放弃DeepMind回国搞AI科研？陈勇超的野望值得赌一把

同感，做药物分子生成那部分确实戳中我了。我也搞过类似的方向，模型在纸面上跑得飞起，一上实验室验证就各种翻车——不是分子稳定性对不上，就是合成路径压根走不通。你说的“对齐实验条件”这个痛点太真实了，很多时候光调模型参数根本解决不了，得从物理建模那端就开始改。陈勇超那个“力学+机器人+大模型”的底子，至少在仿真环节会比纯CS背景的团队靠谱得多。

不过你最后那个问题我也很关心。国内科研数据开放度低不说，很多时候连实验日志都是手写的，格式乱得一批。他们要是想打通闭环，光靠公开数据集怕是连第一步都走不顺。我猜他们可能会走两条路：要么跟几个头部实验室签深度合作，拿内部数据做定制化验证；要么自己先搭一套标准化的实验记录系统，让数据从源头就结构化。后者成本高但壁垒也高，如果能跑通，反而比纯算法公司更难被复制。

至于说“情怀派”这个标签，我倒觉得现在国内AI赛道缺的不是钱，是这种敢啃硬骨头的人。DeepMind的offer确实香，但那种环境里个人能撬动的资源上限是固定的。回国创业要是能把物理模拟和自动化验证做成闭环，哪怕只在一个细分领域（比如材料筛选或机器人控制）落地，价值也比在海外发几篇顶会大。唯一担心的就是国内对“长周期科研项目”的耐心够不够，毕竟这种方向短时间很难出商业回报。

看到这个帖子，我忍不住想多说几句。陈勇超的案例确实值得深挖，但说实话，我第一反应不是“情怀派”或“实干派”的二选一，而是想看看他到底能不能把“AI科研自动化”这个听起来很酷、实际上坑极多的概念落地。我本人做AI for Science方向快四年了，从生物计算到材料模拟都沾过边，中间踩过的坑和见识过的“伪闭环”比论文还多。所以我想从几个维度来拆解一下这个帖子里的核心观点，顺便分享一些真实感受。

先说说帖子里提到的“AI科研自动化”和“多模态模型打通实验设计、数据模拟到假设验证闭环”。这个想法本身不新鲜，但陈勇超团队的背景——中科大力学、哈佛机器人、MIT大模型——确实给了它一个独特的切入点。大多数做AI for Science的人要么偏算法，要么偏实验，能同时懂力学仿真、机器人操控和大模型训练的人少之又少。这让我想起去年我在一个材料基因组项目里遇到的情况：我们想用AI自动设计新型催化剂，模型在计算化学数据库上跑得飞起，预测的活性位点看着也合理，但一到实验室合成，不是反应条件苛刻到无法复现，就是产物纯度根本达不到检测标准。后来复盘才发现，我们的模型只学了理论计算数据，完全没考虑实验中的传质、传热、副反应这些物理约束。而陈勇超团队如果能把力学仿真和机器人自动化整合进来，就等于在“数字孪生”里加了一层物理一致性校验——这比单纯用transformer预测分子性质要务实得多，因为后者的输出往往在数学上最优、在物理上荒谬。

不过，帖子里提到的“国内科研数据开放度低”这个痛点，我深有体会。我做过一个药物分子生成的项目，当时最大的瓶颈不是模型架构，而是怎么让AI生成的分子在合成路径上可行。我们尝试用公开的ChEMBL和PubChem数据做预训练，但那些数据大多是成功案例，失败的合成记录几乎为零。而真正有用的数据——比如哪些反应条件会导致产率骤降、哪些中间体稳定性差——都藏在工业界的实验室笔记本里，或者以非结构化文本的形式躺在实验员的脑子里。陈勇超团队要走“自生成+弱监督”路线，理论上可行，但实操难度极大。我自己试过用GPT-4从论文里自动抽取实验条件，结果发现论文里写“室温搅拌12小时”这种模糊描述占了80%，根本没法直接用于模型训练。更糟的是，很多实验“失败”的结果根本不会发表，导致数据天然偏态。我后来想了一个笨办法：用强化学习让模型主动设计实验，然后在虚拟环境中模拟失败路径，把那些“假设不成立”的数据也纳入训练。虽然效率低，但至少让模型学会了避开一些常识性错误。不知道陈勇超团队有没有类似的闭环设计，如果有，那才是真正的“科研自动化”，而不是简单的论文生成工具。

接下来说说帖子里抛出的两个问题。第一个问题：AI科研工具会不会加剧“论文灌水”？我的答案是：会，而且是必然的，但未必是坏事。我自己就见过有人用GPT-4生成了一堆看似完美的实验方案，但其实每一步都省略了关键细节——比如催化剂用量只给范围不给精确值，反应时间写“视情况而定”。这种“灌水”在AI辅助下会变得更隐蔽、更批量。但换个角度看，AI也在逼着科研人员提升“验证”的门槛。举个例子，我参与的一个计算生物学项目里，我们用扩散模型生成了100万个候选蛋白质序列，然后让AlphaFold预测结构，最终只选了500个去合成验证。整个过程效率极高，但最后真正有功能的只有3个。如果按照传统方法，这500个合成实验要花掉半年时间和几十万经费。所以AI工具其实是在加速“无效论文”的淘汰——因为你可以用AI快速生成大量假设，然后用实验快速证伪，反而让那些真正经得起验证的结论凸显出来。关键在于，科研评价体系能不能跟上这个变化。如果学界还是只看论文数量不看可复现性，那AI确实会成为灌水利器。但如果像Nature、Science那样开始要求提供代码和数据复现包，那AI反而能倒逼科研透明化。

第二个问题：多模态模型在实验验证中的“因果推理”能力，目前有靠谱方案吗？这个问题问到了点子上。我目前看到的所谓“因果推理”在AI for Science里大多是伪因果。比如有人用GNN预测材料性质，然后说“这个原子位点导致活性提升”，但其实GNN只是学到了相关性——因为训练数据里那个位点刚好总是和某种配体同时出现。真正的因果推理需要干预实验，比如用do-calculus扰动某个变量，观察结果变化。这在虚拟环境里容易做，但在真实实验里成本极高。我最近在关注一个方向叫“神经符号系统”，把物理定律（比如热力学方程）作为先验知识嵌入模型，然后用贝叶斯优化去反推哪些参数是真正的因果节点。举个例子，在预测化学反应产率时，传统模型只学温度、浓度、催化剂的组合特征，但神经符号系统会强制模型输出满足质量守恒和能量守恒的解，然后通过对比真实实验的偏差来定位是哪个物理假设错了。这种方法虽然计算量大，但至少给出了一个可验证的归因路径。陈勇超团队如果有力学仿真背景，完全可以在这个方向上做文章——比如在机器人实验里，用动力学模型反推“哪个操作步骤导致产物纯度下降”，而不是让黑箱模型说“看起来像是因为搅拌速度不够”。

从行业角度看，帖子提到“倒逼国内AI从应用层内卷转向底层方法论创新”，我非常认同。但我得泼一盆冷水：这条路极其难走，而且融资节奏确实是生死线。我认识一个做AI合成路径规划的团队，2021年拿了天使轮，团队背景也很强，有化学博士和算法大牛。但他们低估了实验室自动化的成本——一台高通量实验平台就要几百万，而且每次迭代都要消耗大量试剂和耗材。他们本想用“卖软件”的模式回血，但药企客户根本不买账，因为人家要的是“你给我一个能直接上生产的合成路线”，而不是“我给你一个模型你自己试”。最后他们被迫转型做CRO（合同研究组织），用AI辅助人工实验，现在勉强活着。陈勇超如果走“实验即服务”的商业模式，得想清楚几个问题：第一，客户是谁？是高校课题组还是药企研发部门？前者的预算有限，后者的决策周期长到让你怀疑人生。第二，怎么定价？按实验次数收费还是按成果分成？前者容易让客户觉得“我花钱做了个没用的实验”，后者又需要你承担风险。第三，数据产权怎么分？你用客户的数据训练模型，客户会不会担心你回头卖给别人？这些都是比模型精度更头疼的工程化问题。

最后说点个人感受。我其实挺佩服陈勇超的选择，因为放弃DeepMind这种平台回国创业，本质上是在赌“底层创新”的价值能被市场认可。但我也见过太多类似的案例——比如前两年从硅谷回来的AI制药团队，口号喊得很响，结果发现国内的数据壁垒比想象中高，而且产业界对“AI生成”的信任度极低。他们最后要么变成论文工厂，要么被大厂收购做技术储备。陈勇超如果想跑通闭环，我觉得有三个关键节点必须过：第一，在3-6个月内拿出一个可演示的“端到端”案例，比如用AI设计一个简单的化学反应，然后让机器人自动完成合成和表征，把整个流程录成视频。这个案例不需要多复杂，但必须能展示“物理模拟+模型推理+实验验证”的闭环，让投资人看到工程化潜力。第二，找到一个愿意深度合作的实验室，最好是那种有数据但缺算法、有实验平台但缺自动化的团队，用“共建”的方式解决数据标注问题。第三，在融资时不要只讲故事，要给出明确的里程碑——比如“12个月内完成50个验证实验，其中20个达到可复现标准”。资本市场现在对AI for Science已经有点审美疲劳了，如果没有硬核的工程数据，融B轮会非常痛苦。

总之，陈勇超的“野望”不是不能实现，但需要他比在DeepMind时更接地气、更愿意做脏活累活。如果他能把“AI科研自动化”从概念变成一套可复用的工具链，那确实可能重新定义AI for Science的商业模式——不是卖算力，也不是卖论文，而是卖“科学发现的可复现性”。这条路很难，但值得赌一把。

搞药物分子生成这块我太有同感了，模型跑出来的结果看着漂亮，一进实验室就翻车，根本原因就是AI和物理世界的交互断层。陈勇超这个方向确实戳中痛点，力学仿真加机器人自动化的闭环，等于是在数字和现实之间搭了个实时反馈的桥，比单纯堆算力或者卷大模型参数实在多了。

不过我也犯嘀咕，国内科研数据开放度低是个硬伤，别说跨机构的数据共享，同一个实验室不同课题组的实验记录都未必能打通。他要是想打通“实验设计-模拟-验证”的闭环，数据标准化和接口统一就是第一道坎。另外，力学仿真和机器人操作这块，国内能把多物理场模拟和自动化设备真正耦合好的团队其实不多，很多做仿真的不懂机器人通讯协议，做机器人的又对物理模型一知半解。陈勇超自己的背景虽然跨界，但团队搭建能不能找到这些细分领域里能真正干活的人，而不是光有title的，这比模型本身更关键。

还有个实际问题：科研自动化一旦进入物理验证环节，硬件成本就上来了，机械臂、传感器、实验台改造，这些投入比跑GPU贵多了。国内资本现在对AI+硬科技的态度比前两年理性了不少，他拿了多少粮草、能撑多久的验证周期，我挺好奇的。如果真能把药物分子或者材料筛选这个流程跑通一个案例，哪怕效率只提升一倍，对产业界的说服力都会大很多。