Berkeley 和 Lawrence Berkeley National Laboratory 的 A-Lab，几乎是理解 AI for Science 最好的教材。
2023 年，这项工作发表在 Nature，题目是：
An autonomous laboratory for the accelerated synthesis of novel materials
两年多以后，题目被正式修正为：
An autonomous laboratory for the accelerated synthesis of inorganic materials
只改了一个词。
novel → inorganic。
但科学含义几乎换了一层楼。
“Novel”讨论的是知识状态：它以前有没有。
“Inorganic”讨论的是材料类别：它属于什么。
前者需要证明发现。
后者只需要说明对象。
这就是 AI for Science 最值得研究的地方：很多时候，真正昂贵的并不是机器，而是形容词。
A-Lab 当年的传播很成功。“自动实验室”“机器化学家”“发现新材料”，几个词一叠，完整叙事已经形成。机械臂、炉子、算法、衍射设备，再加一个闭环箭头，公众几乎会自动把“机器完成实验”理解成“机器完成科学发现”。
可这几件事在逻辑上完全不是一回事。
机器第一次做，不等于实验室第一次做；实验室第一次做，不等于文献第一次出现；数据库里没有，不等于科学上不存在；算法认为结构匹配，也不等于结构鉴定已经完成。
真正的 Science，全藏在这些“等号”之间。
所以，想让别人相信自己是 AI for Science 专家，最重要的第一课，其实是学会管理这些等号。
最好少解释定义，多使用动词。
发现。
生成。
推理。
优化。
加速。
自主。
闭环。
这些词的共同优点，是有方向感，却暂时不需要回答边界条件。
所谓“发现”，发现到什么程度？
所谓“自主”，异常由谁判断？
所谓“闭环”，闭合的是机械动作、数据流，还是知识？
所谓“新材料”，是模型没见过、数据库没收录、实验室没做过，还是整个科学共同体此前都不知道？
一旦这些问题被问出来，AI for Science 就会迅速重新变成 Science。
所以“机器化学家”是一个极其高级的词。
“机器”是设备概念。
“化学家”是认知主体概念。
机械臂可以称量、搬运、加热；算法可以规划、检索、分类。把两者连起来，当然可以形成非常强大的自动实验系统。
但一旦把它叫作“化学家”，语言就提前替系统补上了几种能力：理解、怀疑、判断、解释。
这就是传播效率。
复杂工程系统，被压缩成一个人格。
人格一旦成立，身份也就成立了。
然后，专家身份开始变得很便宜。
几个 Agent。
几个 API。
一台机械臂。
一张闭环图。
再加一句：
Towards Autonomous Science。
基本够了。
真正困难的东西反而不太适合展示：误差、失败、外推边界、结构歧义、数据污染、人工复核、机制解释。这些东西没有视觉冲击，也很难放进宣传图。
所以 AI for Science 最有意思的经济学，并不是技术有多贵，而是身份生产成本下降得比专业判断成本快得多。
模型越来越容易调用。
Agent 越来越容易搭。
机器人越来越标准化。
代码越来越容易生成。
于是，“会使用 AI for Science 工具”正在快速贬值。
真正不会贬值的，是知道机器什么时候错了，知道实验为什么失败，知道一个所谓“新材料”到底新在哪里，知道什么时候一个漂亮的闭环只是在循环，根本没有产生新的知识。
这也是 A-Lab 那个标题修改最值得读的地方。
novel materials → inorganic materials。
机械臂没变。
算法没变。
实验室没变。
只是一个词被拿掉以后，科学尺度终于清楚了一些。
所以，如果只是想让别人相信你是 AI for Science 专家，其实没有那么难。
先给机器起一个足够大的名字。
再给流程画一个足够完整的环。
最后，尽量晚一点解释：
这个名字究竟意味着什么。
本文不含AI生成内容
欢迎留言分享你的看法