Memo：AI for Science 爆发——前 DeepMind 曹原访谈核心要点
来源：硅谷101《对话前 DeepMind 曹原：AI for Science 爆发，一个新时代到来了》（2026-08-18）
形式：对话体访谈（主持人陈茜 × 曹原，前 Google DeepMind 资深科学家、Unreasonable Labs 联合创始人）
一句话结论：AI4S（AI for Science）在 2026 年年中进入爆发拐点，但"验证"是最大瓶颈，诺奖级成果至少还需 20–30 年；人类价值集中在"定义问题、验证结果、掌握审判权"。
一、行业拐点已至
2026 年 8 月第一周，Jeff Dean 离职并携 Oriol、Sanjay、Quoc 等创办 Discovery Loop，主攻生命科学等科研加速；同期 OpenAI Astra 推导出 10 道人类悬而未决的数学难题，Anthropic 科研版 Claude 将黎曼猜想零点下界由 41.6% 推进至 67.2%。推理、代码、agent loop、长期记忆四项能力在 2026 年中同时成熟，使 AI 能处理比编程/数学更复杂的科学问题——AI4S 正式爆发。
二、AI4S 的角色与边界
AI 在科研中扮演两类角色：① Co-Scientist，加速既有流程（如 Claude Science 工作台）；② AI 自主发现（如 AlphaFold、AlphaEvolve）。但问题必须由人定义——AI 缺乏"品位"去选择有价值的问题；最适合 AI 的是"可计算、易验证"的问题（如蛋白质结构）。最大瓶颈在验证：物理实验慢且贵，湿实验短期难以被赋能，需依赖自动化实验室（Cloud Lab / A-Lab）形成闭环；LLM 在因果建模上弱于相关性，需世界模型支撑。
三、最先落地的领域与三巨头布局
生物制药（市场大、流程标准、降本诱人）与材料最先受益；半导体、电池、量子仍在探索。Google 布局最早最广（Alpha 系列、Gemini for Science），Demis 仍掌 AGI 与科学方向；OpenAI 最激进（GPT-Rosalind、与 Ginkgo 闭环）但战略易乱；Anthropic 挖角 John Jumper 后发居上。大公司存在"创新者窘境"盲点，给创业公司留出空间。
四、AI for Math 与哲学判断
数学证明走"LLM 提思路 → Lean 形式化验证"路径，瓶颈在自动形式化效率。曹原认为数学是"发明"而非纯发现，抽象概念（数、特征值）难以被 AI 计算，可能是 AGI 的 last mile，甚至非图灵可计算；哥德尔不完备定理暗示数学是人造物。人类发现带"随机性"（牛顿苹果），AI 尚缺溯因与抽象。
五、资本与长期判断（投资启示）
商业化已分层：靶点发现等可商用，诺奖级成果至少需 20–30 年（因果推理、长期记忆、持续学习未解）。AI 是"元技术"——一旦达诺奖级，将通用且经济高效。结论：人类价值集中在定义问题、验证结果与掌握审判权，而非执行。对投资而言，短期看 AI4S 工具链（自动化实验、垂直模型、验证平台），长期赌"提出假说—自动验证"闭环；纯连接主义独角兽需警惕神经符号混合路线（曹原判断符号主义不复兴，仅占约 2%）。
给研究的备注：文中"谷歌时代结束"系言过其实——谷歌仍具芯片、基建、数据、人才、分发的全栈能力，仅优先级需调整。