过去几年，AI for Science 的核心进展在于机器步入科学发现的关键环节，如阅读海量论文、提出研究假设、设计蛋白质与材料等。近日，Google、Google DeepMind 与 MIT FutureTech 联合发布40页报告《AI 在科学研究中的应用：初步观察》（AI in Science: Early Insights），系统评估 AI 进入真实科研场景后带来的深刻变革。
研究团队基于三组核心数据展开分析：约1500万次匿名 Gemini 交互记录、2690个专用科学 AI 模型，以及对英美637名活跃科学家的调查。结果显示，AI 赋能科研呈现出明显的双面性。
（来源：MIT）
AI 优先加速科研“数字世界”
AI 在科研领域的渗透率极高。约46.6%的受访科学家每天使用 AI，核心科研岗位的大模型使用量更是普通职业的2.7倍。在 Gemini 的科研交互中，定量数据分析与建模占比最高（约42%），其次为成果沟通写作、代码处理与统计分析。
（来源：Google）
同时，通用大模型与专用科学模型（如 AlphaFold）形成了互补分工。大模型作为串联流程的通用界面，专用模型则深入垂直学科承担高精度计算与预测任务。这种组合为约75%的受访者每周节省近7小时。
然而，这些节省的时间并未转化为休息，而是被重新投入扩大科研产出、实验执行及探索前沿课题。过去三年，超八成受访者认为个人或实验室的科研产出有所提高，并预计未来产出将持续增长。
（来源：Google）
物理实验与验证环节成为新瓶颈
AI 最擅长加速高度数字化的工作，但现实科研并非全数字化流水线。物理实验和现实数据采集耗时极长，且无法随算力线性扩容。当 AI 快速生成大量候选答案时，下游验证环节难以同步提速，导致科研瓶颈不可避免地向工作流下游转移。
在受访科学家看来，物理实验与数据采集是制约科研进展的首要环节。约43.5%的研究者表示，核心阻力已向流程下游转移，超四成受访者手中积压了更多待验证的假设。
（来源：Google）
此外，核查 AI 输出产生了隐性的“验证税”。近九成节省时间的学者需耗费大量精力进行调试排错和事实查证。这也促使部分科学家倾向于选择数据充分、易验证的渐进式课题，规避高风险未知领域，加剧了科研界的“路灯效应”。
科研界亟需建设新型实验基础设施
“上游生成快、下游消化慢”的结构性矛盾在生物、化学等湿科学领域尤为突出。模型预测出新分子后，仍需进行物理合成、动物测试及临床试验，实验自动化难度与成本极高。
为打破瓶颈，科技巨头与学术界正加速建设实验基础设施。例如，Anthropic 在旧金山湾区建立生物湿实验室，将 AI 模型接入液体处理设备等自动化仪器，缩短从提出方案到实验执行的链条。美国国家科学基金会也资助西北大学建设 DREAM Cloud Lab，通过 AI 设计蛋白质、自动化系统合成测试，打造高通量可编程云实验室网络。
（来源：西北大学）
AI 正让科学假设变得空前廉价，但人类验证假设的速度尚未同步提升。未来 AI for Science 的竞争，不仅取决于模型提出答案的能力，更取决于实验室验证这些答案的速度。
参考链接：
1. https://futuretech.mit.edu/publication/ai-in-science-early-insights
2. https://ai.google/economy/
3. https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/
4. https://deepmind.google/public-policy/conjecture-machines-ai-agents-and-the-new-validation-bottleneck-in-science/
5. https://teorth.github.io/tao-web/ai-views.html
6. https://www.reuters.com/world/anthropic-quietly-sets-up-biology-lab-it-ramps-ai-drug-program-2026-09-18/