AI for Science

范式跃迁：科研从经验→理论→计算→数据，迈入第五范式——AI 驱动发现。大模型从"文本生成"延伸到"假设生成"，开始加速科学发现本身。

标志性突破：

• AlphaFold2/3：破解蛋白质结构预测，2024 年获诺贝尔化学奖，2 亿+ 结构开源

• GNoME：AI 预测 220 万种新材料，相当于 800 年人类实验积累

• AI 数学（AlphaProof）：IMO 竞赛达银牌水平；AI 气象预测精度首次超越传统数值预报

关键落差：AI 编程成功率 ~80%，AI 科学发现成功率仅 ~3%——科学闭环（假设→实验→验证）远难于代码闭环（生成→编译→运行），失败成本高一个数量级。

堰塞湖困境：AI 一天生成的待验证假设，人类十年验不完。验证端成为瓶颈，催生"AI 科学家 + 自动化实验（Self-Driving Lab）"闭环。

落地建议：选验证成本低的领域切入（结构预测、分子筛选、文献挖掘）；用 LLM 辅助实验设计而非替代判断；人负责提出好问题，AI 负责穷举与缩小搜索空间。