4 月 25 日这条线索很清楚，果壳把 AI for Science 的‘ChatGPT 时刻’摆到台面上讨论，但更值得盯的不是模型会不会聊天，而是它能不能把假设、实验、数据和复现实验真正串起来。Nature 近日报道，2010 到 2025 年，自然科学领域提到 AI 的论文数量几乎增长了 30 倍；仅 2025 年，自然科学就有超过 8 万篇论文、预印本和其他出版物提到 AI，较 2024 年再增 26%，其中物理科学约 3.3 万篇，地球科学占比最高，达到 9% [1]。

最新动态

这不是单纯的‘论文里多了 AI 关键词’，而是研究流程已经开始被重写。Nature 同期报道还提到，科学家越来越依赖能自动执行多步工作流的 AI agents，但最强 agent 的表现仍然大约只有人类博士级专家的一半 [1]。换句话说，AI 已经进了实验室门，但还没学会稳定地走完整条工作链。

为什么重要

真正有含金量的变化，发生在‘基础设施’而不是‘演示效果’上。NSF 相关工作报告明确把大规模 AI-ready 数据集列为关键前提，认为没有足够大、足够干净、能直接用于预训练和微调的科学数据，所谓科学基础模型就很难真正扩展 [2]。Nature 还举了一个很具体的例子，AION-1 这样的首个天文基础模型，是在超过 2 亿个天体上训练出来的，用来分类星系并估计性质 [1]。这说明 AI for Science 的门槛不是‘能不能写论文’，而是‘有没有可持续喂给模型的数据管道’。

我的判断

所以我更倾向于把这轮变化看成‘实验链条自动化’而不是‘科学家被替代’。最先受益的会是高通量、强重复、数据密集的方向，例如化学合成、材料筛选、天文分类和生物实验设计。Nature 2 月的报道里，Meagan Olsen 做过她职业生涯最大的一次实验 campaign，研究者正在把自驱实验室推向生物实验台；而更早的工作又已经把这条路线推进到低成本模块化平台 RoboChem-Flex [3][4]。这类案例说明，AI 真正改变量的地方，是把‘试错成本’压低，而不是把‘科研判断’直接外包。

影响与观察点

接下来值得看的，不是谁又发了一个更会说话的模型，而是三件事：第一，科学数据是否开始被标准化成可复用资产；第二，实验设备和软件是否真的能打通；第三，AI 生成的结论能不能稳定复现。只要这三件事没跑通，AI for Science 就还停留在‘很强的辅助工具’；一旦跑通，先改变的会是科研组织方式，不是新闻标题。

参考文献

[1] Human scientists trounce the best AI agents on complex tasks — Nature

[2] AI-enabled scientific revolution in the age of generative AI: second NSF workshop report — Nature npj Artificial Intelligence

[3] Will self-driving ‘robot labs’ replace biologists? Paper sparks debate — Nature

[4] A flexible and affordable self-driving laboratory for automated reaction optimization — Nature Synthesis

[5] The 2026 AI Index Report — Stanford HAI