MIT、谷歌发布报告：AI 让科研假设变廉价，实验环节成新瓶颈

Google、Google DeepMind 与 MIT FutureTech 联合研究团队发布报告，基于多组大规模数据评估 AI 对真实科研场景的影响，发现 AI 为科研带来明显两面性：一方面 AI 正深度渗透科研全流程，通用大模型与各类专用科学 AI 形成互补分工，大幅提速科研数字化环节，为科研人员每周平均节省近 7 小时，推动科研产出提升。另一方面科研瓶颈正向工作流下游转移，AI 快速生成大量待验证假设，但实验、现实数据采集等非数字化环节无法同步提速，形成新的产能限制，还催生了需要投入时间核查模型输出的「验证税」，甚至引发科研选题向易验证领域集中的「路灯效应」。当前 AI for Science 的结构性矛盾凸显，下一轮相关竞争将不止聚焦模型生成能力，更取决于实体实验验证的效率，业界与学界已开始布局自动化云实验室等新型科研基础设施，补全 AI 科研闭环的短板。