AI4Science

据 Unite.AI 十月十四日报道，Google.org 当天宣布，17 家组织将通过 Impact Challenge: AI for Science 项目获得总计 3600 万美元的资助。这笔钱不换股权、不换采购合同，只换研究方向与联合署名——这是 AI for Science 领域一种典型的非市场定价。 在融资新闻动辄数十亿美元的十月，3600 万美元不算大数字。但它的特殊之处在于定价方式：没有 ARR、没有客户留存率、没有 LTV，只有「这项研究配不配拿到算力与现金」的评审投票。 慈善资助能给 AI4Science 定什么价？ 把这笔钱和商业融资放在同一张表里看：Modal 用一年 10 亿美元的 run rate 换 157.5 亿美元估值，Modal 的估值锚是收入倍数；而这 17 家机构的「估值锚」是研究议题的公共价值。3600 万美元分散到 17 家，平均每家约 210 万美元，正好够养一个十人研究团队两到三年。 这个数字其实很准。它不是按市场需要定的，是按「维持一个严肃科研小组运转」的成本倒推出来的。慈善资本在 AI 科研里扮演的，是商业资本不愿碰的早期高风险区间。 为什么大厂把科学公益放在商业模型旁边？ 第一层动机是人才与生态。AI for Science 的顶尖研究者集中在高校与非营利机构，资助他们等于在学术圈维系一个未来的人才蓄水池。 第二层动机是算力与数据的合法性。当大模型公司面临版权与数据伦理审查，与开源科学项目合作、公开资助公益研究，是一种低成本的形象修复。Google 此前在 AI 安全与科学项目上的持续投入，本质是在监管叙事里买安全感。 第三层动机很现实：科学发现外溢成产品的概率虽低，但一旦中一个——比如新材料、新药靶点、气候模型——商业回报远超资助成本。 没有收入的组织如何活下去？ 对 17 家获奖机构而言，这笔资助解决的是两三年的生存问题，不是永久方案。国际上成熟的路径是「慈善资助打底+政府项目跟进+企业合作变现」的三层结构：第一笔钱来自公益，证明方向可行；第二笔钱来自政府科学基金，扩大实验规模；第三笔钱才是商业合同，把研究工具化。 Google.org 这次的资助池，相当于这个链条的第一环。值得后续跟踪的是：这 17 家机构里，哪家能在两年内拿到政府或企业的第二笔钱——那才是科研成果转化为产业价值的真正信号。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

10 月 5 日前后，AI for Science 领域传出一个小而硬的进展：Vals.ai 的团队用 AI 智能体设计并筛选磁性材料，产出两个候选方案——其中一个是全新材料，另一个则是一种早在 1999 年就被首次合成、却被重新发掘出来的材料。两者都被预测兼具半导体带隙与零净磁化，并具备自旋选择性。当然，这距离真正的实验验证还有相当长的路要走，计算预测再漂亮，也必须过得了合成与表征这一关。 这次和「预测」有什么不同 过去几年，AI 在科学上的成功多是「预测」：给一个结构，预测它的性质；给一个序列，预测它的折叠。这一步是「设计」——AI 智能体反过来主动提出候选材料，再自己做初筛。 差别在于，前者是被动拟合数据，后者是把提出假设、检索文献、计算初筛这套科研流程交给智能体跑。团队相当于让 AI 在材料组合的巨大空间里先扫一遍，把最有希望的几个捞出来，再交给实验科学家验证。 「翻出 1999 年的老材料」为什么重要 更有意思的是那个被重新发现的旧材料。材料学历史上，大量早期合成过的化合物因为后续没人跟进而沉在文献里。AI 智能体的价值之一，就是不知疲倦地把这些「沉睡资产」重新翻出来，用新的物理视角重新评估。这比从零发明新材料，往往更快出成果。 判断 室温磁半导体是自旋电子学长期想要的材料，一旦在实验中坐实，对低功耗存储与计算意义重大。但要冷静：这只是计算预测阶段，实验合成与表征才是裁判。真正值得记住的趋势是——AI 智能体正在成为科学发现的「前哨」，把文献检索、假设生成和初筛自动化，让人类科学家把精力集中在最关键的验证上。这场「AI 提假设、人做实验」的分工，才刚开始。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：AI磁半导体

10 月 7 日，由扎克伯格与普莉希拉·陈支持创立的非营利科研机构 Biohub 宣布进一步扩大「虚拟生物学计划」（Virtual Biology Initiative）。据 DeepTech 等报道，该计划将联合美国能源部（DOE）、美国国立卫生研究院（NIH）、Google DeepMind、Isomorphic Labs、Meta 等机构，汇集总计约 18 亿美元的资金、数据与算力，为 AI 生物学搭建公共的数据底座。 为什么是「数据底座」而不是又一个模型 AI for Science 跑了几年，行业逐渐形成一个共识：卡脖子的往往不是模型不够强，而是高质量、机器可读的生物数据太少、太碎。蛋白质结构预测之所以轰动，前提是有了大规模结构与序列数据；想再往药物、细胞、疾病机理走一步，缺的正是这样一层公共数据基础设施。 虚拟生物学计划的思路，是把分散在各机构的生物学实验数据标准化、打通，让 AI 模型在上面做可复现的预测与发现。这更像给后来者修一条公共高速，而不是某一家自己造一辆跑车。 过去几年，各家实验室各存各的数据，格式不统一、样本不对齐，AI 模型学出来的结论很难互相复现。这个计划想解决的，正是这个最基础也最磨人的问题。 为什么这些对手愿意坐到一桌 Google DeepMind（AlphaFold、Isomorphic Labs 团队）、Meta（FAIR 的基础模型）本是模型竞赛的对手，却愿意参与同一个数据计划。原因很现实：没有共享数据层，各家都在重复造轮子、用低质数据内卷；而生物学的公共价值，足够大到让竞争先让步于协作。 判断 18 亿美元买的不是立竿见影的新药，而是未来十年 AI 驱动生物学的「公共主干道」。对科研界，这是把 AI for Science 从单点突破推向平台化的关键一步；对产业，谁能在这层数据底座上先长出可落地的模型，谁就拿到下一轮药物研发的入场券。真正的成果不会明年就见效，但方向已经明确。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：虚拟生物学计划

引言 2026年，AI for Science（AI4S）从实验室走向产业应用的关键年份。大语言模型不再局限于文本生成，而是成为科学研究的"协作者"——从蛋白质结构预测到新材料设计，从气候模拟到量子化学计算，AI正在重塑科学发现的方法论。 AI for Science 的四大核心领域 1. 药物研发与蛋白质设计 AI药物研发在2026年迎来了里程碑式的突破。基于扩散模型的蛋白质结构生成工具已经能够从头设计具有特定结合亲和力的蛋白质，将传统需要数年的药物发现周期缩短到数月。 关键进展： AlphaFold 3 之后，多模态蛋白质预测进入新阶段 基于大模型的分子生成与性质优化管线 AI辅助临床试验设计，降低失败率 2. 材料科学 材料科学是AI4S最成熟的领域之一。通过图神经网络和生成模型，研究人员能够预测材料的电子结构、力学性能和热力学性质。 典型应用： 高温超导材料搜索 电池电极材料设计 催化剂筛选与优化 3. 物理建模与模拟 大模型在物理方程求解、偏微分方程数值解等方面展现出独特优势。物理信息神经网络（PINN）和算子学习（Operator Learning）技术让AI能够直接学习物理系统的映射关系。 4. 天文学与宇宙学 从引力波信号识别到星系分类，从暗物质分布推断到系外行星探测，AI在天文学各分支中都有深度应用。 大模型在科学发现中的角色转变 过去：AI作为工具 → 人类提出假设 → 用AI验证 现在：AI作为协作者 → AI提出假设 → 人类验证 → AI迭代 这种角色转变的核心在于大模型的多模态理解能力和推理能力。2026年的模型已经能够： 理解科学文献中的复杂概念 从图表中提取定量信息 生成可验证的科学假设 设计实验方案 挑战与展望 尽管AI for Science前景广阔，但仍面临诸多挑战： 可解释性：科学发现需要可解释的推理过程，而深度学习模型的"黑箱"特性与此矛盾 数据质量：科学数据的稀缺性和噪声问题 验证机制：AI生成的假设需要严格的科学验证 跨学科人才：既懂AI又懂科学的复合型人才稀缺 结语 AI for Science 不是简单的"用AI加速科学"，而是从根本上改变科学发现的方式。随着大模型能力的持续进化，我们有望见证更多"AI主导"的科学突破。 本文是 AI for Science 系列的第一篇，后续将深入探讨各细分领域。 加入讨论 这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。 ...