡献的公司，不会仅仅出售研究副驾驶工具。它们将构建 AI 原生发现引擎（AI Native Discovery Engines），与研究人员并肩工作，主动提出并验证假设。如果你正在构建这样的系统，Y Combinator 希望听到你的声音。