AI 科学中的“工厂”与“导航员”

在 AI 进入科学研究之后，一个关键变化正在发生：思考变便宜了，但动手实验并没有。

语言模型已经改变了软件构建方式。写代码、处理数据、设计系统的速度，相比几年前大幅提升。对于软件产品来说，只要结果可验证，编码成本下降就能直接带来更多软件和更多开发者。

但科学研究不同。无论前期推理、建模、分析多快，最终仍要被物理实验卡住：实验往往需要数天或数周才能验证结果。围绕实验的知识工作被 AI 加速了，而实验本身的吞吐量并没有同等提升。

这造成了新的行业不对称：想得更快，不等于做得更快。

两种适应路径：工厂与导航员

生物科技行业正在以两种方式适应这种变化。

“工厂”型公司试图工业化测量流程，用新技术以比过去快一个数量级的速度生成实验数据。

一些公司通过下一代测序和多重检测实现这一点，例如 Xaira、NewLimit、Octant、Tahoe 和 Endura；另一些公司通过高通量显微成像推进，例如 Insitro、Eikon 和 Noetik；还有公司押注物理自动化，例如 Lila 和 Periodic Labs。

在这些模式中，AI 的作用是让数据更易理解、更可预测。但真正的差异化资产，仍然是实验数据本身。

建设“工厂”是一项重大战略投入：它需要资本、时间，以及对某项实验技术路线的长期押注。它也更容易被看见，因为技术本身更吸引注意力，和 AI 的关系更直观，也更容易围绕新模型或新数据集发布进展。

“导航员”型公司不一定拥有专有大模型或巨型数据集。它们把 AI 嵌入公司日常运转中，用于改进决策、加快流程，并影响团队如何开展工作、构建工具、选择哪些问题值得做实验。

这种变化不像“工厂”那样显眼，因为收益主要体现在运营层面：

这些变化很少会成为对外宣传的材料，但它们正在更多公司内部发生。

导航式转型在早期创业公司中推进最快。原因很简单：它们没有太多历史包袱。

它们通常没有复杂的软件合同、固化的标准流程、僵化的组织结构，也没有厚重的合规体系。同时，早期公司又必须用很少的人和资源快速推进。因此，当一种更好的工作方式出现时，它往往会直接变成新的默认做法。

这种影响会出现在很多环节：

实验科学中有一个结构性矛盾，在软件工程中并不常见。

在软件工程里，如果需求每隔几周就变化，通常意味着规划不佳。但在科学研究里，变化本身就是目标。实验的目的就是获得新认知，而新认知会改变下一轮实验应该如何设计。

如果一种实验方法半年都没有演化，反而可能说明团队没有发现什么新东西。

一个新实验方案在第一年里可能会修改十几次。每一次修改都会传导到后续分析中：每个测量结果都要被处理、归一化、解释，而这些流程需要与实验本身保持紧密对应。

过去，这类分析通常由另一个人完成。于是会出现一道缝隙：一个人理解实验在测量什么，另一个人理解代码在做什么。摩擦随之产生。为了避免重做分析，团队可能减少对实验方案的调整，最终导致许多可能性没有被探索。

现在，写代码变快了。把分析流程适配到新实验方案，可能只是一个下午的工作，而不是一个项目。

实验不再那么受制于分析管线变更的成本。

当灵活性变便宜、问题更容易修复时，实验也能变得更敏捷。换句话说，科学研究开始有机会“快速行动并打破旧流程”。

同样的变化也发生在解释层面。过去需要数天搭建的交互式可视化仪表盘，现在可能几分钟就能完成。

这篇讨论的核心并不是“AI 会自动替代科学家”，而是更具体的一点：AI 正在改变科研公司的成本结构。

前者更显眼、更资本密集，也更依赖特定技术路线；后者更隐蔽，却几乎适用于所有研究型公司。

在科学领域，AI 带来的短期变化未必首先表现为全自动实验室，而可能表现为：更快的分析、更便宜的内部软件、更高频的实验调整，以及更系统的研究决策。

也就是说，AI 科学的第一波深刻影响，可能不是让机器直接完成所有实验，而是让研究团队更快知道：哪些实验值得做，哪些不值得做。