2026年8月，前谷歌CEO埃里克·施密特与学者Suhas Mahesh联合发布行业观点，指出当前科学人工智能赛道多数产品依赖大规模数据训练实现拟合预测，而具备类人科研推理逻辑、可完整模拟研究全流程的AI代理，才是驱动未来科研效率量级突破的核心方向，为AI for Science的技术迭代明确了新路径。
过去五年，AI在蛋白结构预测、小分子药物筛选、新材料模拟等多个科研领域已经实现落地，甚至部分场景的效率已经超过人类研究员，但几乎所有现有应用的能力边界，都受限于训练数据集的覆盖范围。
当前主流的科学AI产品均采用数据驱动的训练逻辑：将已发表的实验数据、公开数据集作为训练素材，让模型学习数据之间的关联规律，从而对新的同类问题给出预测。这种路径在有足够多公开数据的领域见效极快，比如DeepMind推出的AlphaFold3对已知蛋白家族的结构预测准确率已经超过90%。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号