近期 AI 在科学发现中的应用正从辅助工具转向核心引擎。Demis Hassabis 在 Axios 相关讨论中指出，AI 已帮助解决蛋白质折叠等长期难题，未来将在材料科学和药物设计领域实现更快速迭代。这与传统实验室方法形成鲜明对比：过去需数年积累的数据，现在通过模型推理可在 weeks 内生成候选方案。
具体案例包括 Google DeepMind 的 AlphaFold 系列迭代，以及 OpenAI 等在化学模拟上的探索。相比之下，Anthropic 等闭源玩家更侧重企业安全应用，而开源社区则在分布式计算上提供补充。数据支撑显示，2025 年以来全球 AI 辅助论文数量增长超 40%，但真正颠覆性突破仍依赖跨领域团队。
根本驱动力在于长上下文与多模态能力的成熟，使模型能整合实验数据、模拟结果与文献。未来 6-12 个月，关键悬念在于监管如何平衡创新与风险，以及中美在科学 AI 上的合作或竞争是否会重塑全球研究格局。观察重点为 Hassabis 等领军者后续访谈中透露的下一代模型方向。
信源：https://www.bloomberg.com/news/videos/2026-05-21/the-close-5-21-2026-video
