科学智能技术演进与谷歌DeepMind引领作用 - 谷歌DeepMind凭借以TPU为核心的AI算力基础设施和以Gemini为基础的大模型底座，持续深耕科学智能技术超过十年，引领全球技术演进[4] - AlphaFold标志着蛋白质结构预测问题的实质性解决，不仅斩获2024年诺贝尔化学奖，更成为现代生物学的数字基础设施[4] - AlphaProteo推动生物学研究正式跨入生成式生物学时代，结合AlphaMissense精准预测基因突变致病性，打通"靶点发现—结构解析—药物设计"全链路[4] - WeatherNext 2模型在99.9%的预测变量与时间跨度上准确率均优于欧洲中期天气预报中心的HRES系统，且推理速度提升了数个数量级[5] - GNoME预测了数百万种稳定的新材料结构，规模相当于人类过去几十年实验发现总和的数倍，为电池技术与超导材料研发提供庞大候选库[5] - AlphaEvolve引入进化计算范式，自动搜索发现更高效的机器学习算法与损失函数，实现从"人工设计"到"自动发现"的元层级跨越[6] 生物学领域科学智能突破 - 谷歌和耶鲁大学联合发布270亿参数单细胞分析基础模型C2S-Scale，生成关于癌细胞行为的全新假设并在体外实验中得到验证[8] - 微软BioEmu模型在蛋白质动力学模拟方面实现高达10万倍的模拟速度提升，中科院团队提出整合结构和进化约束的反向折叠蛋白质预测模型[9] - 谷歌通过10年持续研发构建了从基因测序、读取到疾病基因检测和诊断的AI基因组学研究和应用体系[9] - 腾讯DeepGEM病理大模型只需常规病例切片图像即可在1分钟内完成肺癌基因突变预测，精准度达78%至99%[10] - 谷歌发布DeepSomatic工具集用于肿瘤细胞基因变异识别，适用于白血病、乳腺癌、肺癌等癌症类型[10] - AI优化候选药物MTS-004已完成III期临床研究，成为国内首款完成III期临床的AI赋能制剂新药，突破过去几年AI驱动药物发现鲜有突破临床II期的瓶颈[10] 多学科科学智能应用拓展 - Periodic Labs开展新型超导材料等AI自动化发现，CuspAI获1亿美元A轮融资研发AI平台用于发现碳捕获新材料[11] - DeepMind飓风AI模型成功预测"梅利莎"等超强飓风路径和强度变化，黑洞理论物理学家利用GPT-5在半小时内推导出黑洞理论新特性[11] - 数学研究人员利用GPT5探索解决历史数学难题埃尔德什难题，英伟达开源模型系统GenCluster获得IOI 2025竞赛金奖[12] - OpenAI内部模型、Gemini Deep Think和DeepSeek Math-V2等大模型不断刷新AI在奥林匹克数学竞赛的金奖成绩[12] 科学智能科研范式重构 - 通用基础大模型成为科学智能的"操作系统"，提供强大理解、推理、分析及生成能力，帮助科研人员大幅提升日常科研效率[14] - 科研专用大模型作为垂直科研领域的"专用引擎"，融合特定领域相关知识以及研究方法与经验，谷歌在此方面综合实力处于全球领先[14] - AI智能体从被动工具转变为科学家的合作者甚至主动发现者，ToolUniverse平台包含超过600个科学工具并兼容主流基础大模型[15] - AlphaEvolve是具有编码能力的进化型AI智能体，可进行数学和计算通用算法的主动发现和自动化优化，已应用于谷歌内部实际场景[15] 自主实验室平台化发展 - MIT等美国多家科研高校和国家实验室已建成自主实验室，英国利物浦大学的材料创新工厂是欧洲最先进的自主实验室之一[16] - 美国《创世使命》计划将科研算力、AI基础模型、数据集及自主实验室体系集成为科学与安全平台，作为科研智能基础设施[16] - 晶泰科技的AI+机器人平台已成为核心竞争力，中科院"ChemBrain智能体+ChemBody机器人"和北京科学智能研究院Uni-Lab-OS加速推动国内自主实验室研发[17] - 磐石·科学基础大模型实现对数据和模型等资源的管理及科研工具调度，已在生命科学、高能物理和力学研究领域进行应用[17]

论文造假事件 - MIT博士生Aidan Toner-Rodgers因论文造假被勒令退学 论文涉及AI对经济增长的贡献 特别是企业研发与创新领域 [1][2][5] - 论文《人工智能、科学发现和产品创新》原本即将发表在顶级经济学期刊The Quarterly Journal of Economics 但被导师诺奖得主阿西莫格鲁和奥托教授请求撤稿 [2][3] - 该论文声称证明AI能显著提升研发效率 使用AI工具的科学家发现材料增加44% 专利申请增加39% 产品创新增加17% 但数据被证实造假 [30] AI在材料科学领域的应用争议 - 谷歌DeepMind使用GNoME模型预测出220万种新晶体 其中38万种结构稳定 声称相当于"近800年知识积累" [10][12] - 但化学专家分析发现这些预测材料缺乏可信性、有用性和新颖性 许多只是已知化合物的无关紧要改编 [12] - 专家指出AI生成的材料数据需要化学材料专家验证 单纯依靠算法预测缺乏实际科学价值 [12][22] 学术诚信与AI风险 - 在LLM时代 AI可以生成大量看似符合逻辑的数据集和论文 增加了学术造假风险 [24][26] - 预印本论文泛滥导致未经同行评审的研究被过度报道 媒体倾向于炒作AI的夸大说法 [25][28] - AI可能破坏科学研究范式 合成数据与真实数据的界限日益模糊 特别是在非物理世界领域 [27][28] 跨学科研究问题 - 跨学科AI研究需要多领域专家合作 单纯由单一学科背景人员完成容易产生问题 [25] - 该造假论文最大问题在于全部由经济学背景人员完成 缺乏材料科学专家参与 [25] - 未来AI+学科研究需要建立更严格的合作与评审机制 防止类似造假事件 [25][26]