AI+科学研究：当AI发现新材料和证明数学定理

一、220万种新晶体，超过人类几百年的总和

摘要：本文系统梳理了 AI 在科研领域的七大突破方向：GNoME 一次性发现 220 万种新材料、AlphaProof 与 FunSearch 在数学证明上逼近人类顶尖水平、RFdiffusion 实现蛋白质从头设计、利物浦大学自主实验系统以 20 倍速度探索催化剂配方，并回顾了中国在材料、数学、生物、物理等领域的进展。文章指出，AI 正推动科研范式从"假说驱动"转向"数据驱动"，未来人机协作将成为主流科研模式——人提出问题，AI 搜索答案，人验证并理论化。

2023年底，Google DeepMind在《Nature》发表了一篇论文。GNoME（Graph Networks for Materials Exploration）模型发现了220万种新的晶体材料。

什么概念？人类科学家从探索晶体材料开始到现在，通过实验发现的稳定晶体材料约4万种。GNoME一次发现了220万种。是人类几百年发现总和的55倍。

这些新材料有什么用？

锂电池。GNoME发现了528种潜在的固态电解质材料。固态电池是下一代电池技术的圣杯——更安全、能量密度更高。此前材料科学家苦苦寻找高效固态电解质，发现一个就发一篇顶刊。AI一次给出了528个候选。

超导体。GNoME筛选了多种可能的高温超导材料候选。虽然还没有确认室温超导，但AI给出的候选名单大幅缩小了搜索范围。

太阳能电池。新发现的钙钛矿材料可能提高光电转换效率。

DeepMind不是唯一玩家。中国科大、伯克利实验室也在用AI做材料发现。伯克利的A-Lab（自动化实验室）甚至实现了"AI发现+机器人合成"的全自动流程——AI推荐材料，机器人自动合成并测试，结果反馈给AI优化。

一个材料从发现到应用通常需要10-20年。AI把"发现"阶段从10年缩到1年。应用阶段也在加速——因为AI同时给出了材料性能预测。

二、AI做数学题：FunSearch和AlphaProof

AI在数学领域的进展比材料更令人震惊。

2024年，DeepMind的AlphaGeometry在几何证明中达到国际数学奥林匹克（IMO）银牌水平。它能解决25/30道IMO几何题。人类平均金牌选手解27/30道。

2024年底，DeepMind发布FunSearch。它不是"做"数学题，是"发现"新数学知识。FunSearch在组合数学的"cap set problem"上发现了超越人类已知最优解的新构造。这是AI第一次在开放数学问题上做出超越人类的贡献。

2025年，AlphaProof系统在IMO 2024的6道题中解决了4道。包括一道最难的不等式证明。达到银牌水平。

2026年的新进展。AlphaProof 2.0在数论领域的两个开放问题上取得进展。黎曼猜想的某些特殊情况被AI给出了部分证明思路。虽然不是完整证明，但提供了人类数学家之前没考虑过的新路径。

AI怎么做数学证明的？

跟下棋类似。AI通过强化学习训练"证明搜索"能力。给定一个数学定理，AI在巨大的证明空间中搜索有效证明路径。Lean语言（一种计算机辅助证明语言）提供了形式化的验证框架——AI生成的证明可以被Lean验证器自动检查是否正确。

关键是，AI的证明不依赖直觉或灵感。它通过暴力搜索+启发式评估找到证明路径。有些证明路径人类可能永远想不到，但AI可以穷举到。

菲尔兹奖得主陶哲轩的评价：“AI目前还是数学家的助手，不是替代者。但这个助手越来越强了。它帮你检查case，帮你找反例，帮你验证猜想。未来5年，AI可能解决几个重要的开放问题。”

三、AI+生物实验：蛋白质设计的新时代

AlphaFold解决了蛋白质结构预测。下一步是蛋白质设计——从功能需求出发，设计一个全新的蛋白质。

2026年，华盛顿大学David Baker实验室的RFdiffusion模型在蛋白质设计上取得突破。

设计了什么？一种新的酶，能降解PET塑料。自然界不存在这种酶。AI从"需要降解PET"的功能目标出发，设计了一个全新的氨基酸序列。实验验证有效。

还有。AI设计了新的抗体，靶向此前"不可成药"的蛋白质表面。设计了新的纳米笼——一种蛋白质外壳，可以装载药物分子精准递送到靶细胞。

蛋白质设计的技术路线。

第一，结构预测（AlphaFold3）。先理解蛋白质结构跟功能的关系。

第二，序列设计（ProteinMPNN）。给定目标结构，反向设计氨基酸序列。

第三，功能优化（RFdiffusion）。用扩散模型在蛋白质结构空间中搜索满足功能需求的结构。

第四，实验验证。AI设计的蛋白质在实验室合成并测试。测试结果反馈给AI优化。

这个流程正在自动化。Baker实验室的"蛋白质设计工厂"每天能设计并测试100个新蛋白质。以前一个博士生一年做几个。

四、AI做实验：自主实验的曙光

AI不只是做计算。它开始做实验了。

2025年，利物浦大学报道了一个AI驱动的自主化学实验系统。AI机器人自己操作实验设备——称量试剂、混合、加热、分析产物。AI根据实验结果决定下一步做什么。

这个系统7天内自主探索了1000种催化剂配方。人类研究员同期只能做约50个。AI实验速度是人类20倍。

更惊人的是，AI在实验中"发现"了人类没注意到的规律。它发现某类催化剂的活性跟反应温度呈非线性关系，最优点不在人类通常尝试的温度区间。这个发现后来被独立验证。

自主实验系统的技术架构。

决策层。大模型+强化学习。AI根据当前实验结果和历史数据，决定下一步实验方案。

执行层。机器人手臂+自动化设备。自动完成液体转移、加热、搅拌、分析等操作。

感知层。传感器+分析仪器。质谱、色谱、光谱数据实时传给AI。

知识层。RAG系统。AI从已有文献和数据库中检索相关知识，辅助实验设计。

这种"AI科学家"还有多远？利物浦团队的负责人说：“目前AI能做的是’执行实验和优化参数’。真正的’提出科学问题’还需要人类。但这个界限在移动。”

五、中国AI科研的进展

中国在AI+科研领域发展迅速。

材料科学。中科院物理所用AI发现了新的拓扑量子材料。中科大在高温超导材料搜索中用AI筛选了数百万种候选。复旦大学的AI催化剂设计平台已服务多家化工企业。

数学。北大国际数学研究中心引入AI辅助研究。清华大学的AI证明系统在组合数学领域取得了新进展。

生物。上海交大AI+蛋白质设计团队在抗体设计领域发表多篇顶刊。中科院深圳先进院用AI设计酶分子。

物理。中科院高能物理所用AI分析粒子物理实验数据。北京师范大学用AI模拟暗物质分布。

中国的优势是数据。中国有全球最大的材料基因组数据库、最大的天文观测数据、最大的生物样本库。这些数据是AI科研的燃料。

劣势是底层算法。AlphaFold、GNoME等突破主要来自国外。中国在计算科学底层算法的原创性不足。

六、科学范式的转变

AI正在改变科学研究的方式。

传统科学研究的范式。观察现象→提出假说→设计实验→验证假说→形成理论。这个过程依赖科学家的直觉、经验和创造力。

AI时代的范式。数据驱动发现。AI从海量数据中发现人类无法察觉的模式和规律。不需要先提出假说——AI直接告诉你"这里有个规律"。

有人担心：AI会不会让科学家变懒？依赖AI发现规律，人类是不是丧失了科学直觉？

陶哲轩的看法相反：“AI让科学家从繁琐的计算和搜索中解放出来，专注于真正需要创造力的部分——提出问题和设计理论。就像计算器让人不需要心算，但数学家没有被替代。”

七、未来展望

2027年，AI+科研会有什么突破？

材料领域。AI可能发现实用化的室温超导材料候选。新一代电池材料（能量密度翻倍）可能由AI设计。

数学领域。AI可能解决几个重要猜想的部分证明。孪生素数猜想的更强结果。哥德巴赫猜想的进一步逼近。

生物领域。AI设计的蛋白质药物进入临床试验。个性化癌症疫苗由AI设计。

物理领域。AI可能在新物理发现中发挥作用。从大型对撞机数据中发现新粒子信号。

AI不会替代科学家。但会创造一种新的科研模式：人提出问题，AI搜索答案，人验证和理论化。最终的科学发现仍然是人类智慧的产物——只是这个智慧有了更强的工具辅助。