Scientific Discovery AI（科学发现 AI）

定义

Scientific Discovery AI 是用 AI 在科学问题空间中寻找突破的系统形态。它通常需要四个条件：巨大组合搜索空间、明确目标函数、足够数据或模拟器，以及能通过工具调用和实验反馈不断校验假设。

为什么重要

科学发现是检验 AI 是否能超越文本生成的重要场景。它要求系统不只是复述论文或给出方案，而是在庞大搜索空间中找到人类难以穷举的结构，并把结果变成可验证的理论、实验或工具。

Hassabis 从 AlphaGo 和 AlphaFold 总结出一个模式：当问题可以被描述为海量组合搜索，并且有可优化目标函数时，AI 能找到 needle in a haystack 式的解。围棋中的惊人落子和蛋白质折叠中的结构预测，都是这个模式的不同实例。

AlphaFold 被全球数百万研究者使用，说明科学发现 AI 的价值不只是论文指标，而是能成为科研基础设施。
Hassabis 提出的通用条件是：组合搜索空间足够大、目标函数清晰、有足够数据或模拟器生成分布内数据。
药物发现可被表述为搜索问题：如果物理规律允许某种化合物存在，难点就是如何高效找到它。
确定性检索层（Deterministic-Retrieval） 的缺失是科学智能体的核心瓶颈。Anthropic 研究显示，在引入 gget-virus 后，Agent 在病毒序列检索上的准确率从 16.9% 提升至 99.7%（2026）。
虚拟细胞路线需要更强的观测和模拟能力，可能依赖无损活细胞纳米级成像，也可能依赖更好的学习型模拟器。
通用模型不应把所有专业科学知识塞进一个巨大脑袋；更可行的是通过工具使用架构调用 AlphaFold 这类专用系统。
Google Research 的新水文模型相对旧版本，在有测站流域延长六天可靠预测窗口，在无测站流域延长一天；更重要的是，团队把模型架构、训练管线、文档和教程开放给运营机构。

层级	任务	代表问题
搜索型发现	在已有规则和目标函数下找到极优解	围棋走法、蛋白质折叠、候选分子搜索
框架型发现	提出新的问题、理论或解释结构	Einstein Test 所关心的新理论生成

当前方法在第一层更有把握。第二层需要更强的类比推理、世界模型、持续学习和对“什么问题重要”的判断。

科学 AI 的价值不只取决于模型能否达到更高 benchmark，还取决于发现能否进入研究和运营机构的标准工作流。

Google 水文框架提供了一个完整转换链：

研究模型
  -> 可复现架构与训练管线
  -> 本地数据和知识进入模型
  -> 伙伴机构验证
  -> 适配既有运营平台
  -> 本地机构持续运行和改进

开源运营型 AI 框架因此是 Scientific Discovery AI 的下游基础设施。它把科学能力从发布方的研究成果，变成其他机构可拥有、可修改、可集成的工作能力。

科学发现 AI 很可能不是一个单体模型，而是一个 agentic tool-use system：

通用模型负责拆问题、规划实验、调用工具和整合结果。
专用模型负责蛋白质、材料、药物、数学或模拟器中的特定能力。
World-Model 负责把实验结果和理论假设连接起来。
Continual-Learning 负责让多轮实验经验不被遗忘，也不被错误经验污染。
确定性感知层与约束闭环: 对于生物学等敏感领域，基础设施必须从“步行者”模式转型为提供 Agent-native 数据访问路径。通义实验室（2026）进一步指出，质量不是生成的，而是通过注入硬约束和自动化判据（Automated-Criteria）收敛出来的。这对于需要极高精度的科学交付至关重要。

这与企业 Agent 的结构类似：通用 orchestrator 不替代所有专家系统，而是协调专用工具、检索、验证和人类判断。