AI辅助科学正在同时经历两种速度，而这两种速度之间的撕裂与磨合，才是当前最值得关注的真实状态。

一、"快"：AI正在加速的部分

1. 假设生成的速度

• 从"人想"到"机扫"：AlphaFold在数年内预测了数亿蛋白质结构，相当于人类结构生物学家数千年的工作量。大语言模型可以从文献中自动提取假设，生成"值得验证的研究方向"列表。

• 组合爆炸式探索：AI在高维参数空间中并行搜索，材料科学中已出现"一天发现一种新材料"的实验节奏。

2. 实验执行的速度

• 自动化实验室（Self-driving Lab）：机器人+AI闭环，24小时不间断运行，实验迭代周期从"周"压缩到"小时"。

• 数字孪生预筛：在虚拟环境中先跑完十万次模拟，只把最有希望的候选送到物理实验，大幅减少试错轮次。

3. 知识整合的速度

• 跨域关联发现：AI能在蛋白质序列、化学结构、临床表型之间发现人类专家跨不过去的关联。传统学科壁垒被算法"无视"了。

• 文献消化：几分钟读完一个领域十年的论文，提取共识、争议和空白。

4. 数据处理的速度

• 从原始数据到可解释信号的全自动流水线，显微镜图像分析、基因组序列比对等任务已接近实时。

二、"慢"：AI无法加速、甚至被拖慢的部分

1. 验证的"慢"

这是最根本的瓶颈。科学真理不因为计算快就变得更容易确认。

• 可复现性门槛：AI预测的结构需要湿实验验证，AI生成的假设需要对照实验支撑。物理世界的验证速度没有指数增长，仍然是"一个实验一个实验地做"。

• 统计效力：样本量需求、随访时间、实验动物培育周期——这些生物学和物理学的"硬时钟"AI无法压缩。

• 假阳性泛滥：AI生成大量"看起来合理"的结果，其中许多是统计幻象。甄别真伪本身就需要大量时间。

2. 理解的"慢"

• 黑箱与机制解释：AI可以告诉你"这个分子有效"，但说不清"为什么有效"。而科学的核心诉求是理解而非仅仅是预测。

• 理论构建的滞后：数据积累速度远超理论抽象速度，导致"我们知道很多，但理解很少"的尴尬局面。

• 直觉培养：科学家的"品味"和"直觉"需要长期沉浸式思考，AI无法代劳，也无法加速。

3. 共识形成的"慢"

• 同行评议：AI生成的论文数量暴增，但评审产能没有同步增长，导致审稿积压。

• 范式转换的阻力：即使AI提供了颠覆性证据，学术共同体接受新范式仍需漫长过程（想想从日心说到被普遍接受花了多久）。

• 标准化与基准：新领域缺乏公认的评估标准，不同团队的结果难以比较，重复劳动严重。

4. 伦理与治理的"慢"

• 监管审批：AI发现的候选药物仍需经过三期临床试验，平均10-15年。

• 数据隐私与合规：获取训练数据和实验数据的合法授权流程极其耗时。

• 责任认定：AI参与发现后，知识产权、安全责任、伦理审查的归属仍在模糊地带。

三、"快与慢"的冲突：当前最尖锐的矛盾

四、走向"有节奏的科学"：可能的出路

1. 重新定义科学分工

• AI做"快"的部分：扫描、筛选、生成、初步验证

• 人类做"慢"的部分：提出根本性问题、设计关键实验、构建理论框架、做出价值判断

• 不是替代关系，而是节奏分工

2. 建立"验证优先"的基础设施

• 投资自动化验证平台（如机器人湿实验室），让验证速度跟上生成速度

• 发展计算验证方法，用高保真模拟部分替代物理实验

3. 接受"慢思考"的价值

• 在AI加速的环境中，刻意保留"慢科学"空间——深度阅读、长期项目、跨学科沉浸

• 学术评价体系需要为"慢而深"的工作保留位置，而非只奖励"快而多"

4. 分层实验设计

• 快速层：AI大规模生成+低成本初筛，容忍高假阳性率

• 中速层：中等规模验证，缩小候选集

• 慢速层：高精度、小样本的深度验证，确保可靠性

五、结语

AI辅助科学的未来，不应该是"一切加速"的单向叙事。真正的智慧在于知道什么时候该快，什么时候该慢，以及如何让快与慢协同而非互相碾压。

快的是计算、搜索、组合；慢的是理解、验证、共识。如果快的部分冲垮了慢的部分，科学将退化为"高级曲线拟合"；如果慢的部分阻碍了快的部分，科学将错失范式跃迁的窗口。

最好的科学，是快工具与慢智慧的合奏。

支持单位：