我之前一直觉得，AI4Science不同领域跑得快慢，主要看data、compute和model。后来看到Google 2026年那篇Co-Scientist论文，我反而被一个很小的词卡住了：validation。

论文里，AI提出的AML drug-repurposing hypotheses确实通过了cell-line experiments，但作者自己只把它叫“initial biological validation”，还特别说明这不能替代后面的preclinical和clinical assessment。也就是说，同样叫“验证过了”，在Biology里可能只是刚过第一关。

数学完全不一样。一个已经正确formalise进Lean的theorem，proof可以交给kernel逐步检查；Chemistry和Materials里，candidate最后还得真正合成、测量，所以self-driving lab一直在想办法把“提出实验到拿回结果”的feedback loop压短。Medicine最慢，FDA给出的典型周期里，Phase 2可以持续数月至2年，Phase 3通常1到4年。

所以我现在会给AI4Science多加一条轴：一个领域多久才能可靠地知道自己错了。AI把hypothesis和candidate生成得越来越便宜以后，稀缺的东西可能会往实验、measurement、clinical trial和verification那边移动。

但这不是万能解释。data quality、problem representation、simulation、funding都会影响进展。更准确的问题是：AI加速了一段科研流程之后，下一段会不会立刻变成新的瓶颈？

#人工智能 #AIforScience #科研 #科学 #大学生
#科学验证 #AI科研 #Validation #科研方法 #AI学习地图