施密特最新观点：推理型AI代理才是科学AI的核心方向

AI创作导航管理员 LV4 资深连续登录30天萌新

1 个月前

风向

1055

2026年8月，前谷歌CEO埃里克·施密特与学者Suhas Mahesh联合发布行业观点，指出当前科学人工智能赛道多数产品依赖大规模数据训练实现拟合预测，而具备类人科研推理逻辑、可完整模拟研究全流程的AI代理，才是驱动未来科研效率量级突破的核心方向，为AI for Science的技术迭代明确了新路径。

过去五年，AI在蛋白结构预测、小分子药物筛选、新材料模拟等多个科研领域已经实现落地，甚至部分场景的效率已经超过人类研究员，但几乎所有现有应用的能力边界，都受限于训练数据集的覆盖范围。

当前主流的科学AI产品均采用数据驱动的训练逻辑：将已发表的实验数据、公开数据集作为训练素材，让模型学习数据之间的关联规律，从而对新的同类问题给出预测。这种路径在有足够多公开数据的领域见效极快，比如DeepMind推出的AlphaFold3对已知蛋白家族的结构预测准确率已经超过90%。

但这种路径的短板也十分明显：在极端条件物理、罕见病药物研发等可获得实验数据极少的领域，数据驱动的AI基本无法给出有效结论，不少团队为提升效果盲目扩充低质量数据，反而导致模型出现更多幻觉结果。

施密特团队在最新观点中提出，真正能释放科学AI潜力的方向，是研发具备自主推理能力的AI代理，而非单纯优化数据驱动的预测模型。这类AI代理不需要依赖海量已有的实验数据，而是先掌握对应学科的基础公理、研究范式，再模拟人类科研的完整流程：自主提出研究假设、设计验证实验、分析实验结果、调整研究方向，最终得出可复现的结论。

目前已有少量早期落地案例显示，在有机合成研发场景中，推理型AI代理设计的合成路径成功率比传统数据驱动模型高出37%，甚至能提出人类研究员从未想到过的创新路径。

按照施密特团队的测算，如果推理型AI代理能在2030年实现规模化落地，全球基础科研的平均研发周期可以缩短60%以上，新药研发、可控核聚变等长周期重大项目的突破节点有可能提前3-5年。

目前包括OpenAI、DeepMind、国内的DeepSeek在内的多家主流AI企业均已布局相关赛道，多家头部高校的实验室也已经开始和企业合作，针对不同学科的研究范式定制专属的推理型AI代理。值得注意的是，这类AI代理的落地不会替代人类研究员，而是将科研人员从重复的实验设计、数据整理等机械工作中解放出来，把更多精力放在创新性的思路提出上。

OpenAI AI代理科研效率埃里克·施密特科学人工智能

本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。