AI 可以把海量候选缩成少量待验证候选，但最后一公里叫验证
科学模型最强的地方，不是替人宣布结论，而是学习昂贵规律、生成候选、排序实验和寻找可执行算法。只有当输出进入可证伪的模拟、证明、实验与独立复现闭环，‘模型觉得可能’才逐步变成可用知识。
把昂贵世界学成一个便宜近似，再让真实世界挑错
许多科学问题的搜索空间巨大：氨基酸如何折叠、原子怎样排列、未来大气会走哪条轨迹、哪个算法满足约束。直接为每个候选做实验、DFT、数值积分或形式证明太贵，模型就先充当 surrogate model（代理模型）——一个快很多、但可能出错的近似。
从输入预测性质
给定蛋白序列预测结构，给定晶体图预测形成能，给定当前天气预测未来场。输入已知，模型近似昂贵计算或测量。
反过来造候选
给目标性质生成分子、材料、轨迹或算法。生成器能探索人没写过的组合，也会产生化学不可合成、物理不稳定或程序错误的样本。
主动选择下一次实验
当不确定性已经按目标事件校准时，系统可把它与价值函数结合，决定“下一笔昂贵预算花在哪”。验证结果回流训练，形成 active learning（主动学习）数据飞轮；未校准的高置信不能直接支配实验预算。
模型像海选评委，DFT 像复试，真实合成才是决赛
先让生成或枚举系统提出数百万晶体结构，图网络快速估计稳定性，只把高分或高不确定候选送给昂贵的密度泛函理论计算；计算稳定还不等于能合成，最后要在实验室制备并测量性能。每一层都减少候选，也都可能误杀好材料或放过坏材料。
模型架构跟着科学对象走，而不是所有问题都套语言模型
蛋白与分子：一维序列要变成三维相互作用
AlphaFold 2 同时维护 MSA（Multiple Sequence Alignment，多序列比对）与残基对表示，反复交换信息，再由结构模块输出三维坐标。AlphaFold 3 扩到蛋白、核酸、小分子、离子和修饰残基的复合物，并使用 diffusion-based（基于扩散）结构生成。它输出的是结构假设及模型置信信息，不是结合能、药效、安全性和临床成功的总答案；AF3 论文在 PoseBusters 基准上仍报告 4.4% 手性违规，并明确列出碰撞、幻觉与静态结构等限制。
材料：原子与邻近关系天然是一张周期图
GNoME 把元素做节点、邻近关系做边，用消息传递图网络预测晶体总能，再以 VASP（Vienna Ab initio Simulation Package，维也纳第一性原理模拟软件包）的 DFT（Density Functional Theory，密度泛函理论）计算筛选稳定性。论文报告 220 万个相对 Materials Project 稳定的结构，其中 381,000 个新条目位于更新后的凸包；736 个结构与独立实验报告匹配，但这不等于 381,000 次前瞻性合成。动态稳定、可合成性和器件性能仍是后续问题。
天气：不是猜一张图，而是演化全球概率场
GraphCast 学确定性状态演化；GenCast 用条件扩散，从当前与上一时刻状态采样下一时刻，再自回归得到 0.25° 网格、12 小时间隔的 15 天集合轨迹。论文在 2019 年回测中称其 CRPS（Continuous Ranked Probability Score，连续排名概率得分）在 1,320 个变量、时效和高度层组合中的 97.2% 显著优于欧洲中期天气预报中心集合预报（ECMWF ENS）；这些组合相互相关，不是 1,320 个独立任务。未来部署仍要持续检验校准、极端事件与观测漂移。
数学与算法：最宝贵的是自动检查器
AlphaGeometry 把神经生成与符号演绎组合，在 30 道奥赛级几何题中解出 25 道；2025 年 AlphaGeometry2 预印本把 2000–2024 年 IMO（International Mathematical Olympiad，国际数学奥林匹克）几何题的语言覆盖率从 66% 提到 88%，并在这 25 年的全部 IMO 几何题上报告 84% 求解率。这里的强证据来自可逐步检查的形式证明，但结论受题目语言与测试集范围约束。AlphaEvolve 同理：LLM（Large Language Model，大语言模型）写程序，编译、测试、目标函数或证明负责判真判优。
真正可扩展的系统，把失败也变成下一轮数据
只训练一次、输出一批结果，是静态预测服务；科学发现系统更像循环：先写清问题和证据合同，再生成候选、用代理模型筛选，并按任务选择形式化校验、历史回测、计算模拟或现实实验。不同 evaluator（评价器）可以串联，却不是所有任务都必须依次走“计算 → 实验”；最终要把误差、负结果和实验条件版本化，再选择下一轮。
若只回流成功样本，模型会不断强化“看起来像成功”的区域，却学不到哪些候选不可合成、数值不稳定或实验失败。科学 data lineage（数据血缘）应保存输入、代码、环境、仪器、原始观测和失败原因。
读“AI 发现了……”之前，先看每个系统究竟输出什么
AlphaFold 2 / 3
把结构搜索从实验前移，帮助解释和设计。pLDDT（predicted Local Distance Difference Test，预测局部距离差异测试）和 PAE（Predicted Aligned Error，预测对齐误差）提示模型内部置信，但高置信不能替代结构实验、功能实验和生物学上下文；2024 年 Nature Methods 的 102 个 PDB（Protein Data Bank，蛋白质结构数据库）条目样本也显示，高 pLDDT 区域仍可能有与实验数据不相容的局部结构。
GNoME
GNN（Graph Neural Network，图神经网络）+ DFT 的主动学习循环大幅扩展计算稳定晶体候选。论文的 736 个实验结构匹配是重要外部证据，却只覆盖 381,000 个新凸包条目的一小部分，也不是由 GNoME 前瞻性发起的 736 次合成。
GenCast
条件扩散生成多条可能天气轨迹。概率预报的价值来自集合分布、校准和极端事件统计；论文还指出 1,320 个评分组合（scorecard target）存在变量相关性，不能把漂亮的汇总比例或某一条轨迹当作唯一未来。
AlphaGeometry / 2
神经模块负责提出辅助构造，符号引擎负责演绎。可机检答案把“语言上像证明”和“逻辑上成立”分开；但语言只覆盖部分几何题型，形式化通过也不能外推到任意数学研究。
AlphaEvolve
LLM 集成产生代码，自动 evaluator 运行并打分，程序数据库选择候选进入下一代。2025 白皮书报告了 4×4 复矩阵乘法只用 48 次标量乘法的程序；Google 2025/2026 内部基础设施收益仍按厂商披露处理。
Co-Scientist
多 Agent 反思、排名、进化研究假设，并调用搜索与专用模型。Nature 2026 论文的盲法专家比较只覆盖 15 个研究目标中的 11 个，且作者明确称主观偏好不是客观真值；三类生物医学案例均有 expert-in-the-loop（专家在回路）的合作实验，尚不等于跨团队独立复现。
Agent 的价值是编排探索，不是把自信文字升级为证据
通用模型可以读文献、写代码、调用数据库和生成实验方案，但科学 Agent 只有在工具输入可追溯、evaluator 独立、资源有预算、失败能回滚时，才比一次性对话更可靠。
Generation：扩大候选覆盖
一次给出多组假设、分子、程序或实验条件，并记录来源与差异。目标不是第一稿正确，而是以低成本探索足够多、足够不同的方向。
Critique / Ranking：让候选互相竞争
反思 Agent 检查逻辑与证据，排名 Agent 组织 pairwise tournament（成对比较锦标赛）。自评只能作为搜索启发式；若评价器和生成器共享同一盲点，排名会把错误一起放大。
Tool execution：把句子变成可运行制品
代码要编译和跑测试，结构要进模拟器，文献结论要追到原文，实验方案要通过安全和可行性审查。所有工具结果仍是不可信输入，不能自动成为下一步高风险动作。
Human-in-the-loop（人在回路）：把责任放回领域专家
专家确定问题是否值得问、约束是否合理、实验是否安全、指标是否真的代表科学价值。Agent 可以节省搜索与整理时间，但不能替代伦理、实验设计和最终责任。
Empirical Research Assistance（ERA，经验研究辅助系统）用 LLM + Tree Search（树搜索）优化可计算质量指标。Nature 2026 论文报告：在 OpenProblems v2.0.0 单细胞批次整合基准的留出数据上，ERA 探索的 87 种最终策略中有 40 种超过当时榜单上的全部已发布方法；在使用截至 2025-05-01 数据开展的 COVID-19 住院预测回顾性研究中，有 14 种策略在论文用于横向比较的 3 周评测窗口（3 个参考日期 × 4 个预测时效 × 52 个辖区，以 WIS（Weighted Interval Score，加权区间得分）计）超过官方 CovidHub ensemble 和参评单模型。它说明“可执行软件 + 明确指标”适合 Agent 搜索，也同时暴露边界：榜单指标必须真实代表科学目标，外部数据、时间切分、前瞻性验证和后续复现仍不能省。
候选能否自动表示？得分能否可靠计算？失败成本能否承受？
矩阵乘法程序有明确输入输出和性能测试，非常适合进化 Agent；“提出一种新癌症治疗”没有单一廉价 evaluator，只能把 Agent 当假设助手，再进入长期的机制、毒理、动物、临床与监管验证。自动化程度应跟验证强度走，而不是跟模型文笔走。
一个科学模型至少要同时交代六张账
训练与时间切分
训练集是否包含测试结构、未来观测或近重复样本？科学数据相关性强，随机切分可能比真实“发现新区域”容易得多。
分布外能力
新蛋白家族、新化学空间、罕见天气和未见问题是否仍可靠？平均误差好看，可能掩盖最重要的长尾失败。
不确定性校准
先定义要校准的对象：分类事件概率、回归区间覆盖率、天气集合 spread–skill（集合离散度—误差关系），还是结构模型的局部置信。它们不能都解释成“80% 置信就有 80% 正确”；若分布外候选仍高置信，主动学习会把昂贵预算送错地方。
和谁比较
应与同预算、同数据截止时间的物理模拟、专家流程和简单启发式比较。即使近似模型数量级更快，若误差不足以支持筛选，或把昂贵验证预算集中到错误区域，仍没有科学价值。
能否复现
固定数据快照、代码 commit、模型 revision、随机种子、硬件、模拟参数和实验批次。只有页面截图无法形成科学证据。
候选到真实影响
发现稳定晶体、合成材料、制成器件和形成产业影响是四个阶段；结构预测、靶点、药物与临床疗效同理。
输出是什么？用什么 evaluator？数据何时截止？谁做了实验？是否独立复现？
把 headline 改写成一条可审计句子：系统在什么输入与切分上生成了什么制品；评价协议验证了哪一项性质；现实实验由论文作者、合作团队还是独立团队完成；当前证据只支持候选、回测、形式化通过、实验支持中的哪一层。只要这五项缺一项，就先不要把“模型成功”升级成“科学结论成立”。
一手来源与证据边界
优先使用论文、官方文档、官方模型卡和代码仓库。页面中的数字只代表来源所述设置，不自动外推到其他模型与数据。
AlphaFold 2 的 Evoformer、结构模块、训练与 CASP14 结构预测结果。
AlphaFold 3 对蛋白、核酸、小分子等复合物的联合结构预测与 diffusion-based 结构生成。
GNoME 的图网络、主动学习、DFT 过滤和 381,000 个新凸包稳定结构结果。
GenCast 条件扩散、0.25° 全球网格、15 天概率集合预报，以及 1,320 个指标组合的回测口径。
GraphCast 图神经网络、全球中期确定性天气预报和与数值模式的回测比较。
AlphaGeometry 的神经语言模型与符号演绎引擎组合，以及可验证几何证明任务。
AlphaGeometry2 的题目语言覆盖率、2000–2024 年 IMO 几何题求解率与评测范围；按预印本处理。
程序进化、evaluator 反馈、4×4 复矩阵乘法 48 次标量乘法案例，以及结果适用范围。
AlphaEvolve 的程序数据库、自动 evaluator 和 Google 内部部署案例；生产收益按发布方披露处理。
截至 2026 年的厂商披露应用；页面明确按发布者自报处理，不视为独立复现。
多 Agent 架构、15 个研究目标中的 11 个盲法专家评估子集、三类生物医学合作验证与作者自述局限。
ERA 的 LLM + tree search、40/87 单细胞方法结果，以及 COVID-19 住院预测的 3 周回顾性评测窗口。
102 个 PDB 条目样本中的结构偏差分析，以及预测作为高价值假设、不能替代实验测定的边界。