AI颠覆科研，真不是闹着玩的！

短短两个月，Claude、ChatGPT接连杀入数学最前沿。

从雅可比猜想、十大菲尔兹奖级难题，到黎曼猜想，一路闯进人类尚未攻克的未知区。

产业界另一边，AlphaFold拿下诺奖不到两年，DeepMind明星团队重新洗牌。

核心成员转战Gemini、AI编程和其他科学项目，Hassabis则转向一个更大的目标：

用AI重构药物研发，最终消除人类疾病。

谷歌并未放弃AI4S，反而将目标拔到了更高的维度。

AI过去学的是人类已经知道的知识；现在，它开始搜索人类还没有找到的解。

这条路线正在全球升温，中国玩家已经把它开进了林场、码头和生产线。

AI不学习，AI搜索

这并不是说，AI不再需要训练。

变化在于，AI4S最值钱的能力，正从记住多少知识转向能在多大的空间里找到新解。

AlphaFold代表了上一阶段的高光：从海量蛋白质数据中学习规律，再预测蛋白质的三维结构。

问题明确、数据充足，专用模型就能把一道题做到极致。

但科研中，更多问题根本没有现成答案。

研究者可能同时面对上百个变量、数亿种组合、彼此冲突的约束。真正费时间的，往往是决定下一步算什么。

谷歌祭出的AI Co-Scientist和AlphaEvolve，瞄准的正是这里。

前者帮助科学家提出可以验证的假设，后者则让算法在反馈中持续进化。它们不再只是回答问题，而是参与问题的拆解、搜索和验证。

于是，AI4S的主角，正从一个模型走向一套系统——

模型理解问题，工具执行任务，搜索算法不断试错，把结果一步步推向更优。

百度伐谋走的也是这条路线。

只不过，它找到的第一批问题，不只在实验室里。

松树还没变色，AI先把病找出来了

在南京紫金山，一场打了四十多年的仗刚刚收尾。

1982年，这里发现了国内首个松材线虫病疫点。

这种病被叫作松树癌症，传播快、致死率高、几乎没有特效药。一片林子从零星发病到成规模枯死，有时只需要两三年。

破解这一难题真正关键的是，在树木变黄之前，把异常信号找出来。

南京林业大学团队，一直在做的就是这件事。

这种病的麻烦之处在于，它最该被发现的时候，恰恰是最看不出来的时候。

等松针发黄、树冠成片褪色，站在山下用肉眼就能点出来，可到那时候，病程往往已经走到中后期。

于是，科研人员利用多光谱遥感技术，从蓝光、红光、红边和近红外等波段中捕捉松树的细微变化。

这些信号能够反映叶绿素、冠层结构和水分状态的变化，让病害识别从看见症状提前到看见变化。

相关技术已经推广超过200万亩，节约成本约7亿元。

看见之后，有一个问题出现了——复杂林区背景干扰。

在自然林区中，存在大量极易混淆的伪病害特征。

团队积累了107个候选特征，如果最终只挑选其中5个，仅组合数量就超过1.06亿种。

不同特征之间还会相互影响，今天有效的组合，换一片林区、一个季节或者一种气候条件，效果可能就变了。

比如阔叶树的纹理和染病初期的松树几乎一模一样，光谱信号却截然不同；干旱胁迫下的针叶，光谱和早期病害很接近，纹理又有明显区别。裸露的地块和中晚期病株一样破碎稀疏，光照和阴影则会直接改变反射率。

因此，只认一种信息，就会认错。

过去，这类工作主要依赖专家经验。

研究人员先凭经验选择一组特征，再训练模型、查看结果，然后重新调整。每一次尝试都有意义，但搜索速度很难跟上组合空间的膨胀。

伐谋接手的，正是这段最费时间的工作。

它没有推翻南京林业大学已有的识别模型，而是把现有模型作为进化起点，在107个候选特征中持续搜索更合适的组合。

科学家负责定义目标、边界和评价标准，伐谋负责生成方案、验证效果，再根据反馈继续进化。

最终，它用56分钟将107个候选特征压缩到约5个，预计可以节省80%的筛选时间。

提升最明显的，是早期识别。

早期病害检出率从89.1%升至98.0%，模型对早期病害这一类的专项识别精度从78.5%升至88.7%；综合检测精度提高到90.8%，误报率则从13.6%降至5.1%。

这不是单纯把模型再训练一遍。

模型结构没有大改，真正发生变化的是AI在替科学家扩大试错范围。过去依赖人工逐个尝试的组合，现在可以被系统性地生成、评估和淘汰。

基于这套方案，平台预计可以支持50万至100万亩森林的病害预警，并有望节约3000万至5000万元防治成本。

松树还没有变色，AI已经开始寻找病因。

这就是搜索未知解落到现实里的样子。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8vX3XV7yId6