Nature：AI能够独立做出诺奖级发现吗？

2024 年，诺贝尔物理学奖和化学奖史无前例的地授予了人工智能（AI）领域的科学家。

在最近两年里，AI 模型取得了一系列突破，并在科学领域崭露头角，它们已经能够自主分析实验数据、设计实验方案，甚至提出新的科学假说。这种进步速度，让一些研究人员相信——在未来几十年里，AI 将能够与科学界最天才的头脑一较高下。或许在 2030 年，AI 就能独自做出值得诺贝尔奖的科学发现。

2025 年 10 月 6 日，Nature 官网发布了一篇题为：Will AI ever win its own Nobel? Some predict a prize-worthy science discovery soon（AI 会赢得自己的诺贝尔奖吗？有人预测 AI 很快就作出值得诺奖的科学发现）的文章。

2016 年，索尼 AI 公司首席执行官、生物学家北野宏明曾向研究人员发起一项挑战——开发出一种能够做出足以获得诺贝尔奖的发现的 AI 系统，他将这一挑战称为“诺贝尔图灵挑战”，并将其视为科学领域中 AI 面临的重大挑战。如果一台机器能够取得与顶尖人类研究相当的发现，就算挑战成功。

当前的 AI 模型还做不到这一点。但“诺贝尔图灵挑战”设想，到 2050 年，将有 AI 系统能够在无需人类干预的情况下，将假设生成、实验规划和数据分析等技能结合起来，取得足以获得诺贝尔奖的突破。甚至有研究人员认为，AI 系统自己获得诺贝尔奖几乎是板上钉钉的事，现在的问题在于，这需要 50 年时间还是 10 年时间。

当然，也有许多研究人员认为，当前的 AI 系统是基于人类现有的知识库训练出来的，能够生成一系列的文字和想法，却无法提供新的见解。要实现这一壮举，可能需要研究人员在开发 AI 的方式以及在 AI 领域的资金投入方面做出重大改变。

其他人则警告称，在科学研究流程中引入 AI，存在迫在眉睫的风险。

诺贝尔奖设立的初衷，是表彰那些“为人类作出最大贡献”的人，正如其创立者阿尔弗雷德·诺贝尔（Alfred Nobel）在其遗嘱中所写的。对于诺贝尔科学奖（生理学或医学奖、物理学奖、化学奖），一项诺贝尔奖级别的发现必须具备三个条件：有用、影响深远，为科学理解开启新大门。

尽管目前只有在世的人类、组织和机构有资格获得诺贝尔奖，但 AI 此前已与诺贝尔奖产生过交集。2024 年，诺贝尔物理学奖授予了机器学习先驱 John J. Hopfield 和 Geoffrey E. Hinton，他们为人工神经网络奠定了基础。同年，诺贝尔化学奖的授予了谷歌旗下 DeepMind 公司的 AlphaFold 的开发者 Demis Hassabis、John Jumpe 以及蛋白质设计先驱 David Baker，他们分别利用 AI 根据氨基酸序列预测蛋白质的三维结构以及从头设计全新蛋白质。但这些奖项都是为了表彰 AI 系统背后的开发者，而非 AI 系统本身所取得的成就。

根据“诺贝尔图灵挑战赛”的规定，若要称作 AI 科学家的发现，其研究工作必须“完全或高度自主”地由 AI 科学家完成，AI 科学家需要从头到尾监督整个科学过程，决定要回答的问题、要进行的实验以及要分析的数据。

如今，我们已经看到 AI 工具在科学发现过程的几乎每一步都为科学家提供协助，这让该领域变得非常令人兴奋，研究人员已经证明，AI 能够帮助解读动物的语言，对宇宙中的生命起源提出假说，并预测螺旋状星系何时可能发生碰撞。它还能预测致命沙尘暴，并有助于优化未来量子计算机的组装。

此外，AI 也已经开始自行开展实验。卡内基梅隆大学的化学家 Gabe Gomes 及其同事设计了一个名为“Coscientist”的系统，该系统依靠大语言模型（LLM）来规划化学实验，并使用实验室机器人执行复杂的化学反应，他还表示，尚未发布的新版本“Coscientist”能够以惊人的速度进行计算化学分析，需要一个研究生花费超过一年时间的化学反应过渡态的计算，新版本“Coscientist”半小时就能搞定。

目前，大多数使用 AI 的人类科学家将其视为某种助手或合作者，通常指派其完成特定任务，例如对数据进行分析和预测，加速原本繁琐的计算过程，这往往需要人类在某个或某些阶段参与其中。但已有研究团队推出“推理模型”，通过学习模仿逐步的逻辑思维，采用试错过程，来自主进行科学研究。

例如，2025 年 7 月 29 日，斯坦福大学 James Zou 团队在 Nature 期刊发表论文，开发了一个基于 AI 智能体的虚拟实验室平台，该 AI 平台仅花费了几天时间，就自主设计出了新型纳米抗体，并在实验室验证中显示出能够与 SARS-CoV-2 突变株的刺突蛋白结合。此外，他最近还发表了一篇预印本论文，证实了基于 AI 智能体的系统能够搜索生物学数据，发现研究人员未曾注意到的见解，表明了 AI 智能体开始自主发现新事物。

James Zou 表示，本月晚些时候，他将协助组织一场名为“Agents4Science”的线上会议，这是首个仅由 AI 参与的科学会议，所有论文都将由 AI 智能体撰写和评审，同时也会有人类合作者参与。为期一天的会议将包括邀请演讲和小组讨论（由人类进行），主题是关于 AI 生成研究的未来。他表示，希望这次会议能帮助研究人员评估 AI 在开展和评审创新研究方面的能力。

然而，并非所有研究人员都如此乐观，还有许多研究人员持谨慎态度，他们认为，AI 自主作出诺奖级发现还存在诸多障碍，例如，AI 智能体在尝试从头到尾完成一个研究项目时表现不佳，尽管这些智能体在完成特定的科学相关任务时约有 70% 的成功率，但在尝试生成一个想法、规划并执行实验以及分析数据以撰写完整报告这一整套流程时，成功率骤降至仅 1%。端到端的自动化科学发现，仍然是一个艰巨的挑战。

因此，尽管 AI在推动科学发展方面潜力巨大，但它的局限性也很突出，关键是，目前还不清楚需要多久才能克服这些局限。

即便当今的 AI 系统在某个特定的细分领域做出了合理的预测，它们也不一定能掌握更广泛的潜在原理。例如，最近的一项研究发现，一个 AI 模型能够预测行星绕恒星的运行轨道，但它却无法提出支配这些天体运动的基本物理定律，也就是说，AI 系统是指学到了科学原理的结果，并没有真正理解科学原理。而在另一项研究中，一个 AI 工具学会了如何在纽约导航，但它无法绘制出纽约的街道的准确地图。这些研究表明，人类科学家的亲身经历对于推导出基本科学原理至关重要。相比之下，AI 系统只能通过输入的数据集间接地体验世界，缺乏现实世界的经验会让 AI 系统难以提出新颖、有创意的问题，也难以对人类世界提供新见解。有研究人员正在探索将 AI 系统与机器人相结合，以帮助 AI 系统去体验世界，从而获得更多经验。

要想开发出能够做出诺奖级发现的 AI 科学家，就需要在具备更广泛能力的 AI 工具上投入更多精力，包括元推理能力（meta-reasoning）。人类科学家需要找到方法，赋予 AI 系统评估和调整自身推理过程的能力——对自己的思考进行思考（think about its own thinking）。这种转变可能会使 AI 能够权衡哪种类型的实验会产生最佳结果，并根据新发现修改其科学理论。

此外，还有一些研究人员质疑科学界是否应该积极推动 AI 作出科学发现，他们认为，科学界对 AI 的过度依赖，赖已经开始引入一些错误，AI 还可能会排挤其他方法，减少创新，导致科学家们“产出更多但理解更少”。此外，AI+机器人的自动化发现，可能会给科学以及科学家带来严重的负面影响，例如，减少年轻科学家的机会，他们可能永远无法获得必要的研究技能。现在，研究经费大量涌入 AI 领域，导致其他领域的研究被压缩。这些情况究竟是利是弊，还有待时间给出答案。