科学竞争过去常围绕实验设备、人才和长期数据积累展开。AI 加入后，研究者可以更快筛选候选、预测结构、模拟天气或阅读文献，问题空间因而被重新排列。
但“重塑竞争格局”不等于模型自动完成科学。科学结论仍需要清楚的问题、可重复方法和现实验证。AI 改变的首先是哪些环节成为新瓶颈。
## 从计算瓶颈转向验证瓶颈
AlphaFold 展示了 AI 如何利用序列与结构数据预测蛋白质三维结构。GraphCast 用图神经网络进行全球天气预测，GNoME 则在大规模材料空间中寻找可能稳定的晶体。
这些系统能迅速缩小搜索范围。过去需要逐个尝试的大量候选，可以先在计算中排序，把实验资源集中到更有希望的部分。
速度提升也会把压力推向下游。预测出结构不等于知道其功能，发现可能稳定的材料不等于能够合成，更不等于能低成本制造。实验室自动化、样品表征和负结果记录因此变得更重要。
## 竞争优势来自完整发现链
第一项关键资产是高质量数据。科学数据需要测量条件、仪器校准、单位、误差和出处。规模很大但缺少元数据的集合，可能让模型学到实验室差异而非自然规律。
第二项是计算与软件。训练基础模型需要大量资源，但许多科研机构也可以通过开放模型、专用小模型和共享算力参与。真正稀缺的是把领域知识写进数据表示、约束和评测的人才。
第三项是实验闭环。模型提出候选，实验验证结果，结果再更新模型。能够快速而可靠地完成这个循环的团队，比只拥有一次性预测的团队更有优势。
第四项是开放与复现。论文、代码、权重、数据和失败条件开放到什么程度，决定其他研究者能否检查结论并继续推进。封闭系统可能短期领先，却会降低外部验证和知识扩散。
第五项是问题选择。模型擅长的任务更容易获得资金和注意，难以数字化但同样重要的问题可能被忽视。科研机构需要同时评估社会价值、实验可行性和数据偏差，避免让现成数据决定全部研究方向。
## 社会层面的差距可能扩大也可能缩小
大型模型和先进实验设施集中在少数机构时，小型实验室可能只能使用接口，难以研究内部限制。不同语言、地区和冷门学科的数据较少，也可能得不到同样性能。
另一方面，开放结构数据库、预训练模型和远程实验平台能显著降低进入门槛。NBER 对 AlphaFold 的研究显示，公开工具会改变后续研究活动，但收益仍取决于领域能力和使用环境。
因此，社会竞争不只发生在国家或公司之间，也发生在不同学科、大学、医院和产业实验室之间。谁能获得数据、算力和验证设备，谁就更容易把 AI 预测转化为论文、专利或产品。
算力与能源成本也会影响参与范围。最强模型若只能在少数中心运行，其他团队可能难以重复实验。报告训练与推理资源、提供较小基线和可下载中间结果，可以让更多研究者检查方法而非只消费结论。
## 评价AI科学系统要看发现质量
通用准确率不足以证明科学价值。评估应检查模型能否提出新颖且可验证的候选，置信度是否校准，失败是否集中在特定结构，以及实验验证需要多少资源。
还要使用时间切分和真正未见的数据。若训练集包含后来公开的结构或材料，模型可能只是重现已知结果。对自主科研代理，还需核对引用、计算过程、实验条件和负结果，避免流畅报告掩盖错误。
人类研究者的角色并未消失，而是从穷举候选转向设计问题、判断证据、连接理论与实验。AI 擅长在巨大空间中寻找模式，人类负责决定哪些模式值得相信、怎样验证、失败意味着什么。
负结果尤其重要。模型推荐的候选为何无法合成、在哪些气象状态下预测失效、哪些蛋白结构不可靠，都能帮助改进下一轮系统。只发布成功案例，会让后续团队重复昂贵失败，也会高估模型的适用范围。
AI for Science 确实会重塑竞争格局，但决定长期优势的不是拥有一个最响亮的模型名称，而是能否建设数据、计算、实验和开放复核组成的发现系统。预测越快，对验证能力的要求反而越高。
## 参考资料