AI科学家再聪明10倍，科学也快不起来：瓶颈是300年前发明的「论文」¶

Ch01.853 AI科学家再聪明10倍，科学也快不起来：瓶颈是300年前发明的「论文」¶

📊 Level ⭐⭐ | 7.5KB | entities/ai科学家再聪明10倍科学也快不起来瓶颈是300年前发明的论文.md

source: wechat source_url: https://mp.weixin.qq.com/s/kvzh0kBeb4vuvzNNi4YhFA ingested: 2026-07-05

source_published: 2026年7月1日 14:21

自动读文献、做实验、写论文之后，AI for Science 的下一步，轮到科研协议本身。

©PaperWeekly 原创 · 作者 | 刘嘉晨

单位 | 密歇根大学

研究方向 | AI for Science、机器学习系统

2026 年，「AI Scientist」大概是 AI 圈最拥挤的赛道。自动读文献、自动提假设、自动跑实验、自动写论文的智能体，每个月都在刷新纪录。

但热闹之中，有一个问题很少被认真问出来：假如明天我们就拥有了一个不知疲倦、和顶尖人类研究员一样聪明的 AI 科学家——科学，会因此快多少？

密歇根大学计算机科学博士 Jiachen Liu 最近发布的技术博客《The Second Half of AI for Science》给出的答案，可能会让不少人不舒服：快不了多少。

真正卡住科学的，从来不是科学家的聪明程度，而是一个三百年没换过的底层协议。配套论文的标题起得更直接——The Last Human-Written Paper，最后一篇人类撰写的论文。

论文标题：

The Last Human-Written Paper

论文链接：

https://arxiv.org/abs/2604.24658

代码链接：

https://github.com/ARA-Labs/Agent-Native-Research-Artifact

博客原文（英文）：

https://amberljc.github.io/blog/2026-06-10-second-half-of-ai-for-science.html

上半场：所有人都在给同一个节点加 buff

回看过去几年的 AI for Science，打法出奇地一致：给 AI 科学家加 scaffolding、加记忆、加多智能体编排、加自进化循环，然后在某个 benchmark 上涨几个点，发一个炫酷的 demo，再从头来一遍。

〓图1：上半场的系统——不断被加强的单点，始终触达不到墙外的其他智能体

这条路确实辉煌过。AI Scientist v2 的论文通过了 workshop 级别的同行评审，Biomni 开始自主执行生物医学工作流，Virtual Lab 设计的纳米抗体拿到了真实湿实验的验证。

但博客指出，这局游戏正在撞墙，而且是两堵。

第一堵墙，做 agent 的人最近应该深有体会。

作者的一位朋友做蛋白质设计中的假设生成，团队花了几个月手工打磨 pipeline、启发式规则和 prompt 技巧；然后新一代 GPT 和 Claude 发布，假设质量一夜之间大幅跃升——几乎不需要任何 scaffolding。几个月的精心设计，被一次模型升级直接清零。

这不是意外，这是 The Bitter Lesson 在 agent 层面重演一遍。今天费尽心思手搓的大部分东西，本质上是给模型装的「临时假肢」，基础模型每升级一代，就会原地吸收一层。

第二堵墙更扎心：很多工作从一开始就在为错误的目标优化。一晚上生成 100 篇论文的 demo 很炫，但谁需要 100 篇平庸的论文？

训练 AI 打赢 rebuttal 攻防战，是在优化「过审」而不是「做对」；打磨学术八股的润色器，是在教 AI 精通人类科研体系自身的低效。

用博客里的话说：这些工具局部聪明，全局走偏——它们把人类科研系统的深层功能失调，当成了不可更改的物理定律。

F1 造出来了，路还是土路

整篇博客的核心论点，可以浓缩成一句话：科学进步的基本单位是网络，不是科学家。

科学从来是集体性、代际性的事业。它的速度由网络属性决定：知识流动多快，传递多无损，验证和复用多便宜。把单个节点做聪明 10 倍而完全不动网络，你得到的不是 10 倍的科学，而是一辆陷在马车路上的 F1 赛车。

而现实恰恰是：我们造出了带宽超人的 AI 科学家，然后把它们扔进了一个处处按人类极限设计的生态。这个生态里