以下文章来源于“人工智能驱动材料计算”仅做分享原文链接https://mp.weixin.qq.com/s/fdrR1dYZ8HFGwTTuNkeSQQ你凭什么嘲笑做AI for Science的人。他们忍受着质疑、承受着失败、在没有人相信的地方硬干。而你只是坐在那里等着看笑话。让我先声明我不是反对批评也不是反对怀疑精神。我反对的是那种特定的人。他们活在一个由冷嘲热讽、事后诸葛亮和我早就说过共同构建的舒适区里把质疑AI for Science当成一种廉价的智识优越感插在任何需要显得深刻的地方。这篇文章写给所有曾经在做报告时被人挤兑、在申请经费时被人否定、或者在听完某个犀利批评之后不知道为何感到愤怒的人。你的愤怒是对的。一、批评的懒惰他们说的话你一定也听过。这不过是在知名数据集上刷分。这个模型解决的根本不是真正的科学问题。等湿实验室验证了再来说话。这些话有一个共同点成本极低无需承担任何风险无需提出任何替代方案只需要站在已有成果的对立面等待时间来证明自己有先见之明。质疑是科学精神的一部分但质疑本身不创造任何价值。指出一个方向可能有问题和真正解决这个问题是两件完全不同量级的事情。更精妙的是批评者学会了用严谨性和可证伪性来包装自己的不作为。你做了一个蛋白质结合预测的模型 他说这只是代理任务不是真正的科学。你的模型在benchmark上表现优秀 他说数据集可能有泄漏不算数。你把预测结果交给实验室去验证 他说等验证出来了再聊。于是你沉默了因为你还在做事没空跟他争。二、进展的真相批评AI for Science最常用的武器是没有被湿实验室验证。这句话听起来无比正确实际上是一个精心设置的双重标准。请问传统计算化学的预测有多少被实验及时验证过理论物理的模型有多少在提出的十年内就找到了实验证据基因组学的大多数关联研究有多少在发表时就有功能验证没有人拿这些标准去审判计算科学的其他分支却单独拿来卡AI for Science。这不是学术严谨这是选择性执法。事实上AI for Science已经产出了大量经得起检验的成果。不是在将来是现在是已经发生的事。AlphaFold预测的结构正在被用于真实的药物设计管线已有基于此结构的候选药物进入临床试验。深度学习模型在预测抗生素候选分子方面已发现了传统方法难以找到的新型化合物并经过了体外和体内验证。AI辅助的材料发现已在实验室层面验证了多种新型电池材料和催化剂。气候模型中引入机器学习后降水预测精度的提升已被多个独立气象机构证实。这些不是PPT是已经发表、已经被重复、已经在改变实验室工作流程的成果。选择性地忽视它们然后说AI for Science还没有被验证这才是真正的认知偏差。你的模型预测了什么然后被实验验证了吗答案是已经有了而且越来越多。你只是没有认真去看。三、时间尺度的傲慢批评者最大的认知错误是用当下的不完美来否定进行中的革命。PCR技术发明的前十年被大多数生物学家认为是实验室的小玩具用处有限。CRISPR在2012年发表时评审人的主要意见是应用前景不明朗。深度学习在2006年重新崛起时主流机器学习界的共识是神经网络已死不要浪费时间。每一次真正的范式转变都经历过这个阶段少数人在做多数人在等着看笑话。AI for Science现在所处的位置不是泡沫破裂前的顶点而是基础设施刚刚成熟、应用刚刚开始规模化落地的起点。模型架构在快速迭代训练数据在快速积累更重要的是湿实验室和AI团队之间的协作语言正在形成。而这种协作语言一旦成熟加速度将是指数级的。用2025年的验证密度来否定一个将在2030年改变科学工作方式的技术路线这不是审慎这是时间尺度上的傲慢。五个正在发生的信号供参考顶级制药公司已在大规模裁撤传统计算化学岗位同步扩招AI for Drug Discovery团队。Nature、Science、Cell三大顶刊均已设立专门的AI方法论审稿通道。诺贝尔委员会在2024年将化学奖颁给了AlphaFold的开发者。全球最顶尖的结构生物学实验室正在大幅削减冷冻电镜机时转而用AI预测结构做初步筛选。第一批完全由AI生成假说、由机器人实验室自动验证的闭环科学系统已经在运行并发表了论文。四、我们真正失去了什么最大的风险不是AI for Science做了太多而是我们因为过度谨慎而做得太少、太慢。每一年全球有数百万患者因为药物开发周期过长而无法获得有效治疗。每一年气候变化因为我们对复杂系统理解不足而产生的政策误判都在积累代价。每一年材料科学因为实验空间太大、人力太少有无数可能改变能源结构的化合物躺在未被探索的角落里。如果AI for Science能把药物发现周期从15年压缩到5年哪怕只是对某一类疾病意味着什么如果AI辅助的气候模型能让政策制定者少走三年弯路意味着什么这不是PPT这是人命是时间是我们作为一个物种面对自身困境时唯一值得押注的方向之一。当然AI for Science充满了泡沫。有人在刷分有人在讲故事有人把代理任务包装成科学突破。这是真的无需回避。但泡沫和革命从来都是同时存在的互联网泡沫在2000年破裂但互联网本身并没有消失它改变了人类文明的组织方式。问问自己在过去一年里你亲自贡献了什么来推动那些你认为真正重要的科学问题如果答案是我写了很多犀利的批评文章那么恭喜你你选择了最舒适、风险最低、也最不可能改变任何事情的那条路。批评是必要的但批评不是终点行动才是。尾声站在哪一边不要让对别人失败的期待替代你对自己成功的追求。对AI for Science保持批判性思考这是对的。要求更严格的验证这是对的。警惕过度包装和学术泡沫这是对的。但如果你的批判性思考最终导向的结论是这件事不值得做那你需要认真反问自己你是在进行科学判断还是在为不行动寻找理由最后说一句公道话很多批评AI for Science的人并不是坏人。他们只是生活在一个系统性奖励了谨慎和怀疑的学术环境里久而久之把不犯错当成了目标忘记了科学的目标从来都不是不犯错而是在犯错中逼近真相。这不是坏人的问题这是一个文化问题。而文化问题需要每一个参与者共同去改变。下次有人给你展示一个AI for Science的早期进展在你开口问湿实验室验证了吗之前先问问自己如果这是对的我准备好接受这个世界了吗看你自己的表情你就全明白了。本文所表达的立场为对AI4S价值的积极辩护并非否认其中存在的真实问题。科学进步需要批评但同样需要勇气。两者并不矛盾。更多精彩内容敬请关注微信公众号“力学与人工智能”
你凭什么嘲笑做AI for Science的人
发布时间：2026/6/26 1:14:52
以下文章来源于“人工智能驱动材料计算”仅做分享原文链接https://mp.weixin.qq.com/s/fdrR1dYZ8HFGwTTuNkeSQQ你凭什么嘲笑做AI for Science的人。他们忍受着质疑、承受着失败、在没有人相信的地方硬干。而你只是坐在那里等着看笑话。让我先声明我不是反对批评也不是反对怀疑精神。我反对的是那种特定的人。他们活在一个由冷嘲热讽、事后诸葛亮和我早就说过共同构建的舒适区里把质疑AI for Science当成一种廉价的智识优越感插在任何需要显得深刻的地方。这篇文章写给所有曾经在做报告时被人挤兑、在申请经费时被人否定、或者在听完某个犀利批评之后不知道为何感到愤怒的人。你的愤怒是对的。一、批评的懒惰他们说的话你一定也听过。这不过是在知名数据集上刷分。这个模型解决的根本不是真正的科学问题。等湿实验室验证了再来说话。这些话有一个共同点成本极低无需承担任何风险无需提出任何替代方案只需要站在已有成果的对立面等待时间来证明自己有先见之明。质疑是科学精神的一部分但质疑本身不创造任何价值。指出一个方向可能有问题和真正解决这个问题是两件完全不同量级的事情。更精妙的是批评者学会了用严谨性和可证伪性来包装自己的不作为。你做了一个蛋白质结合预测的模型 他说这只是代理任务不是真正的科学。你的模型在benchmark上表现优秀 他说数据集可能有泄漏不算数。你把预测结果交给实验室去验证 他说等验证出来了再聊。于是你沉默了因为你还在做事没空跟他争。二、进展的真相批评AI for Science最常用的武器是没有被湿实验室验证。这句话听起来无比正确实际上是一个精心设置的双重标准。请问传统计算化学的预测有多少被实验及时验证过理论物理的模型有多少在提出的十年内就找到了实验证据基因组学的大多数关联研究有多少在发表时就有功能验证没有人拿这些标准去审判计算科学的其他分支却单独拿来卡AI for Science。这不是学术严谨这是选择性执法。事实上AI for Science已经产出了大量经得起检验的成果。不是在将来是现在是已经发生的事。AlphaFold预测的结构正在被用于真实的药物设计管线已有基于此结构的候选药物进入临床试验。深度学习模型在预测抗生素候选分子方面已发现了传统方法难以找到的新型化合物并经过了体外和体内验证。AI辅助的材料发现已在实验室层面验证了多种新型电池材料和催化剂。气候模型中引入机器学习后降水预测精度的提升已被多个独立气象机构证实。这些不是PPT是已经发表、已经被重复、已经在改变实验室工作流程的成果。选择性地忽视它们然后说AI for Science还没有被验证这才是真正的认知偏差。你的模型预测了什么然后被实验验证了吗答案是已经有了而且越来越多。你只是没有认真去看。三、时间尺度的傲慢批评者最大的认知错误是用当下的不完美来否定进行中的革命。PCR技术发明的前十年被大多数生物学家认为是实验室的小玩具用处有限。CRISPR在2012年发表时评审人的主要意见是应用前景不明朗。深度学习在2006年重新崛起时主流机器学习界的共识是神经网络已死不要浪费时间。每一次真正的范式转变都经历过这个阶段少数人在做多数人在等着看笑话。AI for Science现在所处的位置不是泡沫破裂前的顶点而是基础设施刚刚成熟、应用刚刚开始规模化落地的起点。模型架构在快速迭代训练数据在快速积累更重要的是湿实验室和AI团队之间的协作语言正在形成。而这种协作语言一旦成熟加速度将是指数级的。用2025年的验证密度来否定一个将在2030年改变科学工作方式的技术路线这不是审慎这是时间尺度上的傲慢。五个正在发生的信号供参考顶级制药公司已在大规模裁撤传统计算化学岗位同步扩招AI for Drug Discovery团队。Nature、Science、Cell三大顶刊均已设立专门的AI方法论审稿通道。诺贝尔委员会在2024年将化学奖颁给了AlphaFold的开发者。全球最顶尖的结构生物学实验室正在大幅削减冷冻电镜机时转而用AI预测结构做初步筛选。第一批完全由AI生成假说、由机器人实验室自动验证的闭环科学系统已经在运行并发表了论文。四、我们真正失去了什么最大的风险不是AI for Science做了太多而是我们因为过度谨慎而做得太少、太慢。每一年全球有数百万患者因为药物开发周期过长而无法获得有效治疗。每一年气候变化因为我们对复杂系统理解不足而产生的政策误判都在积累代价。每一年材料科学因为实验空间太大、人力太少有无数可能改变能源结构的化合物躺在未被探索的角落里。如果AI for Science能把药物发现周期从15年压缩到5年哪怕只是对某一类疾病意味着什么如果AI辅助的气候模型能让政策制定者少走三年弯路意味着什么这不是PPT这是人命是时间是我们作为一个物种面对自身困境时唯一值得押注的方向之一。当然AI for Science充满了泡沫。有人在刷分有人在讲故事有人把代理任务包装成科学突破。这是真的无需回避。但泡沫和革命从来都是同时存在的互联网泡沫在2000年破裂但互联网本身并没有消失它改变了人类文明的组织方式。问问自己在过去一年里你亲自贡献了什么来推动那些你认为真正重要的科学问题如果答案是我写了很多犀利的批评文章那么恭喜你你选择了最舒适、风险最低、也最不可能改变任何事情的那条路。批评是必要的但批评不是终点行动才是。尾声站在哪一边不要让对别人失败的期待替代你对自己成功的追求。对AI for Science保持批判性思考这是对的。要求更严格的验证这是对的。警惕过度包装和学术泡沫这是对的。但如果你的批判性思考最终导向的结论是这件事不值得做那你需要认真反问自己你是在进行科学判断还是在为不行动寻找理由最后说一句公道话很多批评AI for Science的人并不是坏人。他们只是生活在一个系统性奖励了谨慎和怀疑的学术环境里久而久之把不犯错当成了目标忘记了科学的目标从来都不是不犯错而是在犯错中逼近真相。这不是坏人的问题这是一个文化问题。而文化问题需要每一个参与者共同去改变。下次有人给你展示一个AI for Science的早期进展在你开口问湿实验室验证了吗之前先问问自己如果这是对的我准备好接受这个世界了吗看你自己的表情你就全明白了。本文所表达的立场为对AI4S价值的积极辩护并非否认其中存在的真实问题。科学进步需要批评但同样需要勇气。两者并不矛盾。更多精彩内容敬请关注微信公众号“力学与人工智能”
