物界前沿AI4S 的终极形态不是工具，也不是合著者，而是一个能发币的“科学DAO”
从水手到发明蒸汽机，再到拥有“赛博副驾驶”，每次技术革命都在重新定义人类与工具的关系。今天ICML 2026的AI4S会场，我看到的是同一部剧本的第三幕。台上科学家展示AI如何预测蛋白质结构、模拟气候、设计催化剂，台下投资人却在嘀咕：这能发币吗。
工具思维是安全的死胡同
每当新技术冲击传统行业，第一波创业者总是习惯性地把AI定位成“高级计算器”。这种模式最容易被大厂收割——你烧钱做平台，他们白嫖你的数据，然后吞掉你的用户。在AI4S现场，我数了一下，至少有7个Demo声称自己是“科研人员的Copilot”。Copilot本质是工具，而工具的定价权永远在买方手里。
[!note]
在Web3领域，我们吃过“工具即产品”的亏。做NFT交易聚合器、做跨链桥，到头来发现用户只关心价格和速度，你的产品利润薄得像刀片。AI4S也一样，单靠卖API调用次数或订阅制，天花板低得可怜。
科学界最昂贵的资产不是GPU算力，而是未被数据化的隐性知识。一个老化学家对某个反应条件的直觉，一个生物学家对实验设计的微妙判断，这些才是AI4S的“金矿”。工具只能挖掘别人已经标注好的数据，真正的壁垒在于获取并封装这些隐性知识。
合著者模式：学术资本化的第一步
更有野心的创业者选择让AI成为“合著者”。现场一个好玩的案例：一个团队训练了专门分析流体力学论文的LLM，不仅能复现实验，还能在论文中直接生成“AI共同作者声明”。这背后是IP权重的再分配。
如果把科研看作一个价值创造网络，传统上只有人类能署名，AI只是辅助。但合著者模式意味着AI贡献了可量化的智力劳动。这时候，Tokenomics就有了用武之地——你可以发行一个代表“科研贡献度”的Token，根据AI模型在实验设计、数据清洗、结果分析中的参与比例，自动分配论文的信用积分甚至引用收益。这种模型我称之为“科研DAO 1.0”。
但这里有三个硬伤需要解决：
- 学术评价体系的惯性。顶级期刊和基金评审委员会认不认AI合著者 这是一个制度博弈，不是技术问题
- 责任归属。AI犯了错，谁背锅 这是法学难题
- 数据隐私。科学家的实验数据通常不愿分享，合著者模式要求数据上链，可行性存疑
我观察到现场大部分的合著者项目都停留在“好玩”阶段，没有清晰的收入模型。学术界的支付意愿很低，除非你能帮他们发CNS论文。
创始人模式：从科研到可交易资产的跨越
真正让我眼睛一亮的，是那家号称“让AI当CEO”的创业公司。他们的逻辑：AI不仅做科研，还负责把科研成果转化为可交易的资产。比如，AI设计了一个新材料候选，系统自动生成一份研究报告、专利申请草案、甚至初步的商业计划书，然后把这些打包成一个NFT或RWA，放在二级市场供投资人认购。
[!abstract]
这是从“科学家+AI”到“AI作为独立经济主体”的范式跃迁。如果AI能直接发起一个科学实验、申请算力、管理资金池、并根据结果自动分红，那么它就不再是工具或合著者，而是创始人。一个由AI驱动的科学DAO就此诞生。
这套模型的Tokenomics可以设计成：实验成功后，生成的IP自动进入Vault，Token持有者按比例享有IP授权收益。实验失败，Token归零。这本质上是一个预测市场+科研众筹的混合体。
挑战也显而易见：团队执行力如何 我盘点了他们创始团队——CTO来自DeepMind，但COO是传统金融出身，对Web3的链上治理完全不懂。他们的MVP还在演示阶段，没有真实的科研成果验证。创业者的陷阱往往在于过度设计经济模型，而忽略了基本的产品市场匹配。
给创业者的行动建议：从“封装隐性知识”开始
如果你真要在这个赛道创业，不要一上来就做科学DAO。参考我的经验：
-
找到你的“极客撬动点”。选择一个具体的小领域（比如RNA二级结构预测），跟一个顶级实验室合作，用你的AI帮他们节省30%的实验时间。不要收费，换取他们的隐性知识标注。这一步是锁定供给端。
-
用数据资产衍生出Token。等积累了一定量的“人类-AI协作数据集”，你可以发行一个代表数据贡献权益的Token，用来激励社区继续上传更多数据。注意，Token不要定位成“治理”或“分红”，而是“数据使用权的凭证”。这一点能从合规上降低风险。
-
设计退路：被收购。优先瞄准那些正在收购AI4S团队的大药企或材料公司（比如辉瑞、巴斯夫）。你的产品如果能做“科学家的GitHub+交易市场”，很可能成为他们数据战略的一部分。Web3的流动性溢价在这里作用不大，实打实的现金流才是护城河。
ICML 2026的AI4S现场就像一座正在搭建的工地。有人卖挖掘机，有人当工程师，有人画楼宇蓝图。而你，只需问自己一个问题：这个方向能发币吗。如果答案是不能，那就退一步，想想怎么让它能。科学革命需要token，正如工业革命需要资本。