据 Semiconductor Engineering 十月九日报道，美国能源部（DOE）向 12 个 AI 驱动的科研项目授予总计 1.59 亿美元，覆盖从材料科学到聚变等离子体的多个方向。同期英伟达承诺五年投十亿美元支持美国科学，Anthropic 承诺三年 1.5 亿美元支持 Genesis 联邦计划。联邦政府与商业算力公司正在同向加注 AI for Science。
这笔钱本身没有问题。AI 在蛋白质折叠、材料筛选、等离子体控制上已经展示了远超传统方法的搜索速度。问题在于：当科学发现的核心步骤由大模型完成，论文里那个关键的「为什么」会怎么写。
模型给出的解，为什么算科学发现？
传统科学方法要求一个结果可被解释：为什么这个材料超导？为什么这个蛋白质折叠成这样？你给出机制，实验家验证机制。AI for Science 越来越多的路径是：模型在大空间里搜出一个结构，实验上确实有效，但没人能讲清楚为什么是它。这是一种「黑箱归纳」。
黑箱归纳在工程上极其有用，但在科学认识论上是个麻烦。如果一个现象有效但不可解释，你不能基于它外推下一个现象。科学的积累性——也就是今天的发现帮助明天的发现——依赖可解释性。如果每一个 AI 发现都是孤立的有效点，科学就从一棵生长的树变成一张随机分布的星图。
可解释性会因此变成一个独立学科吗？
我的判断是会。未来十年会出现一批「AI 发现的解释者」：他们不做实验，不跑模型，专门把黑箱结果翻译成人能理解的机制语言。这有点像中世纪的经院哲学家，专门把启示翻译成理性。
下一步看：这 12 个项目在 2028 年前后结题时，有多少比例的论文会同时给出机制解释，又有多少只是「模型预测加实验验证」。比例会告诉我们，AI for Science 到底在推动科学，还是在推动一种新的工程试错。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论。