陈茜：也就是说，AI4S和AI4AI类似，只是目标不同，而RSI是一种方法，可以同时用于AI4AI和AI4S。那为什么偏偏在2026年8月这个时间点，AI4S开始爆发？它当然不是一夜之间就爆发的，前面已经有AlphaFold、RoseTTAFold等一系列模型的进展。此时此刻，有哪些技术的成熟，才让AI4S在这个时间点爆发了？

曹原：过去两年AI的发展，主要是在代码和推理能力上，最能体现这两个能力的就是编程和数学问题。等AI能够比较可靠地写代码，同时智能体的Harness（挽具/驾驭系统）也成熟之后，就可以开始让AI去做更复杂的科学问题。比如做一个生物实验，第一步，模型要提出假设，决定下一步做什么实验，这需要推理能力；第二步，实验得到数据之后，模型要自己写代码分析数据，看结果是否符合预期，这需要很强的代码能力；第三步，如果数据异常，它还要分析原因，判断前一个方案哪里有问题，不断地自我迭代。
所以真正需要的是一整套能力：推理、数据分析、数学、代码，以及整个agent loop（智能体循环）和长期记忆管理。每次实验之后，系统都要把之前观测的结果放到记忆管理的容器中。等这些能力都到位，才能更好地处理科学问题，因为科学问题的范围更广、复杂度也更高，比单纯的编程和数学更具挑战。
陈茜：所以现在可以说是“天时地利人和”，到了我们在AI4S能力上去发展的阶段。AI4S下面还有很多细分方向，目前讨论最多的、最聚焦的还是材料、生物制药，以及AI for Semiconductor（AI半导体），也就是用AI设计芯片这几类，为什么这些领域最先受到关注？
曹原：一个科学领域对AI4S有没有吸引力，主要由几个因素决定：市场的潜力与规模、是否适合用AI做、研发的迫切性，以及AI目前能不能做得好。传统上，生物学、生物科技、生命科学和药物发现一直都有非常大的市场。而且潜力很大。第二，这些领域的流程相对标准化、结构化，数据也比较丰富，流程也更容易交给AI处理。第三，新药开发周期很长、成本很高。前期要测试大量的kit，筛选出lead（先导化合物），挑选出一些比较可靠的分子结构后，还要进入临床试验和复杂监管流程，整个周期可能持续很多年，花费数亿美元。如果AI能够自动化其中一些环节、降低成本，对制药公司就非常有吸引力。所以从创投角度看，生物和药物开发是AI4S被吸引的科学话题。
材料同样是大市场，在生活当中方方面面都会碰到，但和药物比，它的问题是市场非常细，很难捕捉到价值的应用场景。比如说金属材料、皮革材料、生物材料、半导体材料、稀土材料，各自的开发流程和应用都不同。所以虽然市场很大，但很难用同一个相对标准的方法去处理。即使AI发现了一个新的材料结构、分子，也只是第一步，之后还要考虑谁来制造、用在哪里、最后如何包装等等。它的价值链很碎，很难用AI一下子捕捉到所有的价值。所以材料虽然市场大，但相比药物开发和生物相对会更小。其他的芯片设计、电池设计、量子计算等新兴的方向也都在探索中，现在还很难判断AI最终能在多大程度上发挥作用。
陈茜：AI4S本质上解决的是什么？是加速现有科学研究，还是发现新的问题？换句话说，它更偏向提效，还是发现？
曹原：这取决于AI在其中扮演什么角色。第一种是Co-Scientist（协同科学家），它主要帮助科学家加速研究流程，但不一定主动提出新的方法。比如像Claude Science，是一个更偏向科学家的workbench（工作台），类似编程里的IDE（集成开发环境）。科学家可以在上面调用各种工具、分析数据、与模型对话、获得建议、运行实验或模拟。AI模型不一定自己提出新知识，但可以明显加速实验设计、数据分析和整个研发流程。
第二种角色，是AI自己提出新的发现。比如DeepMind的AlphaEvolve可以自主发现新算法，AlphaFold也能帮助产生新的蛋白质结构相关知识。所以AI在AI4S中的角色，取决于具体领域，也取决于它是一个垂类模型，还是放在agent loop（智能体循环）里的通用模型。
网页链接