科学哲学家卡尔·波普尔认为，科学在猜想与反驳中向前发展。提出一个新想法只是开始，接下来还得看它能否经得住检验。
如今，AI 让提出假设变得越来越快。候选药物分子、新材料结构，模型可以在短时间内给出大量方案。但在实验室里，确认它们是否有效，仍可能需要数周甚至数月。
AI 正在快速重构科研的上半场，验证能力渐渐成了卡住科研进度的新瓶颈。这道难题，该如何解答？
数字世界假设正在变得空前便利
MIT FutureTech 与 Google、Google DeepMind 联合研究团队发布的《AI in Science: Early Insights》，观察了 AI 进入真实科研场景后带来的变化。
研究团队用了三组数据：约 1,500 万次匿名 Gemini 交互记录、覆盖不同学科的 2,690 个专用科学 AI 模型，以及对美国和英国 637 名活跃科学家的调查，涉及物理、计算机、生命科学、医学和社会科学等领域。
AI 已经成为不少科学家的日常工作工具。接近一半的受访科学家每天都会使用某种形式的 AI。研究团队还从 Gemini 交互记录中，识别出约 36 万次可能与真实科研任务直接有关的对话。
这些对话中，最常见的任务是定量数据分析与建模，占比约 42%。同时研究人员也会用 AI 编写研究代码、开展统计分析、整理文献，以及处理论文写作和实验流程等工作。
一个常见的疑问是：通用大模型越来越强，蛋白质预测、材料筛选等领域还需要专用模型吗？报告发现，两类模型各有分工，在科研中形成了互补。
比如，一位生命科学家可以用通用模型查阅文献、编写数据处理脚本、完成统计检验，同时调用 AlphaFold 预测目标蛋白质结构，再借助专业工具开展分子动力学模拟。
这些工具为科学家腾出了更多时间。报告估算，受访者平均每周净省时约 6.9 小时。这些时间大多又被投入新的研究，让科学家既能做得更多，也有余力挑战更难的课题。
过去三年，超过八成的受访者表示，自己或所在实验室的科研产出有所增加；对于未来三年，研究者也普遍保持乐观。
物理世界验证成为最大的难题
报告显示，研究人员每周花在实验和数据采集上的时间接近 8 小时，比数据分析还多。AI 加快了分析数据、预测结果和提出假设的速度，实验却未必能同步加快。
模型可以很快给出大量候选方案，但要知道哪些真正有效，仍然得准备样品、安排实验、等待结果。这些步骤，都需要实打实的时间。
在调查中，物理实验与数据采集是受访者提到最多的科研瓶颈。41% 的受访者表示，手中积压的待测试假设，比三年前更多了。
用一个简化的例子来看：过去，一个课题组每月提出 10 个有研究价值的候选方案，实验室能验证其中 8 个。
现在 AI 把候选方案增加到 100 个，实验室却只能验证 10 个。前面多出来的想法，并不会自动变成更多成果，其中大部分仍然需要等待筛选和实验。
就连 AI 省下来的时间，也有一部分要用来检查它有没有出错。在表示 AI 帮自己省时的受访者中，约 46% 的人称，核查、调试和事实检查占用了原本省下时间的四分之一以上。报告将这种额外消耗称为“验证税”。
在生命科学领域，研究者还要面对真实样品的检验。一种模型预测可能有效的蛋白质，是否真的具有预期活性，最终仍需要制备出来，放进相应的实验环境中测试。
AlphaFold 提供了另一个直观的例子。其数据库已经收录超过两亿个蛋白质结构预测，为研究者提供了大量结构线索，也能辅助实验结构解析。但针对具体研究问题，关键的结构细节、相互作用和生物学功能，仍需要进一步的实验检验。
预测让更多研究有了起点，接下来选哪些方案、做哪些实验，反而更考验研究者的判断和实验室的能力。
鸿沟的代价科学家反而变得更保守
这种失衡甚至开始反过来影响科学家选择问题的方式。
超过六成的科学家认为 AI 帮助自己拓宽了研究视野、进入更有雄心的议题；但近半数受访者也表示，AI 让他们更愿意选数据多、评价标准清楚、容易验证的保守课题，而真正因为使用 AI 更愿意尝试高风险未知领域的人，不到三成。
这和科学研究中的”路灯效应”很像。当一个领域拥有充足的训练数据、成熟的评测体系和较低的验证成本，AI 会让这些本就明亮的区域更加明亮，吸引更多研究资源涌入；相反，那些缺乏数据、实验周期漫长、验证代价高昂的科学盲区，依然很难被照亮。
AI 让探索的门槛变得更低，却让科学家变得更保守。
AI 降低了提出假设的成本，却没有同步降低验证的成本。当容易验证的课题变得更容易，研究资源也可能进一步向这些方向集中。研究做得更多，探索的范围却未必更广。
如何跨越这道鸿沟
要打破这一困局，不能只在数字世界里提速猜想，更要让物理世界的验证环节跟上节奏。一批先行者已经开始把实验能力也拉入智能化的闭环，重构从假设到验证的完整科研链路。
海外科技巨头与学术界已率先布局。9 月中旬，路透社披露 Anthropic 已在旧金山湾区搭建生物湿实验室，推动 Claude 从论文与计算环境走入真实实验流程。
通过对接液体处理设备、机械臂与实验读数仪器，减少人工中转环节，让模型生成的假设更快落地验证。
今年 7 月，美国国家科学基金会斥资 2000 万美元支持西北大学建设 DREAM Cloud Lab：研究人员只需远程定义目标蛋白的功能需求，AI 完成分子设计，自动化系统执行合成与测试，实验数据再回传至模型迭代优化，目标四年内合成表征超 30 万种蛋白质，形成规模化可编程云实验室网络。
国内的同类探索起步更早，也更贴近产业级的全链路闭环落地。
晶泰科技自 2021 年起着手自建机器人实验室，持续打磨AI + 机器人的科研新范式，目前已建成全球最大的机器人实验集群，超 300 台机器人实验工站保持持续运转；相较于传统人工实验模式，整体实验效率提升 5 至 8 倍。
这套体系打通了数字猜想与物理验证的断点：AI 快速生成候选分子、输出实验设计方案，机器人自动化完成合成、筛选与测试全流程，实验产出的高质量真实数据又反向反哺模型，持续优化 AI 的假设质量与预测精度，形成猜想 — 验证 — 迭代的完整自驱闭环。
从波普尔笔下的猜想与反驳，到今天的 AI 与机器人实验，科学进化的底层逻辑从未改变，改变的是它运转的速度与边界。
过去 AI 只跑通了数字世界的猜想半程，而当智能算法与机器人实验室深度融合，物理世界的验证也终于跟上了节奏。
科学的边界正一步步推向更远的未知。
