Google I/O 展示了 AI 科学路径如何发生转变

在周二的 Google I/O 主题演讲中，Google DeepMind 首席执行官 Demis Hassabis 宣称我们目前“正站在奇点的山脚下”。这是一句引人注目的表述——所谓奇点，是指理论上未来人工智能迅速超越人类智能并彻底改变世界的时刻。但当我坐在台下聆听时，真正让我印象深刻的是他说这句话的语境。

他登台是为了以一段关于科学 AI 的介绍来结束本次会议，其中心内容是一段视频，详细展示了该公司的天气预测软件如何提前预警去年飓风梅丽莎在牙买加的灾难性登陆，并可能因此挽救了生命。如果这款名为 WeatherNext 的软件帮助人们逃离风暴或更好地加固房屋，那无疑是一项巨大而有意义的成就。但这远不能作为即将到来的奇点的证据。

Hassabis 的豪言壮语与 WeatherNext 在现实世界中的成果形成了鲜明对比，突显出两种截然不同的科学 AI 方法之间的张力。第一种方法专注于像 WeatherNext 这样的 AI 工具，它们经过专门设计和训练，用于解决特定的科学问题。第二种则是基于大型语言模型（LLM）的代理系统，有朝一日或许能在无需人类干预的情况下执行前沿科研项目。

第二种愿景正是当前推动大量 AI 热情的核心动力，包括最近围绕递归自我改进的热议，即 AI 系统最终可能成为推动自身发展的主要驱动力——随着 AI 变得更聪明，这一过程也会不断加速。如今，这类代理系统已经开始做出真正的研究贡献，有时仅需有限的人类指导。

就在本周，Google Cloud 首席科学家 Pushmeet Kohli 在期刊《代达罗斯》(Daedalus) 的一期 AI 与科学特刊上发表了一篇文章，写道：“我们正在迈向一种不仅能促进科学，而且能从事科学的 AI。”随着自主型 AI 科学家的出现，继续投入大量资源开发超级专业化的工具——即便是像 AlphaFold 这样曾让 DeepMind 获得诺贝尔奖的技术，或者像 WeatherNext 这样可能拯救生命的系统——也变得越来越难以证明其必要性。这也预示着科学研究将迎来一个更加陌生的未来，在这个未来里，人类与 AI 将作为同行合作，甚至 AI 可能独自取得科学进展。

需要明确的是，Google 并未表现出放弃开发面向科学的专业化 AI 工具的迹象。例如，AlphaGenome 和 AlphaEarth Foundations 分别针对遗传学和地球科学应用进行了训练，于去年夏天发布；而最新版的 WeatherNext 则是在十一月推出的。

此外，这些工具仍然深受科学家们的欢迎。例如，据 Google 去年报告称，全球已有超过三百万名研究人员使用 AlphaFold 来预测蛋白质结构。同时，Google 子公司 Isomorphic Labs 致力于利用 AlphaFold 及相关技术开发新药，刚刚完成了 20 亿美元的 B 轮融资。

然而，无论是在热情还是资源配置方面，都已出现了明显的调整迹象。上个月，《洛杉矶时报》报道称，因 AlphaFold 获得诺贝尔奖的 Google 研究员 John Jumper 如今正致力于 AI 编程工作，而非专注于科学领域的 AI 工具研发。考虑到 Google 最近因其编程工具不如 Anthropic 和 OpenAI 提供的产品优秀而在声誉上受到打击，安排最优秀的头脑去攻克编码问题是意料之中的举措。但这也可能标志着 Google 正优先发展代理型科学方向，因为编码能力对于某些此类系统的成功至关重要。

在整个行业中，代理型研究系统正展现出巨大的潜力。本周，OpenAI 宣布其某款模型推翻了一个重要的数学猜想——一些数学家认为这是生成式 AI 目前为止对数学领域作出的最具意义的贡献之一。

值得注意的是，OpenAI 使用的这款模型并非专为解决数学问题或进行研究而设计；根据该公司说法，它是一个通用推理模型，类似于 GPT-5.5。如果通用代理能够在数学研究中独立作出贡献，那么它们很快也可能在科学研究中做到这一点（尽管科学概念必须通过实验验证的特点使这一领域对 AI 更具挑战性）。

Google 显然非常重视由代理驱动的科学未来。I/O 大会上最重要的科学公告便是全新的 Gemini for Science 套件，该套件整合了公司旗下多个基于 LLM 的科学系统。

其中包括仍在内测阶段、尚未公开发布的假设生成型 AI Co-Scientist 和算法优化工具 AlphaEvolve。不过现在 Google 允许所有研究人员申请访问 Gemini for Science，因此这些工具有望在未来得到更广泛的采用。参与早期测试的科学家们对其潜力充满期待：斯坦福大学遗传学家 Gary Peltz 在《自然·医学》杂志的一篇文章中将使用 AI Co-Scientist 比作“咨询德尔斐神谕”。

Gemini for Science 并不与专业工具相冲突；相反，智能代理系统可以设计成在可能有用时调用这些工具。而且，没有任何智能代理系统能够在没有 AlphaFold 帮助的情况下预测蛋白质折叠成的结构（至少目前还不能）。但公司似乎正在转变其公众形象——并且至少将一些资源和人员（比如 Jumper）从专门开发这类工具的方向转移开来。尽管距离 AlphaFold 解决蛋白质折叠问题仅仅过去了五年时间，但这项技术和相关讨论已经迅速超越了这一曾经具有革命性意义的成就。

谷歌一直谨慎地将这套新的科学智能代理定位为人类科学家的加速器，而非替代者——例如，特意选用“AI 合作科学家”（AI Co-Scientist）而非“AI 科学家”（AI Scientist）这个名称，显然是经过深思熟虑的。Hassabis 在谈到科学领域中人工智能格局的变化时，也采用了以人类为中心的表达方式。他在《代达罗斯》（_Daedalus_）期刊发表的一篇访谈中表示：“在未来大约十年里，我们应该把 AI 视为一种帮助科学家的绝佳工具。再往后的时间就很难确定了，也许这些系统会变得更像是合作伙伴。”

然而，如果一个人本身不具备作为优秀科学家的能力，那么他也就无法成为有效的科研合作者。如果 Hassabis 所说的“奇点的山麓地带”离我们并不遥远，那么未来的 AI 科学家最终可能会超越他们的人类同行。

在 I/O 大会上与记者 Mike Allen 的一次讨论中，Hassabis 谈到了最初促使他投身 AI 领域的原因：他观察到自上世纪 70 年代以来物理学进展陷入停滞，于是开始思考是否人类大脑在这个领域的潜力已达到极限，并好奇 AI 是否能突破这道障碍。具备超人能力的智能代理科学家无疑符合他的设想。虽然我们或许永远无法真正实现这样的目标，但谷歌显然正朝着那座巅峰迈进。