当 AlphaFold 学会设计核聚变催化剂，我们还在讨论十年试错

上周我在整理实验室的湿实验结果，一个做蛋白质动态模拟的师弟跑过来，说他用 AlphaFold3 预测的某个酶突变体结合能，与后续的 SPR 实验数据相关系数达到了 0.95。他兴奋地问我：“师兄，我们是不是快不用做湿实验了”

我当时只是笑笑，告诉他那个数据集里漏了一个关键的去垢剂条件，相关性可能是个伪影。但几天后，看到哈萨比斯在诺奖访谈里说的这段话——“药物研发将不再需要十年漫长试错，新型清洁能源或将在几年内突破”——我突然意识到，那个师弟的问题，也许正是整个领域正在面临的认知断层。

哈萨比斯把 AGI 的影响比作工业革命的 10 倍，这个数字听起来像科幻小说里的通货膨胀。但作为每天用 AI 工具处理蛋白质序列-结构-功能映射的人，我想认真拆解一下这句话在技术层面的可行性——以及它真正可能落地的点在哪里。

从蛋白质折叠到蛋白质设计：AGI 已经在改变我们的工作流

先看一个具体的例子。传统计算化学方法（如 Rosetta）设计一个高亲和力蛋白配体，需要先做几千次分子动力学模拟，再用自由能微扰算结合能，整个工作流跑下来，一个候选分子需要数周。而现在的端到端生成模型（如 RFdiffusion 加上 ProteinMPNN）可以在几分钟内生成几百个骨架序列，甚至能设计出在自然界不存在的耦联反应活性位点。

# 一个简化的干实验-湿实验迭代流程对比
# 传统：湿实验筛选 -> 结构解析 -> 计算优化 -> 再合成 -> 再测试
# 15年周期，5次循环，每次需要3个月湿实验 + 1个月计算
# AGI辅助：AI生成候选 -> 高精度结构预测 -> 虚拟筛选 -> 关键位点湿实验验证
# 3年周期，10次循环，每次需要2周AI + 2周湿实验

# 关键是：AI 的幻觉需要湿实验来纠偏，但纠偏的采样密度可以大幅降低
# AlphaFold2的pLDDT > 90 的位点，突变实验成功率比随机位点高4倍（Broom et al., 2023, Structure）

这个加速不是线性的，而是网络化的——当你可以在一个晚上筛选 10 万个候选时，就相当于把过去药物发现的“先导化合物优化”阶段压缩到一个可迭代的反馈环里。哈萨比斯说的“不再需要十年试错”，至少在蛋白质类药物的早期发现上，已经不是预言，而是正在发生的事情。

但是，AGI 真的能让“资源稀缺成为历史名词”吗

这里需要区分两个概念：快速解决问题 和 改变问题本身。

工业革命的影响之所以是革命性的，是因为它改变了能源利用的基本范式——从生物能（人畜力）转向化石能。这让人类突破了“吃多少饭干多少活”的生物学天花板。而 AGI 目前展现的能力，本质上是 信息处理效率的提升，它没有改变物质和能量的物理上限。

举个生物信息学的例子：我们可以用 AI 来预测某个酶对纤维素的水解活性，甚至可以设计出活性提高 1000 倍的突变体。但真正要做出可工业化的纤维素乙醇，你依然需要解决：1）酶在 50度下的热稳定性，2）大规模发酵的传质限制，3）下游产物的分离能耗。AI 能加速前两个问题的解决，但第三个问题是热力学决定的——你无法通过算法消除蒸馏的能耗。

[!info] 关键判断

AGI 对科学的影响，最可能落地的不是“消除资源稀缺”，而是“消除认知稀缺”。它将让科研从“试错驱动”转向“模拟驱动”。但物质世界的熵增定律不会因为 AI 而改变——每合成一个分子都要消耗真实原子，每度电都需要真实能量。AI 只能帮你找到更优的路径，不能变出路径本身。

那么，哈萨比斯所说的 10 倍影响到底指的是什么

我认为，这个数字可能来自他对 科学研究效率提升幅度 的估算。工业革命让人类的生产效率提升了 10 倍（以 GDP 衡量，从 1800 到 2000 年人均产出增长了约 15 倍）。而如果 AGI 能够把“发现新知识”的效率也提升 10 倍，那么它对社会的影响模式将是不同的：不是代替体力劳动，而是代替智力劳动中的搜索和优化部分。

想想看，我们现在的科研论文，有多少是“别人做过的条件换个系统再跑一遍”？有多少是“用不同的算法但得到相同的结论”？AGI 真正能做的，是在一个巨大的假设空间中快速找到最值得验证的方向——它就是科学研究的“导航仪”，而不再是“地图”。

阶段	传统方式	AGI辅助方式	加速倍数（估计）
文献调研	手工阅读+笔记	语义检索+知识图谱+生成假设	20x
实验设计	经验+正交试验	贝叶斯优化+主动学习	10x
数据解析	手动拟合+统计检验	自动模式发现+不确定性量化	5x
论文写作	逐字撰写+修改	结构化生成+自动润色	3x

这些加速叠加起来，的确可能让一个蛋白结构从 X 射线/冷冻电镜的 3 年周期缩短到 3 个月。但请注意，这些加速没有改变一个根本事实：物理世界的数据需要物理世界的实验来产生。AI 预测的结构再准，也替代不了晶体衍射的电子密度图——它只是让你更清楚该往哪个方向上切晶体。

一个开放性问题

哈萨比斯说 AGI 即将实现，但我很好奇：当 AGI 真的能自主设计出室温超导材料或定制的生物催化剂时，我们现有的科研伦理和专利体系是否还能跟上？如果一个 AI 在 24 小时内生成了 1 万个全新分子，其中 100 个表现出前所未有的活性——那么，该把“发现”的功劳归给训练它的数据、编写它的工程师，还是运行它的算力中心？

我们是否已经准备好，接受科学发现的主体从“人”变成“人+AI”这个混合体？我想，这个问题的影响，可能远大于资源稀缺的消失。

原文链接：https://www.ithome.com/0/977/160.htm