[智能应用]AI如何驱动研发？诺奖得主们这样说 [复制链接]

一个零能耗的便携式取水装置，被放置在空气湿度不到15%，在极其炎热的美国沙漠“死亡谷”中，很快成功地从大气中取到了饮用水。这个堪称旅行者救命稻草的神器，由ChatGPT分子优化编辑设计的材料所制成的。
这是在首届天桥脑科学研究院AI驱动科学研讨会上，新晋2025年诺贝尔化学奖得主、加州大学伯克利分校的奥马尔·亚基（OmarYaghi）分享的沙漠取水神器设计。
他表示：“AI正在成为新的科学思维体。借助人工智能，我们正在赋予科学自行思考、推理和演进的能力。一个由生成式AI、自学习Agents机器人智能体共同驱动的科学循环系统。”
除了AI设计的沙漠取水神器，亚基和团队基于ChatGPT创建的七个Agents组成虚拟科研团队，分工执行实验设计、文献检索、算法优化、实验安全与数据分析等任务，共同设计并优化了多孔有机框架材料COF-323的结晶过程，在几天内完成了上百次实验，持续优化条件，实现从无定形到高结晶的飞跃。
同时，他们还训练ChatGPT阅读数千份合成报告并进行推理，证明该模型的预测性能优于许多传统启发式方法，让ChatGPT从一个文本生成器演变成一个科学推理引擎。
当天，2024年诺贝尔化学奖得主、华盛顿大学的戴维·贝克（DavidBaker）教授则分享了AI如何“从头设计”蛋白质工程领域。
贝克团队开发的RF Diffusion3模型是一种能够在三维结构空间中进行运算的先进生成式AI模型。研究人员仅需输入期望的分子功能，该模型便能生成具有相应功能的新型蛋白质的精确三维结构蓝图。
基于这一技术，团队已取得多项突破性成果：在神经退行性疾病研究方面，设计出能特异性捕获β-淀粉样蛋白的新型肽类结合物，为阿尔茨海默病干预提供新策略；在酶工程领域，成功开发了首个“从头设计”的蛋白酶；在基础研究工具开发上，研制了新型的GPCR激动剂与拮抗剂，为神经科学中复杂的细胞通讯和信号传导研究提供了强力工具。
贝克指出，AI模型的快速发展高度依赖于一个与实验数据紧密耦合的“反馈闭环”。他强调，一个高效的“设计-构建-测试-学习”迭代循环是必不可少的：AI进行预测设计，实验室进行快速验证，而实验产生的数据都将即时反馈给模型，用于优化算法参数。
2020年诺贝尔化学奖得主、加州大学伯克利分校的珍妮弗·道德纳（JenniferDoudna）教授分享了基因编辑工具CRISPR与AI的结合如何影响个性化基因治疗。她提出了CRISPR与机器学习的协同进化，利用CRISPR技术在细胞系中系统性地制造“基因扰动”（geneperturbations），从而大规模、高效率地筛选并鉴定每个基因的具体功能，为构建因果数据集提供关键工具。
盛大集团和天桥脑科学研究院创始人陈天桥现场表示，发现式智能是真正的通用人工智能。为此，他宣布将投入10亿美元算力，支持全球科学家的创新人工智能研究。
他表示：“人类的进化从未停止，只是方式改变了。我们的工具（现在包括AI）是进化的外部器官。”
他还预计真正改变智能的下一个算法不会出现在数据中心。“它会出现在笔记本电脑上。”他说。

以下是多位诺贝尔奖得主对“AI如何驱动研发”的核心观点梳理，结合最新行业实践，从科学突破、产业应用及风险反思三个维度展开分析：

🔬 一、科学发现：AI颠覆基础研究范式
蛋白质结构预测的革命性突破

Demis Hassabis（2024诺贝尔化学奖得主）：
➤ 其团队开发的AlphaFold 2预测了地球上2亿个蛋白质结构，将原本需10亿年博士研究时间的任务压缩至1年内完成2。
➤ 这一成果不仅破解了生物学世纪难题，更推动人类进入“数字生物学”时代——以“数字速度”重构药物研发逻辑24。
实际应用：AlphaFold 3进一步预测蛋白质与配体相互作用，为药物靶点筛选提供动态模型10。
加速科学假说验证

Michael Levitt（2013诺贝尔化学奖得主）：
➤ 评价AI设计的抗纤维化药物ISM001-055时指出：“在Ⅱa期临床中同时验证安全性与疗效，标志着AI驱动药物研发取得真正突破”3。该药物从靶点发现到临床前研究仅10个月，比传统流程快6个月以上8。
技术路径：AI平台（如PandaOmics）通过分析海量文献与临床数据，自主筛选新靶点并设计分子结构310。
🏭 二、产业变革：AI重构研发全链条
药物研发“降本增效”新范式

案例1：华润双鹤旗下平台利用AI设计分子，仅合成少量样本即确定候选化合物，大幅降低试错成本8。
案例2：光弘科技开发AI质检系统，20万件产品筛查从人工1个月缩短至数小时6。
制造业研发流程智能化

TCL实践：传统工艺需10天产线试验，AI模拟取代实体测试，释放产能并加速创新迭代6。
华阳集团：接入AI大模型API优化汽车电子研发系统，生产力显著提升6。
跨学科融合催生新工具

死亡谷实验：AI设计的零能耗取水装置，在湿度低于15%的沙漠中成功制取饮用水，展示材料科学突破1。
世界模型开发：谷歌成立专项团队研发物理世界模拟AI，推动机器人控制与量子计算4。
⚠️ 三、风险警示：理性看待AI潜力边界
经济收益的“泡沫”担忧

Daron Acemoglu（2024诺贝尔经济学奖得主）：
➤ 驳斥“AI推动GDP翻倍”的乐观预测，估算未来十年AI对生产率增长贡献仅0.5%-0.66%，远低于行业宣传59。
➤ 指出当前AI设计偏向“取代人类”而非“辅助人类”，可能加剧就业失衡59。
技术伦理与发展模式争议

Hassabis呼吁：“面对AI对医疗、气候等重大议题的影响，必须放弃‘快速迭代、快速失败’的互联网模式，以负责任路径确保技术普惠”7。
陈天桥观点：AI终极价值在于“发现式智能”——主动构建世界模型、提出可证伪假说，而非参数堆砌11。
💡 总结：AI驱动研发的核心逻辑
领域    AI赋能方式    代表案例/观点
基础科学    压缩研究周期，破解复杂系统    AlphaFold预测20亿蛋白质结构210
产业应用    全流程优化，减少试错成本    抗纤维化药物10个月进入临床38
风险治理    平衡效率与伦理，警惕过度炒作    经济学家警示生产率增长上限59
正如哈萨比斯所言：“我们站在数字生物学的起点”4，AI正将研发从“经验驱动”转向“模型驱动”，但其颠覆性潜力需与人类价值深度绑定。欲进一步探索，可查阅1中死亡谷取水装置细节，或11了解陈天桥10亿美元算力支持计划。