瓶颈从想法转到了验证

Google DeepMind 说得直白：AI Agent 现在生成假设和设计实验已经很快，真正拖慢科研进度的是后面的物理实验和现实验证。

科学发现链条里的约束条件正在变：

| 环节 | 当前变化 | 主要瓶颈 | | --- | --- | --- | | 假设生成 | AI 可以快速提出大量方向 | 边际成本快速下降 | | 实验设计 | 模型已能辅助规划流程 | 质量仍需筛选，但速度明显提升 | | 实验验证 | 需要真实设备、样本、人员与合规流程 | 基础设施、资金与规则明显滞后 |

DeepMind 看到的问题很清楚：AI 产出科研想法的速度正在超过实验体系能消化这些想法的能力。如果没有足够的实验设施、经费支持和制度协调，大量看似有价值的方案会停在“被提出”阶段，无法进入可复现、可审查、可落地的结果阶段。

正在发生的变化

科研机构已经不再只关心“模型能提出什么建议”。下一阶段的竞争和约束会集中在几个地方：

• 实验室自动化：如何让机器人、自动化工作流和模型建议真正接上实验流程
• 结果可复现性：AI 生成的方案必须能被不同团队、不同设备稳定验证
• 安全与伦理审查：尤其在生物、医学、材料等领域，验证速度不能绕过风险控制
• 关键设备排期：很多实验不是缺想法，而是缺可用仪器、平台和专业人员
• 资金与协作机制：大学、企业和公共机构之间需要更适配 AI 科研节奏的合作方式

这也把问题推向更大层面：科研 funding 不应只继续加码模型能力和论文产出，还需要重新配置到共享实验设施、验证平台、自动化实验室和跨机构协作机制上。

DeepMind 的判断延续了它在 AlphaFold 以及生物、材料、医学方向上的布局逻辑：AI 可以显著提高发现候选方向的效率，但真正决定科研价值的，仍然是这些方向能否被现实世界严格验证。

Verdict: 对普通读者来说，这个叙事不算早期机会。真正占优的是能控制实验设施、自动化平台、验证流程和长期资金的机构型参与者，包括大型科研机构、产业实验室和长期资本。