AI for Science：科学终于有了价格

前几天，在胡志明市见一个朋友。

地方在西贡河东岸。

一栋法国人留下的旧宅，藏在草田区几株鸡蛋花后面。院子没有招牌，门口停着两辆很普通的黑色车。进去以后才发现，整面墙都是越南老漆器，茶桌旁放着一台没有任何标志的工作站。

傍晚刚下过雨。

湄公河水系带来的湿气还没有散尽。

朋友给我倒了一杯大叻来的乌龙，忽然问：

“AI for Science最重要的变量，到底是什么？”

我说：

钱。

他笑了。

我也笑了。

很多问题，一旦答案过于简单，人反而会绕开它。

AI for Science讨论了这么多年，人们习惯谈模型、算法、机器人、数据、自动化实验、科学智能体。

这些当然都重要。

但都只是器物。

真正值得讨论的问题只有一个：

有没有一种与金钱几乎没有关系，同时又能够持续增强AI科学能力的方法？

如果有，今天这篇文章可以到此为止。

如果没有，剩下的事情其实已经很清楚。

AI for Science正在完成一件科学史上极其罕见的事情：

它正在给认知能力建立价格。

这里所谓的货币化，和卖论文、卖软件、卖数据库没有太大关系。

它更接近经济学里的资本深化。

钱首先购买GPU、数据中心、电力、网络、人才和实验资源。

这些东西形成计算资本。

计算资本形成更强的模型。

更强的模型获得更大的搜索空间、更长的推理链、更高频率的试错能力。

然后，模型进入数学、化学、材料、生物与机器人实验。

一条异常漂亮的兑换链由此形成：

货币，开始经过若干层转换，最终变成可以被调用的科学认知能力。

这才是货币化。

这个判断甚至不需要哲学。

看账本就够了。

过去几年，前沿模型的训练成本持续快速增长。

真正昂贵的部分，也早已不只是最后那一次训练。

还有大量没有被公众看见的实验、规模测试、合成数据、失败模型、架构探索和工程验证。

也就是说：

资本购买的从来不只是那个最终发布的模型。

资本购买的是模型出现以前，无数次“可以再试一次”的资格。

科学里真正昂贵的东西，从来都不是答案。

是你拥有多少次资格，去逼近答案。

河面上传来一艘游船很轻的低音。

朋友把杯子放下。

远处Landmark 81刚刚亮灯。

他说：

“所以算力贵？”

我说：

还不够准确。

真正昂贵的是：

把货币稳定兑换成智能的能力。

今天全球AI基础设施的资本开支已经进入过去极少数工业体系才曾经出现过的量级。

数据中心、电网、先进芯片、冷却系统、网络、模型训练、科学数据、自动化实验平台——这些东西看上去属于完全不同的产业。

在AI时代，它们正在形成同一张资产负债表。

原因很简单。

它们最后都服务于同一件事情：

购买下一单位智能。

这个时代最有意思的现象也正在这里发生。

AI调用越来越便宜。

制造最前沿AI却越来越贵。

这是很多人一直没有真正理解的一点。

一个普通人调用一次世界级模型，成本可能继续下降。

甚至低到几乎感觉不到。

但是为了制造下一个值得全世界调用的模型，上游需要的资本密度却越来越高。

这是一种非常典型的产业结构：

极高固定成本，极低边际成本。

半导体如此。

云计算如此。

现代支付系统如此。

全球航运也是如此。

港口很贵。

船很贵。

航线很贵。

集装箱一旦进入网络，运输一个额外单位商品的成本却可以被不断压低。

越南这些年的工业化，本身就是一个很好的例子。

北宁、海防、胡志明市周边工业带真正重要的，从来都不只是某一家工厂。

重要的是港口、电力、公路、供应链、资本与劳动力共同构成的网络。

当网络形成之后，一个又一个产品可以沿着同一套基础设施流动。

AI也是这样。

只不过，它最终运输的东西，

叫作认知。

所以我越来越少讨论某一个AI for Science工具到底有多巧妙。

这个问题正在迅速变小。

真正的大问题是：

一个组织每年到底可以买多少智能。

因为钱已经可以购买更多GPU。

GPU可以买更多推理。

更多推理可以买更多候选假设。

更多机器人可以买更多实验次数。

更多实验可以买更多数据。

更多数据又会重新进入模型。

资本沿着这条闭环不断旋转。

最后形成一种过去极少被明确描述的东西：

科学资本周转率。

同样一亿元。

有人买回来的是服务器。

有人买回来的是服务器、模型和机器人。

还有人可以让这笔钱经过模型、实验、数据、训练，再重新变成下一轮更强的模型。

表面上，他们花的是同样的钱。

实际上，他们拥有完全不同的科学生产函数。

这就是AI for Science最值得讨论的地方。

它正在让科学逐渐具有一种近似连续的影子价格。

过去，一个优秀化学家的直觉，一个数学家的灵感，一个实验室几十年的手感，很难折算。

这些能力附着在人身上。

难以复制。

难以扩容。

也不存在统一报价。

AI把事情改变了一点。

更多GPU，可以换更多并行搜索。

更多计算，可以换更多候选。

更多自动化设备，可以换更高实验频率。

更多高质量数据，可以换更可靠的模型。

更多资本，则可以买更长的探索时间。

于是，“聪明”开始第一次大规模呈现出资本品的性质。

以前人们购买机器。

后来购买软件。

现在开始购买推理。

再往后，

可能购买的是发现概率。

几天以后，我去了河内。

秋天的河内比西贡安静很多。

晚上在还剑湖附近吃完饭，沿着法国区慢慢走。

黄色旧楼，百叶窗，潮湿石墙。

一家已经关门的书店门口还摆着两盆竹子。

那一刻突然会理解一个很古老的问题：

货币真正厉害的地方，从来不是可以买到东西。

而是它创造了一种共同尺度。

一袋稻米、一艘船、一间房、一小时劳动，本来完全不同。

货币把它们放到了同一个坐标系里。

所以范蠡看陶朱，管仲看盐铁，现代金融看资本成本。

真正高阶的人，很少长时间盯着器物。

他们看的是：

什么东西正在获得统一计价尺度。

AI现在正在对科学做同样的事。

以前我们说，一个科学家很聪明。

这句话无法计量。

以后问题会渐渐变成：

让一个系统多搜索十万个候选结构，需要多少钱？

让机器人把每天一百次实验提升到一万次，需要多少钱？

让科学智能体阅读一百万篇文献、生成假设、调用模拟、安排实验、分析结果，再决定下一轮实验，需要多少计算资源？

以前这些问题充满学术意味。

以后它们越来越像财务问题。

甚至可能进入企业最普通的年度预算表：

算力多少。

机器人多少。

模型调用多少。

数据资产多少。

每一美元产生多少有效假设。

每一小时机器时间缩小多少未知空间。

科学第一次开始拥有如此完整的成本会计。

所以，“AI for Science商业化”这个说法其实太浅。

商业化只是把科学产品卖出去。

AI for Science真正发生的事情要更深一层。

它在建立：

货币→计算→智能→假设→实验→数据→新智能

这样一条完整的资本循环。

一旦这条循环成立，科学就获得了过去从未如此清晰的一种属性：

资本可以购买搜索深度。

不能购买真理。

但可以买更多路径。

不能保证发现。

但可以买更多试错。

不能直接买到一个定理。

但可以买一亿次推理，而另一个人只能推理一百次。

这两个系统当然都面对同一个宇宙。

只是宇宙给他们看到的面积，

未必一样。

朋友后来从西贡给我发了一张照片。

还是那间院子。

雨后。

鸡蛋花掉在青石板上。

茶桌已经收了。

我忽然想起禅宗里常说的一句话：

云在青天，水在瓶。

世界本来没有改变。

改变的是容器。

AI for Science真正深刻的地方，也许就在这里。

它没有改变科学为什么值得追求。

它改变的是：

一个时代能够以多大的资本密度逼近未知。

如果未来有一天，真的出现一种方法——

无需更多算力，

无需更多数据，

无需更多能源，

无需更多实验设备，

无需更多资本，

却可以持续让AI的科学能力增长，

那么科学会重新获得另一种自由度。

在那以前，

GPU有价格。

电有价格。

数据有价格。

实验有价格。

机器人有价格。

时间有价格。

人才有价格。

它们最后都流向同一个地方：

认知的价格。

夜里的西贡河看起来很平。

货轮从远处慢慢过去。

没有什么声音。

古人铸钱，

以度天下之物。

今天我们铸算力。

所度者，

渐渐成了未知。

本文不含AI生成内容

欢迎留言分享你的看法