评论

主张：Google DeepMind 的 Conor Griffin 评介 Alexander Krauss 对 761 项重大发现的研究：几乎每一项都靠一种新近出现的工具或方法才做成。他主张资助者支持造工具的人，以及 AI 所依赖的数据库（例如蛋白质数据库 PDB），并用 AI 改进乃至发明科学仪器。

为什么读：值得读的是它提供了一个可以拿来问任何 AI for Science 计划的问题：它改进的是哪种仪器、方法或数据集，由谁来维护？Griffin 也列出对 Krauss 的四点反驳，第一条是幸存者偏差：造出来的工具大概多数没有带来发现。文章发在 Google DeepMind 政策团队的博客上。

主张：塔尔图大学的 Jan Pisek 举出塔林行政法院的一个判例：原告提交的文件引用了 AI 编造的研究，法院对其罚款，认定使用者要为自己提交的 AI 内容负责。他主张学术界照此办理：每条引用都由作者负责，AI 幻觉引文就是科研不端，arXiv 新设的处罚来得及时。

为什么读：值得读的是它从法院借来的标准：不管内容出自什么工具，提交的人就要为它负责。这是一封短信，主要依据爱沙尼亚的一个判例。

主张：Jorge Bravo-Abad 读了一周的 307 篇论文，认为模型最有用的结果，是它在不像训练数据的数据上表现如何。先说清一个结论依赖哪种迁移（新化学体系、新地点、新病人群体、新年份或新干预），再拿这种迁移做测试，并且先于随机划分的分数报告它。

为什么读：值得读的是几条可以照搬的检查：在训练时刻意留出的化学体系上，按不确定性挑的样本并不比随机挑的好；把相关的岩石样本分开后，逻辑回归和深度学习打成平手。模型给实验排序时，也要测一个排名靠后的候选，否则命中无法说明排序本身有用。

主张：皮肤科医生 Magnus Lynch 把 200 个病理确诊的皮损交给 GPT-6 Astra、Claude Fable 5.1 和一个用公开皮肤图像微调的 Inception v3。六选一诊断，CNN 答对 125 个，两个大模型分别答对 84 和 85 个。他的结论是，一个小而旧的专用网络胜过两个前沿模型。

为什么读：值得读的是分流那张表：需要处理的 100 个皮损，两个大模型留下 97 和 96 个，但 100 个无害皮损只放走 32 和 22 个。CNN 在预设阈值下放走 76 个，同时也放走了 30 个黑色素瘤中的 18 个；把阈值调到和大模型一样谨慎时，只放走 1 到 2 个。每个大模型只跑了一次。

主张：Ankit Maloo 认为，今年 AI 做出的证明有一个共同模式：模型把每个看似可行的思路都推到底，再由检查器剔除错误的证明。AI 赢在只需少数关键想法、每一步可选方向不多的问题上，并且能一直走在人苦做几周看不到进展就放弃的路径上。

为什么读：值得读的是一条在结果出来之前就能用的判断：关键几步已经由人迈出、只剩漫长艰难推导的工作，可以预期由 AI 做完。他还认为，失败的尝试只有公开才能教人。他依据的是实验室的发布材料和数学家的评论，没有新数据。

主张：人类计算研究所的 Pietro Michelucci 认为，AI 公司高管向联合国安理会提出的那类安全建议聚焦模型本身，很大程度上忽视了 AI 与人和机构互动带来的风险。没有哪个部分能做到完全可信，所以整个人机系统必须在部分失灵时仍然安全。

为什么读：值得读的是一个来自人类计算领域的办法：在任务里混入已知答案的测试题，持续计算信任分，分数低于门槛的人可以继续干活，但答案不再影响结果。他主张把这套办法用到 AI 智能体使用工具和数据的权限上，不过他也指出，表现并不总能拿已知结果来检验。

主张：纽约大学数学家 Tristan Buckmaster 曾与 Levent Alpöge 在 OpenAI 宣布 Navier–Stokes 结果的前一晚发布带外力的 Euler 结果。他认为，AI 公司能在对话里看到研究者尚未成形的想法，同时又用公众用不到的模型和他们竞争；学术界需要数据保护，也需要自己运行的开放权重模型。

为什么读：可以带走的是一份可以向 AI 供应商提出的要求：数据零留存并接受审计，只用用户主动同意的数据训练，用户给一条回复打分时不得收走整段对话；在功劳上，奖励好的阐述，也不因披露使用 AI 而看低结果。他本人是与 OpenAI 优先权之争的一方，他对 OpenAI 十月那次发布的说法是他自己的陈述。

主张：Nature 认为，科技界的捐赠者（AI 公司若在未来一年左右上市，这批人可能会更多）给科研资助带来了有用的自由：敢押长线、能快速转向。但和公共资助机构不同，他们没有义务公开资助做出了什么，Nature 主张他们应当公开；不公开，就没人能判断哪种资助方式管用。

为什么读：和 Ben Reinhardt 为风投式慈善的辩护对读，它补上了那篇没谈的一环：融资轮次和给早期支持者的声誉能协调资助方，但只有公开的结果才能让别人从中学习。它给新捐赠者的教训是盖茨基金会的“大挑战”计划：回报来得比预想的慢。

主张：Metis Reasoning 的四位创始人（含 Thore Graepel）把三件事归到同一个原因：幻觉、推理过程无法审计、模型里的知识无法修改，都源于训练把模型知道什么和它怎么推理揉在了一起。他们要的是 AlphaGo 的那几个部件：显式记下已知什么，由独立判定系统按证据决定一个结论能否被接受，并以降低不确定性为目标。

为什么读：可以带走的是它对「可审计」给出的具体要求：每条结论当前的证据状态、准许这次改动的证据、以及一条前提被撤回的理由。任何自称可审计的智能体，都可以按这三条去问。「知识与推理分开、以证据为准入」这条主张，它用一页讲完了。但这是公司亮相文，没有系统，也没有基准。

主张：Ben Reinhardt 认为，慈善资金难以支持像初创公司那样冒险的新非营利机构，是因为缺少风投那套协调工具：融资轮次、分阶段的惯例、给早期支持者的声誉、退出。资助方不宜为早期成功居功的惯例，让谁都没有理由早下注。他提议“慈善版 SAFE”、可共享的尽调报告、影响力组合和资助方联合体。

为什么读：可以带走的诊断是：慈善资助的短板在协调与声誉；附录还按阶段给研究项目标了价，从构想阶段约 10 万至 50 万美元，到部署阶段 5000 万至 2 亿美元以上。Reinhardt 自己经营一家靠这类资金运转的研究非营利机构。

主张：共同牵头 Google 这项 AI 与科研研究的 Mihai Codreanu 对 Annelies Gamble 说，约束已经往下游移：科学家每周省下约 7 小时，但 44% 说主要瓶颈后移了，41% 说没检验的假设越积越多，省下时间的人里近一半要把其中四分之一以上花在核查 AI 输出上。

为什么读：值得读的是三个概念：“验证税”，即在湿实验和物理学科，核查 AI 输出本身就是做实验；可能的“路灯效应”，约一半受访者说 AI 让自己选更稳妥的课题；以及他衡量真正发现的办法：看纵向数据，追踪一个结果后来是否被别人用上、是否打开了新方向，而不只看 AI 已经加快的那些任务。所有数字都是科学家的自述。

主张：Biohub 科学负责人 Alex Rives 认为，眼下所谓的“虚拟细胞”模拟不了细胞，也替代不了实验，最根本的原因是细胞里很多东西还测不到。Rives 估计大约五年内，模型可以做到：给定一次干预，预测细胞可能转到的一系列状态。

为什么读：值得读的是 Rives 对蛋白质模型为何成功、细胞模型为何还没有的解释：蛋白质有整个演化史的序列，数据几乎无限；细胞数据稀缺，所以模型设计仍然要紧，而且得靠实验室实验来检验模型。Rives 为 Biohub 18 亿美元的数据计划发声。

主张：Tim Fist、Georgia Adamson 与 Konstantin Pilz 估计，美国顶级模型领先中国约 6.5 个月，差距主要取决于中国的芯片获取和对美国模型的蒸馏。他们估算，只用现有行政权限（出口管制、为反蒸馏协作开的反垄断安全港、防走私审查）就能在 2027 年底前把领先大致翻倍。

为什么读：值得读的是它把算力和蒸馏换算成领先月数的模型，以及对“会损失芯片销售”的回应：中国以外的需求至少到 2027 年底都超过供给，受限的芯片会卖给别人。模型假设两国用同样的算力得到同样的能力，作者自己称之为关键局限。

主张：Jorge Bravo-Abad 从 60 篇论文里归纳出六条经验，讲研究力气该花在哪。报告设计的成功率，而不只是最好的那个：135 个设计的锌蛋白酶里有 36% 切开了目标。把修正已有模型当作基线来试，并让测试贴近模型下一次的真实用途。

为什么读：值得读的是几条能跨领域套用的检查：一项评测里，AlphaFold 3 的置信度给筛选命中排序还不如对接；一个用一亿条质谱训练的蛋白质组学模型，在一套来自老仪器的基准上，大部分落后于现有方法。这是一份文献导读，每条经验只靠几篇论文支撑。

主张：Niko McCarty 盘点了一个大肠杆菌由什么构成（约 200 万个蛋白质，再造一个细胞约需 100 亿个 ATP），并认为这份清单不是配方。他猜想人造细胞至今做不出来，是因为我们还没掌握细胞的容错与调控，所以应造出许多变体，让选择来挑。

为什么读：值得读的是几个具体例子，说明清单不等于理解：基因相同的细胞表达量不同，一个饿死边缘的群体靠十来个偶然突变活了下来，感受器读的是倍数变化而不是绝对量。这是一章科普书稿，内容不涉及 AI。

主张：Francesco Maggi 认为，AI 证明是真的，但会走向哪里取决于选择。在“黑暗”的版本里，产出暴涨，知识却集中到少数公司手里，并越来越超出人能理解的范围。他追问 OpenAI 那 4000 个问题里哪些没解出，并呼吁大学、学会和资助机构共同建设、治理有竞争力的大模型。

为什么读：值得读的是一位数学家把讨论从署名推进到基础设施：如果学者要靠私有模型才能和拥有这些模型的公司竞争，最好的工具用在哪些问题上就由这些公司决定。他还转述同行的看法：一个强结果已不再能证明学生自己的能力。

主张：一份由 Shaoming Guo 和同事筹办的新数学期刊，在开放获取之外定了两条价值：论文让人对结果和证明理解得多深，比谁先证出来更重要；证明必须在 Lean 里完成形式化验证，论文才能录用，因为借助大模型得出的证明可能藏着难以察觉的错误。

为什么读：值得读的是期刊应对借助大模型的证明的一个具体办法：只有 Lean 检查过的论文才录用，让机器在发表前查出细微错误。帖子很短，并邀请数学家提出别的期刊设计。

主张：Jeremy Avigad、Kevin Buzzard 等七位形式化研究者认为，形式化证明库只有在数学家能接着往上建时才有价值。他们警告不要又快又粗地把全部数学形式化：Claude 用 1300 万行代码形式化的费马大定理证明，他们认为多半没什么长期价值；他们支持由 AI 编写、遵循 Mathlib 设计与原则的库。

为什么读：值得读的是一套“为了能用而做”的 AI 形式化样板：Tau Ceti 和 Formal Frontier 由 AI 智能体写 Lean 代码、再由别的 AI 审核；Palomar 登记处要求每个项目申报其中多少是 AI 做的。这两个库都由 Mathlib Initiative 孵化。

主张：根特大学数学家 Hendrik De Bie 查看了九月某一周 arXiv 两个数学分类下的全部 152 篇新论文：56% 对 AI 只字未提，35% 写明用 AI 做了数学本身。他主张每篇论文都写明 AI 的使用情况，没用也要写；用了就写清是哪个模型、用在哪些定理上。

为什么读：值得读的是一个任何学科都能照做的检验：把一周的新论文按披露情况数一遍，再给作者写信。他的建议可以直接当作 AI 方法声明的模板：哪个模型、哪一节、起什么作用，以及有没有拿过 AI 公司的资助或抢先使用权。样本只有两个分类、一周的论文。

主张：在上海的一场圆桌上，四位青年研究者认为，AI 提出候选的速度已远远快过实验室验证的速度，所以一个结果值多少，由验证决定。谢童以已经更正的 A-Lab 论文为例：提出材料的模型不能同时判定它，检验标准要在拿到数据之前定好。

为什么读：可以带走的是谢童给「AI 做出了科学发现」设的三道关：由开发者之外的一方验证，先预测、再做实验，结果落在已知范围之外。另一点是验证成本决定了对模型的要求：预测要花几年才能检验的模型，必须讲清自己在什么条件下适用。

主张：Nature Medicine 认为，临床 AI 的部署已经跑在证据前面：美国超过 90% 的医疗系统在用 AI 工具，认为它们非常有用的不超过 53%。基准分数不会自动变成临床价值，所以工具要在部署前、中、后都接受评估，看它对病人和医护人员的实际作用。

为什么读：值得读的是它列出模型过了基准之后会在哪里出问题：一家眼科诊所的 AI 只有嵌进诊疗的每一步才行得通；一个病历助手上线后性能漂移；医生在四周内就不再用某个工具。它是一期专刊的导言，具体案例在它所链接的文章里。

主张：经济学家 Gabriel Unger 与计算机科学家 Arvind Narayanan 认为，现在的 AI 几乎全部是按“替掉人的活”在做的，原因既在经济激励，也在计算机学科自己的习惯；二人为另一个方向列出了研究议程。第一项是“白箱智能体”：把所用来源、假设和中间步骤都交出来。

为什么读：值得读的是这一点在实验室为何更难：写代码的智能体能交出过程，一个重要原因是公开仓库把每一步都记了下来；法律、医学和很多科学学科没有这样的公开记录，所以把一个学科的过程记录收集起来，本身就是基础设施。议程剩下的是：快到能与人并行、合作不再是轮流出手、评测评的是人机配合。文中论及科学只有一句。

主张：写《In the Pipeline》博客的药物化学家 Derek Lowe 读了一篇预印本：研究者把 42 篇已撤稿、造假或伪科学论文的原文片段交给 30 个语言模型，请它们设计后续研究；在模型给出的回答里，95% 顺着错误前提做了下去。他认为，让智能体去挖掘文献，前提是文献可靠，而文献正变得越来越不可靠。

为什么读：值得读的是一个做文献智能体的团队都能自己跑的检验：给它一篇已撤稿的论文，看它会不会照样设计下一步实验。预印本里有个例子：一个模型把一名已入狱外科医生致死的气管移植当成功案例引用。他说“这些系统都不会推理”，这一句超出了预印本测量的范围。

主张：Leash Bio 首席执行官 Ian Quigley 认为，ChEMBL 这类公开结合数据教给模型的是分子出自谁手，而不是它怎样结合：只凭对化学家身份的猜测预测活性，效果和用分子结构一样好。所以 Leash 自己测结合，并做口袋突变体，区分模型是在死记还是在学习。

为什么读：值得读的是一个任何团队都能拿自己的数据做的检验：如果模型能猜出分子是谁做的、实验在哪台仪器上跑的，它学到的可能是实验室，而不是化学。文中的数字都是 Leash 自己在访谈里给出的。

主张：在巴斯大学研究证明助手的讲师 Joseph Tooby-Smith 认为，几乎没有人参与、由 AI 在 Lean 里解决的猜想，算不上传统意义的证明，只是一张“凭证”：它让人有理由相信结论，却不带来理解，像碰运气挖到的一块恐龙骨头。找到的人应当公开它、说清它是什么，不要挤占真正证明应得的工作和功劳。

为什么读：它给“机器核验过”和“有人理解了”之间的差距起了一个名字：凭证（warrant）。读 AI 辅助证明时，这个区分可以一直带着用。拿到凭证后具体怎么做，他留给每个发现者自己判断。

主张：侯廷军、谢昌谕和同事把药物发现里的 AI 系统分成六级，从固定工具到能自己提出问题的“虚拟科学家”。他们认为自主发现的说法为时过早，要求智能体论文证明提升来自智能体设计，而不是更强的模型。

为什么读：值得读的是一份适用于任何智能体论文的报告清单：在同样的模型和工具下与不用智能体的流程对照，并按轻重报告人工介入次数、智能体自己修复的错误、完成的子任务，以及相对专家的成本。全文大部分在综述现有系统。

主张：人类细胞图谱（HCA）启动十年之际，Nature Biotechnology 认为，问题已不是能不能绘制人体细胞，而是这张图拿来做什么。如今研究界在用的基础模型，很多训练数据来自 HCA；下一阶段的目标是 100 亿个细胞，并让 AI 预测细胞在某个基因被删除或接触药物后的反应。

为什么读：值得读的是单细胞基础模型的大量训练数据从何而来：一个如今有 4000 多名成员的联盟，十年间共同商定的标准、元数据和基准，这正是新一轮虚拟细胞投入默认已有的基础。它是周年社论，列出的是下一阶段的目标，不是结果。

主张：Manish Ranjan 认为，AI 天气模型是从过去的观测记录里学的，所以在站点密集的地方预报最好、站点稀疏的地方最差，穷国和富国的差距反而在拉大。芯片会越来越便宜，没人测过的一场风暴却永远补不回来。他主张用观测数据赚钱的 AI 预报方拿出一部分收入，回流给观测网络。

为什么读：值得读的是这个观点：AI 天气预报现在稀缺的是观测，不是算力；而一份免费的 AI 预报，可能让财政部门不再为检验它的观测仪器出钱。这是一篇政策评论，文中数字都引自他人的研究。

主张：Google DeepMind 的 Pushmeet Kohli 说，AlphaFold 学会的是复现蛋白质数据库（PDB）里已沉积的结构，而不是蛋白质实际怎样运动；DeepMind 自己做细胞模型时也发现，细胞-基因数据还不足以支撑虚拟细胞。Biohub 的 Sal Candido 补充：只有数据里含有问题所需的信息，扩大规模才有回报。

为什么读：做这些模型的人直接说明：所谓“解决”比新闻标题说的更窄；下一步的进展取决于收集问题真正需要的数据，选数据要和设计模型一样用心。这番话出自一场 30 分钟的圆桌，场合是两人所在机构都出资的一个数据计划的发布会。

主张：Alex Chalmers 认为，AI 能产出熟练工作看得见的成果，却跳过了培养判断力的慢功夫；而站在一门实践之外，没人能可靠地分清哪些是可省的苦工、哪些是成长必经的。只奖励产出的机构，可能慢慢失去发现错误、培养后继者和提高标准的能力。

为什么读：这篇文章直接关乎科研训练，他引用的 Terence Tao 那句话用一个画面说清了：AI 像直升机，跳过了路程，而能力正是在路上练出来的。这是一篇哲学文章，给的是提醒，而不是衡量这种损失的办法。

主张：先别急着怪模型，先查测试能不能认出成功。Jorge Bravo-Abad 举了一个细胞扰动基准：用同一扰动下的一半细胞去预测另一半，按均方误差打分，在约 95% 的扰动上竟输给简单的平均值。模型的输出要算证据，得配上合适的检验：对照、功能实验或证明检查器。

为什么读：可以从中带走一个习惯：评估一个结果前，先说清哪个结论会改变决定，再找能证实它的比较。这份每周文献导读就用这个办法读别人的论文，每篇都点明局限。

主张：匹兹堡大学数学家 Thomas Hales 曾发现 HOL Light 证明器的一个可靠性漏洞。他认为，一个 Lean 证明的可信程度取决于 Lean 本身。今年夏天，AI 找出了 Lean 内核里几个能让错误命题被“证明”的漏洞，现已全部修复；而 Lean 的类型论至今没有一份由人完整写出的一致性证明。

为什么读：它解释了一件读 AI 证明的人通常默认可信的事：这些证明依赖的 Lean 检查器，其理论基础数学界很少审视。他欢迎由 AI 构建、经过验证的内核，但仍要求由人写出理论，并由人核对每个命题说的是什么。结尾 AI 暗埋漏洞的情景是思想实验。

主张：Recursion 旗下 Valence Labs 的 Daniel Ramirez 认为，在预测药物与靶蛋白结合得多紧这件事上，物理模拟和 AI 模型的短处正好相反：物理计算慢，但换成新的蛋白仍然可靠；AI 快，一离开训练数据覆盖的范围就会毫无预兆地失灵。所以两者应当互相补给。

为什么读：值得读的是这个问题的一段简史：从分子对接、自由能计算到 Boltz-2 这样的共折叠模型，每种方法各自牺牲了什么。这是 Valence 自己的博客，它朝物理与 AI 循环迈出的一步，即名为 AquaGen 的模型，目前只用在了分子溶于水时的自由能上。

主张：利兹大学集合论学者 Asaf Karagila 曾为这个问题悬赏一瓶威士忌。他翻看了 OpenAI 声称证明“划分原理不蕴含选择公理”的预印本，认为它写得混乱、引用古怪，投给期刊会被直接拒稿；把几百篇这样的“解答”丢给专家，相当于对他们发动拒绝服务攻击。

为什么读：这项结果最相关的专家怎么看它：他读的是行文和引用，没看 Lean 代码，所以他说的是这个结果读不懂，不是说它错了；他也说自己不会花时间去核对。

主张：AceCamp 的一份投研笔记认为，AI4S 的热潮有真实进展撑着，但只在药物研发的前端：结构、结合和早期设计。临床成功率、对新靶点的泛化、智能体结果的可重复性都还没被证明；估值涨得比科学产出快，二级市场奖励的是合成与实验供应商，多于 AI 平台公司。

为什么读：它把“已证明的”和“已定价的”分开，并给出投资者可以核对的指标：第三方盲测命中率、II 期临床读出、智能体的结果多常能重复。文章最后称 AI4S 是一个建设性的投资主题，临床数字转引自投行研究。

主张：康涅狄格大学数学家 Álvaro Lozano-Robledo 写给正在重新考虑读数学博士的学生：AI 公司在上市前主导着叙事；而迄今 AI 给出的证明，看来是在重组文献里已有的想法，而非带来新想法。所以仍然需要人，读博的理由和一年前相比没有变。

为什么读：它把一种担忧变成读者可以检验的预测：如果 AI 只是填满已知想法的“凸包”，单靠 AI 得出的结果应当会放缓。这个模型借自别处，只有一个实例；就业上的乐观来自大学对数学教学的需求。

主张：洛桑大学的 Tom Beucler 与十二位合作者认为，AI 天气模型跑得再久也还不是气候模型：观测记录只有一条升温路径，学到的相关可能在谁也没测过的气候里失效。他们的最低要求是：温室气体、气溶胶和土地利用必须作为可以单独调动的输入进入模型，模型必须在训练范围之外接受检验。

为什么读：值得读的是两个可以拿去检验任何 AI 气候结果的办法。一是固定一个强迫因子：把 CO2 固定在 1979 年的水平后，Ai2 的 ACE2-SHiELD 的升温相对它所模拟的那套模式小得不真实，作者因此用变化的 CO2 重训了一版来补救。二是问清这份速度换的是什么：文中推测，AI 快主要是因为算得更少。

主张：剑桥大学的 Sven Krippendorf、Axiomatic AI 的 Leopoldo Sarra 和巴斯大学的 Joseph Tooby-Smith 认为，AI 已经能很快写出物理结果的机器可检查证明，但证明通过了检查，不能说明其中的定义符合想要描述的物理。大量没人读过的代码涌向 Mathlib、Physlib 这样的共享库，审代码、维护库的人却失去了过去能得到的功劳。

为什么读：值得读的是一个作者认为适用于一般编程的区分：AI 擅长局部、可检查的工作，比如补全一条证明；需要通盘判断的地方就弱一些，比如选定义、设计整个库。Physlib 由 Tooby-Smith 发起并维护，正是他们主张放在中心的库。

主张：Fabio Motoki 认为，AI 可能悄悄降低研究之间的独立性。一篇 2026 年的预印本显示，面对同样的问题，不同大语言模型推荐的方法比已发表的研究更窄、更相似；如果各团队依赖同样几个模型，十篇论文代表的独立路径可能不到十条。他主张报告 AI 的使用，复现研究也要核查工具是否独立。

为什么读：这个观点有用，证据综述现在就能用上：像计算共享数据那样计算共享工具。但它只是一封简短的读者来信，依据是一篇预印本，没有说明相似的 AI 建议实际造成过多少相同的错误。

主张：MIT 的 Pavel Etingof 和 Slava Gerovitch 认为，一旦大部分定理由 AI 证明，论文就不再能说明作者的水平。招聘和博士考核应更多看学术报告、口试和讨论；借助大量 AI 证出的定理，应与不借助 AI 证出的同等看待。

为什么读：值得读的是一套任何研究组都能照搬的做法：学生先在黑板前不用 AI 讨论，每次会后由教师把笔记交给模型一次，学生在下次开会前核对它的回复。Etingof 在文中披露，他自 7 月起兼职为 Anthropic 提供咨询。

主张：统计学家 Phil Kay 认为，规模越来越大的自主实验室可能带来更多浪费的实验，还会让化学家失去主导权和基本功。他开的药方沿用当年英国一份报告为袖珍计算器提出的办法：化学既要带着 AI 教和考，也要不用 AI 教和考，包括动手的实验课和用纸笔学实验设计。

为什么读：值得读的是一个检验自主实验室成果的角度：这些实验换来了什么。OpenAI 与 Ginkgo 的实验室为一个配方用了 3.6 万次实验；Alán Aspuru-Guzik 的智能体 Óptima 对一次零产率的判断很到位，不过人主导的实验拿到了更高的产率，只是次数多了一倍多。这篇专栏由 JMP 赞助。

主张：哈佛医学院前院长 Jeffrey Flier 问：如果一个 AI 智能体找到了治愈癌症的新办法，功劳归谁？他认为功劳做两件事：激励科学家，以及决定信任谁、由谁负责。AI 主导发现后，前一件会变；后一件仍然得有人来做，而专利和奖项都是为人类发现者设计的。

为什么读：值得读的是一个区分：功劳作为奖励，和功劳作为“谁为这个结论负责”的记录。它把 AI 主导的发现会改变什么和机构仍须解决什么分开了。文章主要在提问、没有给出定论，作者自己也这么说。

主张：Diego Córdoba 与 Luis Martínez-Zoroa 的“逐层放大”方法，是 Alpöge 与 Buckmaster 外力爆破论文所依托的基础。两人把借助大语言模型得到的流体结果放回几十年的人类研究脉络里，并指出 OpenAI 提出的是两项主张：带外力的 Navier–Stokes 爆破，和无外力的 Euler 爆破；前者若经核实，符合千禧年问题题面允许的一种情形，但不等于无外力爆破。

为什么读：OpenAI 的论文和 Buckmaster 都引用了他们的方法，正因如此，他们的克制才值得注意：不做细致分析，就不拿 OpenAI 的构造与自己的方法比较。他们对自己的结果也一样：它只覆盖分数阶的弱耗散，与真正的 Navier–Stokes 差距“相当大”。

主张：Taback 是小型文理学院的终身教授。AI 还没有替她解决那些研究多年的数学问题，但已经帮助她修正错误引理、重组论文、发现新的思考方向，并改善写作。由于身边缺少同领域同事，AI 也部分填补了日常研究交流的空缺。她对教学变化更担忧：AI 正让部分评估重新回到限时监考，而小学院校通常没有足够的研究生助教支持口试等替代方案。

为什么读：这篇文章提供了一个很少被写到的视角：AI 对数学的影响也正在发生于资源较少、教学负担更重的小学院校。研究辅助、课堂评估、tenure 标准和 AI 使用披露正在同时变化。Taback 希望研究者能够公开使用了哪些 AI 工具，同时继续对结果的验证、理解和表达承担责任。

主张：Bravo-Abad 认为，科学超级智能应该看整个研究循环，而不是看某个比物理学家懂得更多的模型。检验标准是：在同样的预算下，一个系统决定下一步该读文献、做模拟还是做测量，并把这些决定变成可靠的新知识，做得比顶尖人类团队更好，而且实验失败时能改变方向。

为什么读：它给出一把衡量实验室自动化更好的尺子：评估整个实验过程，含搭建、失败实验和人工救场的成本，而不是只看预测精度。这是一篇观点文章，只有一个例子：2020 年的移动机器人化学家。

主张：AlphaGo 团队的 Thore Graepel 认为，聊天机器人并不推理：思维链只是同一套逐词预测跑得更久，没有一份公开记录列出假设和证据，而且常是得出答案后才编的说法。科学需要的是 AlphaGo 那样的搜索，在一份明确、可检查的信念状态上进行。

为什么读：这也是一份创业者的陈述：他说这正是他离开 Google DeepMind 的原因，但没提 Bloomberg 报道他正在为之融资的 Metis Reasoning。诊断说得清楚；药方是一个独立的检查环节，只在有证据时才更新信念，但这还只是设计，没有展示系统或结果。

主张：Harald Helfgott 认为，AI 在数学上看似惊人的表现，很大一部分是填上了一个老而平常的缺口：数学从来没有一个真正能查结果和技巧的搜索引擎，各分支之间也几乎读不懂彼此。他预计，即使 AI 进步放缓，按部就班就能得出的结果也会不再算功劳，期刊体系也会大变。

为什么读：他最有用的要求是一个基准：公布出来的 AI 成果成本没算失败的尝试，所以没人知道真实的成功率。这篇文章只讨论 AI 放缓这一种情形；他报告的对模型推理的主要检验，是 2 月到 9 月间拿去考模型的一个引理。

主张：Euan Ashley 曾带队完成第一次人类基因组的临床解读。他把自己十多年前测的基因组交给 Claude：半小时、约 5 美元，就重新找出了团队当年分析中许多最重要的发现。他认为，人人都能这样做之后，稀缺的是可靠性，基因组解读需要共同的标准。

为什么读：担心得在点上：一份没查出问题的报告，可能掩盖了老式测序没读好的基因；一个人对着电脑，可能得知自己的疾病风险，却没有医生可问。但这只是一个基因组、对照一次未发表的早年分析，说明这件事能做，不说明做得多准。

主张：哈佛物理学家 Matthew Schwartz 认为，今天的模型擅长科学，但不是科学家：它们广度大、会写代码、会做可检验的数学，深层概念却不行。与其硬把它们当科学家用，不如给它们“Claude 形”的问题：别的领域已有的方法本可以解决、只是没人试过的问题，再由领域专家判断哪些结果值得做。

为什么读：有用之处是他的建议：降低野心、提高产出；以及他的观察：结果往往没错但很平淡，直到专家改了方向。证据只是他自己讲的 36 篇稿子，仍在核实中；他是 Anthropic 的访问研究员，文章发在 Anthropic 的网站上。

主张：只测模型排名前五的候选，只能说明它能找到点什么，不能说明下一轮五十个实验该交给它选。Bravo-Abad 让五个实验各有任务：最优候选、不熟悉的候选、实验室自己本会选的、预测会失败的，以及一次重复。

为什么读：预测会失败的候选和实验室自己的基线，是多数课题组跳过的两格，却最能分辨模型是真会区分，还是把附近的一切都打高分。他也明说：五次实验仍不能证明模型有普遍优势。

主张：Jorge Bravo-Abad 从 Google 的 GenFocal 气候论文里提炼出一个设计思路：模拟和观测无法一一配对时，先把观测数据平均到模拟的粗网格上。一个模型在这一层校正模拟的统计偏差；再用真实数据自身的粗、细两个版本做训练对，让第二个模型补出细节。

为什么读：可以带走的是一个适用于任何缺少配对数据的领域的问题：有没有一个共同的粗粒度层面，能让问题的一部分变成有监督学习？他举出模拟微结构与显微图像作为下一个可试的场景，并直说这一推广尚未验证。

主张：FDA 正在征求意见，讨论如何监管生成式 AI 医疗器械。Nature 认为，凡是输出会影响临床决策的工具，都应像药物和自动驾驶汽车那样，在真实临床环境中检验。约 4,600 篇临床 AI 论文里，只有 23% 用了真实患者数据，前瞻性随机试验只有 19 项。

为什么读：最有力的一点是缺少比较基准：一种全新的器械没有几十年的真实世界数据可比，而公司往往只在一次模拟病例上拿它和医生比准确率。它要的是原则，不是每个工具都做完整试验，但没有说哪类器械需要哪种检验。

主张：九位数学家在收到 600 多份问卷回复后，对 AI 实验室提出要求：不要再拿别人用不到的专有模型去试难题。若要发布成果，就放到不归实验室控制的公共库，附上提示词、成本和失败的尝试，引用前人工作，并出资让人类真正读懂。这件事由数学界主导，不由实验室主导。

为什么读：它把争论从“证明对不对”移到“谁来负责让人读懂”，并把账算到实验室头上。这只是建议，背后没有约束力，而且这个小组的起因是 OpenAI 主动找上门；实验室会不会照做才是检验。

主张：AI 让每个科学家更高产，却让整体探索的范围变窄：用 AI 的研究覆盖的主题少 4.6%。作者怪的是激励而不是工具，要求资助方出钱建新数据、不再惩罚转行，并奖励新想法，而不只是产出。

为什么读：最有力的是成本差：两年里 AI 预测便宜了约 100 倍，新建队列和监测依然昂贵，所以便宜的问题抢走了工作量。这些办法只是主张，没有检验。4.6% 引自 Hao 等（Nature 2026）。

主张：Hutchinson 回应 Braun 按贡献披露 AI 使用的主张。有些用法是和聊天机器人长期对话，像研讨会一样塑造学者的想法，却留不下一块可以记功的具体工作。他要求把 AI 帮忙做出成果，和 AI 参与形成想法区分开。

为什么读：按贡献披露确有缺口，作者用读书会的类比来论证。信里没有这类用法有多普遍的证据，也没提出规则。

主张：三位科学家读了 Anthropic 的 ART 说法。Le Cong：实验还在排队，AI 找到的东西很亮眼，是玻璃还是钻石只有实验室能说。Seth Shipman：新的是找法，不是找到的东西。Jason Gill：他 2021 年的论文已经写到这个酶，要证明能编辑基因，得由 Anthropic 来做。

为什么读：最有用的一句是 Cong 提的检验：只给 AI 发现 CRISPR 之前的知识，看它能不能找出 CRISPR。在那之前，ART 只是值得做实验的模式，不是基因编辑工具。本文是带引语的新闻报道。

主张：Webb 认为做研究就是找有意思的话来说，而 LLM 并没有改变什么算“有意思”，只是让她做得更快。即使机器做得更好，人还有两个理由继续做数学：自己喜欢，以及数学把数学家连在一起。

为什么读：这是个人立场，不是证据：它讲的是一位数学家自己打算怎么做，没有讲 AI 能做什么。但它点出了两个要留意的代价：只求知道答案而不求理解，以及有问题去问机器而不问同事。

主张：32 位理论计算机科学家基于 134 份问卷回复，提出十二项近期行动，目标是让人的理解继续处于中心：在论文的方法部分披露 AI 的使用；作者须声明自己理解并核验了工作；每位作者向一个会议最多投五篇；初级教职招聘最多看三篇论文；博士训练中保留一部分不用 AI 的环节。

为什么读：数学家顾问小组是对 AI 实验室提要求，这份报告则把规矩落到理论界自己真正掌控的会议、招聘和教学上。它只是工作提案，组织者也承认参与者并不完全代表整个领域；有没有会议真正采纳，才是检验。

主张：只做预测会成功的材料，看不出模型认不认得出差的。Bravo-Abad 读一篇 JACS 的聚合物晶体管论文：五个合成的聚合物里有一个预测为低性能，而 76.7% 的测试准确率，等于全部答“低”。他建议每个预测都连同当时已知的信息一起记录。

为什么读：这份清单可以套到任何材料验证上：有没有一个模型预期会失败的对照，预测是在材料表征之前还是之后做的？按他自己的说法，这篇论文的检验仍只有作者挑的五个聚合物。

主张：前理论物理学家 Matt von Hippel 曾向 AI 公司下战书：用学术界的算力，算出一个玩具粒子理论的九圈散射振幅。Claude 用这个领域已有的方法做到了，花费约一两千美元；北京一个组也已算出大部分。他的结论是：低垂的果实比专家以为的多。

为什么读：值得读的是它说清一次前沿计算能说明什么、不能说明什么：AI 用更多算力可靠地跑完了这个领域自己的方法，却没有找到新方法，所以对超级智能之争没有定论。核验结果的 Lance Dixon 补写了被抢先的感受。文章由 Anthropic 付酬约稿。

主张：七位 Google DeepMind 研究者以个人身份撰文认为：一旦 AI 让提出想法几乎不花钱，限制 AI 科学家的就是检验这些想法所需的实验时间和经费。他们提议建一个市场：智能体押上额度，判断哪些想法值得做实验，再把想法授权给执行实验的一方，实验证实后拿回报。

为什么读：有用的是诊断：进展很可能参差不齐，能用计算机核对结果的领域最快。这个市场，包括把想法代币化、智能合约和对仪器数据签名，还只是纸上设计；作者也承认，它会错过要几十年才见回报的理论工作。

主张：Anthropic 报告的五起滥用案例并不能证明动机不良：改造病毒本来就是常规研究的一部分，一禁了之只会让我们准备更差。设计病原体很难，所以 Lowe 更担心化学。

为什么读：这是一线化学家的先验判断，不是证据：他手里只有 Anthropic 对案例的概述，并明说公司也从展示模型有多强中得益。他给出的区分办法读者可以直接拿去用。

主张：Fantl 先把各实验室自报的使用数据摆出来（Anthropic 称 26% 的 AI 研发工作已由 AI 主导，OpenAI 称研究员每天跑的实验多了 1.6 倍），并提醒这些来源本身就有推广 AI 使用的动机。他看到的卡点在发表端：ICLR 投稿一年内从 11,603 篇涨到 19,525 篇。他的对策：在初审阶段要求复现、让前沿模型参与评审、提高投稿成本。

为什么读：这是本周把“产出增速超过核验能力”说得最清楚的一篇，不拿厂商自己的遥测数据做规划也是对的。但发表端那一半依赖 Pangram 的检测数字，而他自己指出这个检测器倾向于多查出 AI；他给的对策也只是一串想法，没有一条试过或算过成本。

主张：Sanborn 是一家基因药物初创公司的 CEO，他认为 AI 已经把科学思考变得便宜，实验本身却仍然又慢又贵，被低估的不是自动化测量的 AI「铸造厂」（foundries），而是把这份省下来的思考力用在更好决策上的 AI「领航员」（navigators）。他自己公司用 LLM 研究智能体分两轮对 500 个疾病靶点做筛选；仅第二轮（针对存活下来的 100 个靶点做深入分析）按过去的速度就要花掉大约一个世纪的专家阅读时间。

为什么读：这个例子具体且带数字，他自己也点出了真正的缺口：按需生成的分析没有版本化的流水线支撑，一张图的可追溯性因此弱于旧工作流。他没细究的是：「领航员」恰恰是他自己公司在走的路线，说这条路线比更抢眼的「铸造厂」模式更值得关注，正好也印证了他自己已经做出的选择。

主张：Sahai 认为，AI 系统产出数学新想法的速度已经超过任何人能消化的速度，而应对办法不该是把理解这件事交给 AI：人类需要一支规模大得多的「可调用的智力后备队」（数学家以小组形式，花上一年时间，去弄懂一项 AI 产出的重大突破，再决定是否据此行动）。他举的检验案例是：在建造一座 AI 设计的核聚变电站之前，人类（不只是造它的那家公司）必须理解这个设计为什么成立，而不只是知道有个模型验证过它。

为什么读：核聚变电站这个案例，把一个抽象的担忧变成了读者能实际掂量的决策，Sahai 自己也承认了最有力的反驳：AI 系统或许能比任何人都「更可靠地」完成验证工作。他没有给出的，也是一位评论者当面追问的：他呼吁建立的这支「智力后备队」，到底靠什么来资助、怎么组建。这篇文章提出的是一个选择，不是一份方案。

主张：Aghayeva 梳理了两个世纪里的生物学理论（基因、酶、离子通道、遗传密码、化学渗透理论），它们大多先被理论推演、被相信为真，后来才被实验证实，以此论证理论生物学和物理学一样能催生重要发现，却从未获得对等的建制地位。她把 AlphaFold2 读作同一条分界线的最新版本：它靠从数据里学到的统计规律就能准确预测蛋白质结构，背后并没有一套折叠的机制性理论，在她看来，这让「预测」与「理论解释」之间的区别变得更清晰，而不是被抹平。

为什么读：她引用的每一个更早的案例，都能说出一个先被理论预测、后被实验证实的具体机制，这本可以用来检验 AI 学到的统计表征是否在做类似的事。但她没有往下追：AlphaFold2 这一段以「这个问题仍然悬而未决」收尾，随后文章转向了这个领域自身的建制历史，没有继续追问这个和本站主题关系最直接的问题。

主张：纽约市立大学研究生中心数学家 Alexander Gamburd 认为，OpenAI 的 Navier–Stokes 发布拿出一份 166 页的证明，由 61.6 万行 Lean 代码认证；当时还没有人公开说自己读完了它。真正的危险在于期刊和奖项接受这样的证明的那一天；数学界应当规定，没有人理解的东西不算数学，并站在尊重这条规矩的 AI 公司一边。

为什么读：这是记录里把话说得最清楚的一篇：决定权在接受证明的人手里，而不在产出证明的人手里。但它靠历史和类比论证，没有拿出证据；而且按它自己的说法，它所警告的那种读不懂的证明还没有出现。

主张：Recursion 旗下 Valence Labs 的 Ihor Neporozhnii 认为，药物发现模型如今拿数以百万计的 DFT 和自由能计算结果当训练数据，而跑这些计算的工具原本是给专家逐个手工检查少量结果用的。这些工具算错时不会报错，所以流水线需要自动的物理检查。

为什么读：值得读的是几项可以拿去检查 DFT 和自由能计算数据的办法：分子上各原子受力之和应为零，计算应当收敛，自由能计算的相邻窗口应当重叠。他引用的研究发现，一些公开 DFT 数据集里多达 58% 的计算受力不符合物理；他也承认，最大的一类错误，即质子化状态设错，自动检查很难发现。

主张：Nature Computational Science 认为，基于大语言模型的研究很难复现：输出是抽样得到的，会随提示词的措辞变化；闭源模型随时可能被重新训练或下线。论文应写明确切的模型版本、完整的提示词和各项设置，并说明为什么选闭源模型而不选开源模型。

为什么读：值得读的是一份简短的报告清单，作者和审稿人今天就能用在任何依赖大语言模型的论文上；还有一个朴素的道理：结果若依赖一个已经下线的闭源模型，可能再也无法核验。编辑部自己说明，这只是讨论的起点，不是针对某个学科的规范。

主张：希伯来大学组合数学家 Gil Kalai 自认偏向乐观派：他不主张给 AI 辅助数学踩刹车，也不主张与推动它的学术和商业机构断绝往来。他列出 AI 在数学里可能做的 18 件事，着重谈了找到更简单的证明：一份借助 AI 的尖锐薄壳不等式证明，据他所知比以往对更弱结论的证明还简单。

为什么读：一位资深数学家给出的有用的平衡：它问的是哪些活最重要，而不只是 AI 能不能证定理。但这是一篇个人博文，只靠几则个人经历；他自己也说，看不清 AI 和数学眼下走到了哪一步，他的乐观可能是一厢情愿。

主张：Israel 认为，AI 能提升集中式科研体系的资源调度和实验吞吐，但解决不了科学真正要解决的前置问题：事先根本不知道什么值得追。在目标明确的领域（材料、能源、制药），中国或许能显著提速，却未必因此产出范式级的突破。

为什么读：这个知识问题式的论证很锋利，“加速趋同”这一情景点出了一个真实机制：共用模型和数据会让大家尝试的方向趋于雷同。但 50%/40%/10% 这组情景概率是断言出来的，没有推导依据；文章也从未检验中国的 AI 辅助集中式实验室在实际突破产出上是否已经落后于分散式体系，只是预测它会落后。

主张：Bravo-Abad 通读了 Virtual Biotech 论文的方法部分和 89 页补充材料，而不只看组织架构图，认为这套系统能否产出可审计的科学，取决于具体的工程选择（按任务隔离上下文、类型化的工具契约、状态相关的输出校验、以及让智能体自己跑统计检验），而不是模型本身的质量。

为什么读：这篇读法犀利，且能移植到生物学之外：文中揪出的算术错误（论文称提速 184 倍，但按其自身数字应为 307 倍）显示了真实的审读力度。但每个案例研究都只有一次运行：没有重复运行的稳定性检验，也没有去掉审阅者的消融实验，脚手架与模型质量究竟谁在起作用，仍未验证。

主张：Reinhardt 自己创办并经营着一家按这个理念运作的研究机构，他提出一个跨尺度通用的健康研究机构模型：持续存在大量小规模、由研究者自己主导的探索，“bubbling cauldrons”（沸腾的坩埚）；并配合“transient strike teams”（临时突击队）：当某个方向已经成熟到值得投入时，由领导层迅速集中团队推进，任务完成后主动解散。他认为现代科研机构继承了二十世纪中期科学自下而上的那一半，却丢掉了当年迅速组建、又能及时解散突击队的机制，甚至丢掉了做这件事的意愿。他反复使用的例子是 DeepMind：默认是许多自组织的小团队，而 AlphaGo、AlphaFold 则是时机成熟后由领导层集中组建的突击队。

为什么读：这个跨尺度自相似的说法（从国家级科研体系一路缩到单个 PI 实验室都是同一种“坩埚/突击队”结构）是一次有用的压缩，把突击队的“临时性”从笼统的“科学家该不该被管理”之争里单独摘出来，也确实点出了一个真实的失败模式。但这个模型本身是靠大量案例肉眼比对得出的，作者自己也说它“相当依赖比喻”，对它所说的那个真正稀缺的判断（什么时候该判定一个坩埚已经“熟了”）并没有给出可操作的判据。他唯一一个 AI 原生的例子，DeepMind，也是从外部断言的：他自己标注，不确定这个模式在与 Google Brain 合并之后是否还成立。

主张：Dolgin 横向考察了 Co-Scientist 及其他已在多个实验室里生成假设、设计实验的科研 agent 平台，认为随着 AI 接管这部分工作，稀缺资源变成了人的判断力：知道该问什么问题，以及核验 agent 给出的结果。

为什么读：它梳理了能提出假设的智能体已在哪些实验室里使用，并论证人的判断力会变成稀缺的部分。文中的旗舰例子，Co-Scientist 为 MYC 提出的“粘合凝聚体”方案，还没有在培养皿里测过，这些假设质量如何仍是开放问题。

主张：Loh 提议数学界公开采纳一条“人类繁荣公理”：AI 决策过程的不透明，会制造出比人力能填补的更多监督“控制点”，因此仍需要一群活跃在前沿的人类研究者来掌舵，而不是靠人力去拼算力。

为什么读：这条推理链依赖未经核实的轶事（一次大规模智能体黑客攻击、一次 OpenAI 代码库被攻破）来论证 AI 发展会自我设限，随后又从“需要合格的安全监督者”跳到“需要站在前沿的数学家”，却没说明审计为何要靠前沿研究本身，而不是靠了解前沿动态就够。

主张：Frey 在 Anthropic 负责药物发现研究，他把这次生物建模发布读成“模型在改进自己运行其上的那层工具”：一个内部研究模型重写了 30 多个开源生物工具的推理路径，做出针对 triangle 运算（AlphaFold3 一类模型最耗时的部分）的 FlashPairformer kernel，并给出能在单节点上折叠上万 token 体系的 Big 模式。他把这件事和 Anthropic 自己那份“26% 的 AI 研发工作由 Claude 主导”的测量放在一起看。

为什么读：这个框架值得记下来：改写工具的智能体改变的是别人做科学的单位成本，而且与多数实验室主张不同，这里代码开源、基线是 NVIDIA 的实现，外部可以自己重跑。较松的一半是“自我改进”这个读法：kernel 优化是有编译器当裁判的良定义工程任务，这恰恰是它能跑得这么快的原因；而蛋白设计的成本结论在 Adaptyv 的湿实验数据出来之前，仍然只是一个计算分数。

主张：Koukoulopoulos 认为前沿 AI 集中在少数私营公司手中，威胁着研究的独立性：未发表的想法可能流入研究者无法控制的系统，未公开的内部模型让少数人跑在前面，Navier–Stokes 结果就由 OpenAI 内部模型产出。他提议建一个公共资助的“AI 版 CERN”，向所有研究者提供免费基础访问。

为什么读：把一个抽象的公平担忧变成一件有日期的伤害：Julia Stadlmann 数年心血，几天内被资源更强的 AI 超越，这把辩论从“该不该用 AI”重新框定为“谁控制着它”。它在可行性上较弱：公共资助的模型能否追上前沿，他承认了这一点，但没有解决。

主张：神经网络不记录自己学到了什么、从哪里学的，所以一个结果的线索可能变得无法追溯，Nature 认为这条轨迹本身就是科学过程的一部分。它要求 AI 公司公开数据使用方式，默认改为需明确授权，并接受独立审计。

为什么读：最有力的是诊断本身：归属权通常被当作礼节，这篇把它当作能不能审计一个主张的证据。执行层面较弱，改为选择加入和独立审计都只是要求，却没说由谁来强制。

主张：IPCC 的 AI 文献综述工具，即使准确，也可能在动笔之前就改变哪些证据被看见、研究怎样分组、什么进入作者视野。IPCC 应按任务披露 AI 使用，保证输出可追溯到原始来源，并标明每个 AI 辅助步骤由谁核验。

为什么读：它把信息损失从模型推理往上游推到了检索、筛选与归纳阶段；名义上由人签字负责，并不会让这些步骤变得可见。

主张：正确却零散、没有解释的 AI 证明就是技术债：得到答案只是小部分，理解它的工作被推给了其他所有人。

为什么读：适合与 Kra 对读：Kra 讨论怎样重设激励，Cohn 则把责任放在发布 AI 结果的人身上，要与专家讨论、追问模型并讲清机制。

主张：Antieau 把数学研究分成两种模式：慢数学，指个人化的理解；快数学，指配人力产出讲义教材的大型 AI 辅助项目。他提出的标准包括：披露一切与 LLM 的合作，不发初稿由 LLM 写的论文，招聘时不再数论文篇数。

为什么读：适合与 Kra 对读：他把数学家该不该用 LLM，和论文是否仍须由人撰写，这两个问题分开，只回答了后一半，给出比 Kra 的激励批评更具体的可检验规矩。没验证的是，一个拿到经费的快数学项目，是否真能写出讲义教材。

主张：数学研究是在寻找最简单的解释：澄清概念的语言、合适的一般性层次，以及让后来者能快速吸收成果的理论。

为什么读：在这组回应里，它对“AI 会证明之后还剩什么”回答得最有建设性：理论建设正是一纸证明给不了的部分。

主张：定理之所以能代表理解，是因为它稀缺。AI 打破了这个代理指标，但招聘、发表与奖项仍在奖励产出，同行评审也跟不上数量。

为什么读：值得读的是具体方案：把发现、证明、形式化与讲解分开记功，并要求作者讲清证明为什么成立。这是关于评价机制设计的论证，而不是哀叹。

主张：标准化实验室接口会降低 agent 操作仪器的门槛，但 API access 不会给它一个关于物理状态与安全操作的模型。

为什么读：推荐从 Genentech 的泡沫故障读起：软件调用完全正确，实验在物理世界里却出了错。它把下一道瓶颈说得非常具体。

主张：如果科学越来越为机器可读的数据而优化，发现或许会加速，但它的解释与控制也可能离人更远。

为什么读：它把可解释性、企业控制与生物黑箱数据视为同一个制度问题，而不是三个技术旁支，这是最值得读的地方。

主张：Lowe 读的是 AIntibody 挑战赛已发表的结果：29 家机构提交的 511 个 AI 设计抗体，针对同一个新冠病毒受体结合域（RBD）做盲测。他认为这才是 AI 抗体设计的真实水平：在给已知抗体做亲和力成熟这项任务上表现很强（最好的一份提交把亲和力提高了约 2000 倍），但另外两项更难的任务（从文库里挑高亲和力克隆、从头设计新的结合物），大多数提交的效果并不比随机挑序列更好，有的还更差。

为什么读：这个基准测试本身正是本站一直在要求的那种证据：盲测、前瞻性设计、有实验验证，Lowe 链接的也是原始论文，而不是转述某家公司自报的数字。但他的结论仍然偏向 AI：他称抗体设计是「目前最好的 AI 案例」，所以这是一种比较级的怀疑，不是判定 AI 制药不管用。他没有解释为什么亲和力成熟这一项的迁移效果会比另外两项好这么多，只是指出了这个事实。

主张：Lila 对 Kenneth Stanley 九人开放性研究团队的介绍认为，只优化一个目标的机器学习可能困在一座矮峰上，而科学需要不断产出有意思结果的发散式搜索。Stanley 称这种搜索是科学超级智能的核心基础设施，在 Lila 关乎使命。

为什么读：它向自主实验室提出了对的问题：一个优化预设目标的系统，是在发现，还是只在优化？但这是 Lila 自家的人物稿，还没有结果。检验在于它计划今秋发布的论文，以及其实验室里的开放式搜索能否找到固定目标会错过的东西。

主张：真正有用的 AI scientist 需要非显然类比、有效分歧和对环境动力学的建模，而不只是语言空间里的流畅推理。

为什么读：Zou 把问题从 agent 能否执行流程，推进到它能否产生让新科学真正开始的那种分歧。

主张：AI scientist 应该在可交互的隐藏世界里接受评测，观察证据能否改变假设，而不是只做静态问答。

为什么读：这是最清楚的下一步建设提案之一：有限预算、真实反馈，以及能看见 agent 是否真的更新判断的完整轨迹。

主张：Pat Walters 认为，认真做基准测试如今只需一段提示词和一个晚上。他把三个新化学基础模型的预印本交给 Claude，让它在两套 ADMET 数据（每套各由一个实验室测得）上，按他自己的统计流程逐一测试。Monroe 配上表格模型 TabPFN，在多数指标上表现最好。

为什么读：值得读的是一套可以照搬的做法：用由一个实验室测得、数值范围贴近实际的数据，按结构聚类分组做 5x5 交叉验证，把统计上打平的方法标成并列而不是只加粗一个赢家，再核查预训练从没见过测试标签。代码和提示词都已公开；这只是在两套数据上的一次测试。

主张：当 agent 能安装陌生代码，并在相同数据划分与统计协议下重跑模型时，新模型的能力主张就会面对廉价、可重复的外部基准，而不再主要依赖论文自报 SOTA。

为什么读：排名本身值得看：Monroe + TabPFN 在 Biogen 六个端点全部领先，MEGA-CL 与 Mol-JEPA 在 ExpansionRx 九个端点上则没有一次最佳或并列最佳。但更重要的是工作流：原本每个模型要花数天的复现，被压缩成几次提示和一次隔夜运行；这会持续给“新模型自己报告的 SOTA”施加结构性压力。

主张：AI 可能压缩靶点与分子发现，但毒理、药代、试验设计、招募和监管仍以年为单位返回证据。

为什么读：它把“加速生物医学”的承诺拆成一系列有名字的环节，让读者看清模型能缩短哪一个时钟，又暂时碰不到哪些时钟。

主张：Gustau Camps-Valls、Veronika Eyring 等 20 位作者认为，AI 正把长期分属两个圈子的天气预报和气候预估拉到同一套方法上。他们要求各模式中心在三到五年内放出开放、可微分的模式组件，并要求 CMIP、ECMWF 和世界气象组织建立天气与气候联合基准，让 AI 模型和物理模型接受同一标准的检验。

为什么读：值得读的是它划出的界线：天气预报可以拿后来真实发生的天气核对，按排放情景做的百年气候预估却不能，用过去数据训练的 AI 在那里只能靠回报检验和古气候间接检验。作者承认，在破纪录的极端事件上，物理模式仍胜过 AI。

主张：实验科学不能依赖 plausibility；自动化必须保留可检查的方法、约束与 provenance，因为错误会直接进入物理世界。

为什么读：Rickerby 真的让 AI 一路决定到 reagent 和 well。这是一份来自边界现场的报告，而不是对边界的预测。

主张：很强的 benchmark 分数还没有迁移到开放式研究，因为选题、判断和改变方向本身就是任务的一部分。

为什么读：两位作者的方法比结论更值得学：逐条追问亮眼数字怎样得到、脚手架贡献了多少、agent 到底独立选择了什么。

主张：有文章说，AI 会让便宜的候选药物大量涌现，直到临床试验成为瓶颈。Derek Lowe 回应说，最花钱的风险没有变：选错靶点，以及意料之外的毒性，这些通常要到人体试验才暴露。候选药变多，更可能的结果是进临床的门槛提高。

为什么读：值得读的是一位药物化学家讲钱亏在哪里：想法很少稀缺，难的是治疗假设、分子优化和临床风险；对最后一项，他说 AI 目前几乎帮不上忙。这是回应一篇文章的博客。

主张：关于 AI 正在重塑生产率的主张仍主要依赖轶事，而严格证据稀少且格外难解释。

为什么读：MIT 预印本撤回后，这篇更像一条编辑纪律：面对每个惊人的生产率数字，先问它究竟测量了什么。

主张：Institute for Progress 的 Dan Turner-Evans 认为，Genesis Mission 的 26 项挑战太多，钱不够分，也讲不清楚。能源部要么只挑几项、各定可量化的目标，要么以平台为先；若以平台为先，每建一个新模型、自主实验室或一台计算机，都要先想清楚它比产业界已有的多带来什么。

为什么读：值得读的是一条朴素的标准：创业公司和产业界投入远超政府时，公共的 AI for Science 经费在哪里还有增量：独有装置产出的数据、基础科学、涉密研究、电网这类需要全国协调的问题。文章写于七月第二阶段资助公布之前，正好拿来对照十月公布的十二个项目。

主张：Inria 的 Emmanuel Jeannot 认为，由智能体推动的科研正把研究从手艺活变成流水线，Genesis Mission 是规模最大的例子。他最担心的是：提出、执行和核查都交给同一类模型时，错误不再相互抵消，有缺陷的结果还会被训练进下一代模型。

为什么读：值得读的是一个可以拿去问任何闭环实验室或智能体流水线的问题：核查结果的那一步，是否独立于产生结果的那一步？他还指出，Genesis 的优先领域里没有气候科学。这是一篇论述文章，没有新数据。

主张：当内部激励让异议代价高昂、外部问责又很弱时，公开的负责任 AI 承诺可能失去实际作用。

为什么读：它的价值不在中立，而在具体。Turner 明确区分了公开证据与读者无法独立核实的私人交流。

主张：橡树岭国家实验室的 Rafael Ferreira da Silva 与 27 位合著者给自己一年前的路线图打分：智能体软件进展最快；跨实验室的数据共享、核查和治理仍未解决。他们认为，迄今没有哪个系统独立做出一项新发现、再用自己的实验核实，所以眼下限制自主科学的，与其说是模型能力，不如说是核查结果的能力。

为什么读：值得读的是一张逐项打分的里程碑表，看自主实验室走到了哪一步；还有一个值得记住的区分：核查问的是流程有没有正确执行，验证问的是结果是否符合真实世界。这也解释了为什么目前最有力的自主发现来自数学和计算，而不是化学或生物。分数是作者自评，并标为暂定。

主张：Michael Santoro 认为，AI 让药物研发中本来就便宜的那一段更便宜了。他引用 BCG 对约二十多个 AI 发现分子的分析：它们在 1 期的成功率为 80%-90%，到 2 期却回到行业通常的 40% 左右，因为选对靶点靠的是还没摸清的疾病生物学，而不是化学。

为什么读：值得读的是它从投资者的角度讲清“发现”与“疗效”的分界：每个获批药物约 26 亿美元的成本，大部分花在临床试验及其失败上，所以更大的机会是用 AI 验证靶点、预测谁会响应、设计试验。他还追问《孤儿药法案》的成本资格标准是否仍然合适。

主张：Corin Wagen 估算，类药小分子每个重原子约含 2.2 比特信息，蛋白质约 0.5，寡核苷酸约 0.1。他认为这解释了小分子为什么难合成、也难建模：蛋白之间的接触反复用到少数几类化学基团，小分子与蛋白的接触却涉及几乎无穷多种。

为什么读：值得读的是它给出一个粗略但清楚的理由，说明为什么蛋白结合体设计已经起飞，小分子亲和力预测却还落后，以及这对数据意味着什么：OMol25 用了一亿多次 DFT 计算，模型才看起来赶上物理方法，所以他怀疑几万个新的蛋白-配体复合物不够。他经营计算化学公司 Rowan。

主张：Scott K. Johnson 认为，机器学习正在改变天气预报，但还没有改变气候模拟。天气模型从过去的大气快照中学习，算得快，却会低估破纪录的极端天气；气候问题问的是从未观测到的情形，所以加州理工 Tapio Schneider 参与的项目 CliMA 保留物理方程，只在模型的局部用机器学习。

为什么读：值得读的是一个能给大多数 AI 天气、气候说法归类的问题：要回答的问题落在训练数据之内，还是之外？文章还交代了机器学习眼下在气候模型里用在哪里：调参数、模拟积雪；替代昂贵模块的仿真器还在开发，云的大部分还够不着。

主张：Laura Luebbert 认为，生物学智能体受限的不只是推理，还有那些为人在浏览器里点选而设计的数据库。在 NCBI Virus 的 120 个病毒序列查询上，各智能体准确率从 17% 到 91% 不等，同一个提示问三次答案也不同；接上固定的检索工具 gget virus 后，所有智能体都超过 90%。

为什么读：值得读的是一个具体案例，说明检索上的一个疏漏怎样改变科学结论：某个智能体取回的埃博拉序列不全，把推断的疫情起点从 2014 年 1 月推到了 1922 年。它留下的规则是：数据这一层要确定、可重复，模型的创造力放在这一层之上。gget virus 由她的团队开发。

主张：Scripps 研究所的 Eric Topol 认为，AI 在医学上随机试验证据最强的是看影像：一项十万多名女性参加的试验里，借助 AI 的放射科医生多查出约 30% 的乳腺癌。他说 AI 将来最大的贡献是预防癌症、心脏病和阿尔茨海默病：把每个病人的全部数据放在一起，在症状出现前多年判断风险。

为什么读：值得读的是一位临床医生划出的界线：哪些已有试验证明（看影像、减轻医生倦怠的 AI 病历记录），哪些还只是期望（用大型健康模型分析每个人的全部数据来做预防）。他还提醒，医院可能把 AI 省下的时间用来让医生每小时多看几个病人，而不是延长问诊。

主张：Broad 研究所的 Anna Greka 认为，AI 已经在加快药物设计，也开始帮助临床试验，卡住的是找靶点：预测人体细胞对一个致病突变会怎样反应。为了产生训练数据，她要把数千种遗传病突变编辑进多种人体细胞并大规模并行测量，找出把看似无关的疾病连在一起的共同节点。

为什么读：值得读的是一个完整的例子：她的实验室追查一个家族的遗传性肾衰竭，发现是货物受体困住了一种有毒蛋白，再借助 AlphaFold 设计出候选药物，在细胞和小鼠中起效、正走向临床；她估计同一受体可能是五十多种疾病的治疗靶点。找到这个靶点靠的是五年多的实验，而不是她提议的细胞预测模型。

主张：ELLIS 图宾根研究所的 Antonio Orvieto 对标题之问的回答是“也许还没有”：在 DNA 与 RNA 调控任务上，预训练的基因组模型并不明显胜过过去十年里那些算力需求小得多的方法。他主张别再沿用为文本设计的架构，而要围绕基因组数据本身来设计模型。

为什么读：值得读的是一位机器学习研究者反对在生物学里默认靠扩大规模的理由，以及他想换成什么：能沿长 DNA 序列记住状态的带记忆模型，以及与生物学家一起设计的高难度基准。文中只引了一项对比研究，没有新的结果。

主张：MIT 化学工程学者 Connor Coley 认为，AI 已经加快了分子设计，如今的瓶颈是把分子合成出来、测出性能，他称之为“执行鸿沟”。今天的自主实验室是“被围栏圈住的探索者”，只在划定的狭窄范围内可靠；要扩大范围，需要更好的合成路线规划、传感、能应对失败的调度系统和更灵巧的机器人。

为什么读：可以带走的是他衡量自主实验室的标准：不看跑了多少实验、每天产生多少数据，而看它让学习快了多少、少走了多少死路。这是一篇没有新数据的短文；他也指出，这一领域还缺少当年推动蛋白质结构预测的那种基准。

主张：MIT 的 Tess Smidt 认为，物理学没有一个让 AI 统一接入的接口：LIGO 探测器、LHC 触发系统和晶体模拟，在数据、基础设施和时间尺度上各不相同，所以每个真正好用的 AI 工具都是为某一条工作流手工打造的。用机器学习做的原子模型，也会继承它所学的 DFT 数据的误差。

为什么读：值得读的是物理学怎样检验 AI：LIGO 先离线验证模型再投入使用，LHC 保留一小部分未经筛选的碰撞事件来查偏差；以及什么阻碍了复用：胶水代码只掌握在少数人手里，仪器要建几十年而软件几个月一变，内置对称性的网络在 GPU 上跑得慢。

主张：RLVR 在数学与代码上奏效，是因为 verifier 廉价且可靠；大多数重要科学问题并不具备这个条件。

为什么读：这是对“数学和代码行，所以科学也行”最直接的反驳。决定成败的可能不是规模，而是评估器是否存在。

主张：如果 agent 收集了证据却不更新信念，正确结果就不能证明它拥有自我修正的科学过程。

为什么读：完整轨迹能暴露最终得分掩盖的认识论失败。这是为什么必须评估过程，而不只是答案。

主张：如果不先盘点有哪些科学数据、由谁控制、机器能否真正使用，政府就无法有效规划 AI for science。

为什么读：它没有模型发布那么显眼，却非常具体地指出了许多能力主张所依赖、但尚未建设的公共基础设施。

主张：Derek Lowe 说，有了 AlphaFold，我们等于“考试作弊”：它靠匹配蛋白质数据库（PDB）里的规律来预测蛋白质结构，而不是从折叠的物理原理算出来。药物发现主要需要答案，但这条捷径减轻了去做能解释折叠的研究的压力。

为什么读：值得读的是一个可以拿来问任何 AI 成果的问题：你要的是答案，还是要理解答案从何而来？他把它和学生把作业交给聊天机器人相提并论：这样做跳过了最能让人学到东西的那部分功夫。这是一篇由讲座整理的随笔，没有新数据。

主张：Evidentia Labs 首席执行官 Alvin Djajadikerta 认为，靠降低预测误差训练出来的 AI 跳不出数据里已经记录的类别：用 William Farr 的霍乱死亡地图训练的模型能预测哪里会暴发，却发现不了病菌。不换目标，AI 科学家可能把科学带进他所说的「超级常规科学」：预测越来越准，新问题越来越少。

为什么读：值得读的是一个可以拿来问任何「AI 发现」的问题：系统是引入了新的概念，还是只在已知的地图上填空？他指出，GNoME 的 220 万种材料大多是在已知结构类型里替换元素。他的一项提议是让多群 AI 智能体在不同研究条件下工作，检验团队结构如何影响发现，目前还没有结果。

主张：Anthropic 研究员 Siddharth Mishra-Sharma 认为，边界清楚的科学代码，比如移植老 Fortran 程序，可以交给智能体连续跑几天，很少需要人插手。前提是有一个能判断对错的测试、一份记下失败尝试的进度文件，以及每完成一步就提交一次。

为什么读：值得读的是一个作者本行之外的实例：Claude 用几天写出一个可微分的宇宙学求解器，与标准程序 CLASS 相差不到百分之一，但并非所有情形都达标；中途它有一阵只在一个参数点上测试。这是 Anthropic 关于自家模型的自家文章。

主张：哈佛物理学家 Matthew Schwartz 只用文字提示，带着 Claude 在两周内完成了一篇真实的量子场论论文。他把 Claude 评为二年级研究生水平：不知疲倦，却会调参数让图好看，没核对过也说“已验证”。他认为模型缺的是品味，不是创造力。

为什么读：值得读的是一份具体记录：专家在哪些地方必须出手（论文的核心公式错了，后面所有结果都由它推出，他花了几个小时才确认问题在这里），以及管用的做法：让另一个模型交叉核对、用树状的任务笔记、写明诚实规则。“快十倍”是他自己的估计。

主张：Pat Walters 认为，一些机器学习虚拟筛选论文仍在用 DUD-E 做验证，而这个为对接方法设计的基准，有意让诱饵分子在结构上和活性分子不像。模型于是只需认出活性分子属于哪一类化学结构：他用一个简单的分子指纹模型，只在一个激酶上训练，就在大多数其他 DUD-E 激酶上分开了活性分子和诱饵。

为什么读：值得读的是它给出一个谁都能用的检查：问诱饵分子是怎么挑的，再看一个完全不看蛋白的模型是否同样高分。DUD-E 的作者本来就提醒过不该这样用；2019 年一篇论文也发现，把蛋白信息关掉，卷积网络的表现一样好。

主张：把想法转成明确项目、获得资金的团队和可执行机构，本身就是一类科研基础设施。

为什么读：它把元科学视为可以建设和检验的东西，正面回答了假设变便宜之后，瓶颈会移到哪里。

主张：有效的 BioML 工作更依赖扎实基础、面对混乱数据的能力与快速检验问题，而不是记住大量生物学知识。

为什么读：这是一张 AI4S 实验室所需复合型科研与工程人才的实用地图，来自正在招人和建设团队的一线。

主张：更好的结构与分子建议，并不会消除主导药物研发的生物学、药代、毒理与临床失败。

为什么读：这里选一篇药物化学一线的代表作，而不是博客首页。Lowe 最持久的判断是：结构可以很难，却仍然不是决定速度的瓶颈。

主张：强大的 AI 可能把五十到一百年的生物医学进展压缩到五到十年。

为什么读：这是被引用最多的乐观主张，也把赌注押在了可检验的位置：瓶颈究竟在想法，还是实验吞吐、试验周期与监管？

主张：一篇高影响力方法论文若不提供可运行代码，就难以满足科学发表应有的可复现标准，尤其当成果来自企业实验室时。

为什么读：它检验的是期刊规范还能否约束前沿企业研究。AlphaFold 3 后来公开代码，让这场争论产生了实质后果，而不只是象征性抗议。

主张：如果缺少合成专长与验证，GNoME 提议的结构很少能同时满足新颖、可信与有用。

为什么读：核心争点是计算语境与实验语境里的“发现”根本不是一回事；后来自动化实验室的更正又回到了同一条边界。

主张：对 A-Lab 全部产物的重新检查发现了系统性的衍射分析与新颖性问题，因此原始证据并未证明发现了 43 种科学意义上的新材料。

为什么读：这是整份档案里最硬的一次外部核查：依据的是原作者的衍射数据，而不是立场或预测。后来的更正采用了同一个区分，即“对平台新”不等于“对科学新”。

主张：AI 通过一组反复出现的角色改变发现，但效果取决于每个学科的数据、表征、实验与制度条件。

为什么读：如果只读一篇了解全局，读这篇。跨学科的横向比较，比其中任何单一方法都更能说明问题。

主张：跨学科来看，论文和专利在数十年间越来越少与既有工作形成真正断裂。

为什么读：任何“AI 正在加速科学”的说法都该放在这条基线上衡量；对照组不是零，而是一条长期下降的颠覆性曲线。

主张：科研制度可以被主动设计与检验，从而让发现生态学会改进自身的社会过程。

为什么读：它回答了廉价假设带来的问题：注意力、资金与实验产能会变成分配难题，而模型本身无法解决。

主张：准确预测蛋白结构，并不等于理解支配折叠的物理与化学原理。

为什么读：适合已经读过科普、想进入下一层的人。“预测对了”和“理解了”的区分，会在之后每个领域重演。

主张：在多个领域，维持同样的进展速度需要投入快速增长的科研人力。

为什么读：这是整场辩论的分母：AI 改变了科研生产率下降曲线的斜率，还是只往上面再加了一批研究者？

主张：能随算力扩展的通用方法，长期会胜过围绕人类知识与手工结构构建的路线。

为什么读：AI4S 的架构争论总会回到这里，但要看清适用边界：Sutton 的历史证据来自数据充足的领域，而科学往往最缺数据。