《Google I/O 释放信号：AI 科学从专用工具走向研究智能体》

Google I/O 上，DeepMind 展示了 AI 科学的两条路线。第一条是 WeatherNext 这类专用系统：它们在天气、蛋白质、材料等具体任务上取得成果，能直接改善预测、筛选和实验效率。第二条更激进，是把大模型发展成能提出假设、规划研究、调用工具并与科学家协作的通用研究智能体。

Demis Hassabis 在演讲里使用了“奇点山脚下”这样的宏大说法，但文章提醒我们，真正值得观察的不是口号，而是科学 AI 的工作方式正在改变。WeatherNext 可以提前预警飓风，这已经很有价值；但它仍是围绕明确任务优化的系统。从专用科研模型走向研究智能体，意味着 AI 不只是更快计算答案，而是开始介入问题的形成。

DeepMind 的历史经验解释了这个转向。AlphaFold 解决的是蛋白质结构预测这个边界清晰的问题，成功后拿到诺奖级认可。如今公司希望把类似能力扩展到更开放的科学流程：让模型阅读论文、组合证据、提出可检验路径，并在实验平台或模拟环境中迭代。难点也在这里：科学发现不只是模式识别，还包括判断哪些问题值得问、哪些结果可信。

文章的克制之处在于，它没有把 AI 科学直接等同于奇点。专用系统已经能创造公共价值，但通用科学智能体仍面临可靠性、可解释性、实验验证和人类责任分配等问题。最现实的变化，是科学家会越来越多地把 AI 当作研究流程中的合作者，而不是单个工具按钮。

这场转变的意义，不在于 AI 是否马上超过人类科学家，而在于科学工作的边界正在被重新划分。数据整理、文献搜索、模拟、假设生成和实验设计会被模型逐步承接，人类研究者的价值则更多转向问题选择、结果审查和跨领域判断。

文章还提醒，科学 AI 的公共叙事很容易被“奇点”这样的词带偏。更扎实的判断标准应该是：它是否能减少研究者处理数据的时间，是否能提出可验证假设，是否能在失败后修正路线，是否能让人类清楚知道结论来自哪些证据。只有这些环节稳定之后，AI 才不只是科研宣传里的亮点，而是真正改变实验室日常工作的基础设施。

因此，Google I/O 的信号可以拆成两层：对外，它延续了科技公司关于通用智能的宏大叙事；对内，它展示了科研软件如何从预测工具变成任务编排系统。前者吸引注意力，后者才决定科学家会不会长期使用。