本文作者：董董

    版式设计：姜姜

1982 年，南京紫金山。一棵松树毫无征兆地枯死了。

没人知道凶手是谁。直到多年后，科学家才在它的木质部里找到真凶——一种肉眼不可见的线虫，体长仅 1 毫米，却能在 40 年间横扫中国南方数千万亩松林，至今无药可治。它被称作 " 松树癌症 "。 

2026 年 8 月 12 日，南京溧水林场。

一架无人机掠过松林，多光谱影像实时回传。一棵外观翠绿、肉眼完全看不出任何异常的松树，被 AI 自动标注：已感染松材线虫病，正处于 14 天无传染性的 " 救治窗口期 "。从 1982 到 2026，整整 44 年。一棵树的命运，被 AI 改写了。

这 14 天，是一个时代的隐喻。

1

AI4S 的 " 狂热 " 与 " 困境 "

全球 AI4S 市场规模 2025 年达 45.38 亿美元，预计 2032 年增至 262.3 亿美元。

在 WAIC 的聚光灯下，英伟达已将 AI4S 列为与大语言模型、具身智能并列的三大 AI 关键方向之一。OpenAI CEO 山姆 · 奥特曼 2026 年 2 月在斯坦福放话：" 如果你现在是大二，毕业时世界上就会有 AGI。"DeepMind 创始人哈萨比斯的措辞更狂：未来 10 到 15 年，人类将进入 " 新文艺复兴 "。在哈萨比斯看来，AI for Science 才是他真正的野心——让 AI 不仅模仿人类认知，更成为拓展知识边界的 " 望远镜 "。

  但烈火烹油之下，是割裂的现实。

一面是资本的热情：2025 年底，英矽智能港交所上市，IPO 募资 22.77 亿港元，公开发售超购 1427 倍。另一面是巨头的撤退：曾代表 Google DeepMind 明星项目的 AlphaFold，核心团队已经解散；Meta 也在 2023 年解散了蛋白质折叠团队。更残酷的质疑来自 BCG 的一份报告：全球 AI 制药 600 亿美元投入，至今仍是零获批。

" 三年过去了，蛋白质结构预测更快更便宜了，但我找不到任何一个因为 AlphaFold 而成功的临床案例。"

这并非否定 AI 在生命科学中的价值，而是揭示了一个被长期回避的问题：AI 在物理世界验证假设的能力，远远跟不上它在数字世界生成假设的速度。瓶颈已从 " 算力 " 转移到 " 实验通量 "，从 " 单一研究 " 转移到 " 全套科研系统 "，从 " 数字世界 " 转移到 " 物理世界 "。

上海人工智能实验室主任周伯文给出过一个思想实验：把 AI 系统 " 送回 "1905 年—那一年爱因斯坦刚提出狭义相对论—仅基于此前的科学论文和观测结果，它能否自主推导出广义相对论？这个实验像一把手术刀，精准剖开了 AI4S 的核心困境：AI 擅长在已知框架内优化，却不擅长在未知疆域里开天辟地。 

显微镜下的松材线虫病

松材线虫病的科研困境，几乎是这个行业难题的缩影。

南京林业大学团队构建了 107 个候选特征的 " 特征池 "。传统路径是依靠林业经验逐项筛选，耗时长，且容易被既有认知局限。即便筛选出有效组合，换一个林场、换一个季节，背景干扰又会变化。

这个 " 定义问题—提出假设—逐个试错—验证结论 " 的流程，暴露了 AI4S 落地的三座大山：问题本身未被定义；可能性试不完；结论必须经得起检验—— AI 黑箱的模糊判断难以作为有效结论。

美国 USC Viterbi 工程学院院长 Yortsos，在谈到 "AI 会不会让学习变容易 " 时，搬出了一个化学动力学的比喻：AI 是催化剂，催化剂降低的是活化能，但学习本身是吸热反应，该投入的总能量一点没少。一句话就把 "AI 让上手更容易 " 和 "AI 替你省掉了思考 " 这两件事切得干干净净。

谁能在 AI4S 上率先跑通，谁就能点燃下一代科技爆发的源头创新之火。但这条路倒下的人，远比站着的人多。

2

" 造桥 " 而非 " 铺路 "

一个流传渐广的比喻描述了中美 AI4S 路径的差异：美国在 " 铺路 "，先修基础设施，再赌明星车型，一旦跑通就是划时代成果，代价是只有少数车能跑在路上。而以百度伐谋为代表的中国路径，则是 " 造桥 " ——问题在哪里，桥架在哪里，不赌单点突破外溢成通用能力，而是在真实场景中长成能力。

百度伐谋的解法是：科研人员负责提出问题、确定标准、划清边界，AI 在固定评价器下持续生成、测试、比较方案。

用百度集团执行副总裁、百度智能云事业群总裁沈抖的话说：" 对于已经定义清楚的问题，AI 可以帮助人们更快验证和找到更优解；对于尚未完全定义清楚的问题，AI 则可以帮助科研人员提出新假设、发现新路径。"

伐谋没有改变模型的原有结构，而是为研究人员在正式实验前争取到一次高效初筛——正是这种能力，让那棵在 14 天窗口期内被标记的松树成为可能。

南京林业大学教授林海峰的评价是：" 伐谋帮助我们从高度依赖人工经验的筛选组合和逐一试错，走向了一个可追溯、可干预，甚至可复用的搜索过程。"

  百度伐谋发布的十大跨学科标杆成果正是这一逻辑的佐证：松材线虫病识别、电磁材料性能预测、抑郁症 fMRI 判别——属于 " 数据驱动的机理预测 "；汽车风阻仿真加速、氢能电力系统调度——属于 " 科学仿真的加速求解 "；光电芯片工艺寻优、数学证明智能体——属于 " 可验证环境的目标搜索 "；多智能体对抗策略——属于 " 动态环境的自主博弈 "。

同一套底座、同一个逻辑，横跨八个学科领域。在光电芯片领域，百度伐谋对 6 个几何变量和 3 项性能指标进行 120 轮自动搜索，均匀度改善约 55%；在量化金融领域，经过 28 天长程搜索，策略达到顶尖量化机构水平。这套逻辑在产业端同样成立——自发布以来，已有超过 3000 家企业试用伐谋。

百度伐谋的 "1+10+N" 战略正是这一飞轮的具象化："1" 是自演化智能体底座；"10" 是十大跨学科标杆成果；"N" 是面向 100 位学者的 AI4S 科学家计划。 

爱因斯坦有一句话："Everything should be made as simple as possible，but not any simpler。" 所有事情都应该解释得尽可能简单，但不能更简单——再简单就解释不了现象了。伐谋做的事，某种程度上就是在这条线上反复试探：把复杂问题拆解到 AI 能处理的边界，但绝不越过那条 " 不能再简单 " 的线。

中国科学院上海有机化学研究所马大为院士，有过一个提醒：不要太迷信人工智能在科学研究上的作用，" 人的跳跃性思维不是靠人工智能的逻辑推导能够实现的 "。这恰恰点出了人类与 AI 在科研中的角色分野——人类负责跳跃，AI 负责落地。

3

飞轮能转多快？

当然，" 造桥 " 路径也有其待解的命题。 

效率虽高，能否产生底层原理层面的突破？在产业端快速验证的同时，基础科学的核心突破——新的物理定律、新的数学结构——能否大量涌现？这需要时间检验。

一种声音是，真正决定科研突破的，依然是提出关键问题、判断研究方向和持续迭代验证的能力。AI 真正的价值，在于将顶尖科学家的认知与经验 " 无限放大 "。

更深层的命题在于：当 AI4S 从 " 效率优化 " 走向 " 源头创新 "，人类与 AI 在科研中的边界在哪里？

图灵奖得主吉姆 · 格雷曾将科学研究的演进划分为四种范式：经验科学、理论科学、计算机科学和数据密集型科学。

如今，以 AI for Science 为代表的 " 第五范式 " 正在形成。但范式的转移从来不是线性的：它需要有人在山林里、在工厂中、在实验室的日日夜夜里，把 AI 从论文拽进现实。 

伐谋的实践给出了一种回答：人类负责提出问题、定义标准、划清边界，AI 负责在边界内持续搜索、优化、验证。这不是 AI 替代科学家，而是让科学家从重复试错中抽身，去思考更具创造性的问题。

回到南京溧水林场。那棵被 AI 在无传染期标记出的松树，是这条 " 造桥 " 路径最生动的注脚。AI4S 不是实验室里的概念，而是走进山林、服务生态的真实力量。当行业还在争论 AI 能否做出诺奖级发现时，中国的 AI 已经在山间林地里，替一棵松树抢回了 14 天。

这 14 天，或许就是中国 AI4S" 造桥 " 逻辑最坚实的基石。

可能你还感兴趣：

马斯克，科技与狠活第一人！

雷军的 " 金山式 " 致敬

2023，中国互联网学习 ChatGPT 好榜样？

风靡娃圈的小天才电话手表，凭什么？

以下平台也可以找到我们：