在近期的Google I/O大会收尾环节，DeepMind首席执行官Demis Hassabis一句“我们站在奇点的山脚”成为焦点。台上随后播放的短片则展示了WeatherNext如何在去年对牙买加登陆的飓风Melissa发出提前预警，可能挽救了生命。这个强烈对比揭示了当前科学界与科技公司在“AI如何做科学”上的两条基本路线。
第一条是专用科学AI工具。这类系统为具体问题训练，精度高、可直接落地。代表作包括DeepMind的AlphaFold——被全球超过三百万研究者引用，改变了蛋白质结构预测流程；还有用于气象预警的WeatherNext，以及面向遗传学和地球科学的AlphaGenome、AlphaEarth。这类工具在药物发现、灾害预警等领域带来直接价值，像Isomorphic Labs凭借相关技术获得了约144亿元人民币的B轮融资。
第二条是基于大型语言模型的智能代理（agentic AI）。这类通用模型能生成假设、写代码、优化算法，目标是成为“AI合作者”甚至独立开展研究。Google在I/O上推出的Gemini for Science组合，包含AI Co‑Scientist与AlphaEvolve等模块，正向研究者开放申请；与此同时，OpenAI近期宣称其通用推理模型在数学上推翻了重要猜想，显示出非专用模型在理论研究上的潜力。
业界迹象显示资源和注意力正在部分向通用代理倾斜。洛杉矶时报报道，曾因AlphaFold获认可的研究人员John Jumper已转向AI编码研发；这是因为通用代理需要更强的编程与系统能力，且当前生成式AI在代码方面的竞争格外激烈。
两条路线各有优劣：专用工具可验证、易被实验室采纳，但适应新问题的成本高；通用代理跨学科、能加速假设生成，但面临可解释性、实验验证和责任归属的难题。数学成果易于形式化验证，而自然科学需要现实世界的实验重复，这增加了通用代理在科学应用中的门槛。
对科研人员与资助方而言，短期内更现实的策略是并行推进：继续完善专用模型以服务临床与工程应用，同时加大对通用代理的规范、透明与验证投入。科研人才也应在领域专业能力之外，增强编程与AI素养，适应“工具使用者”和“代理监督者”两种新角色。
结论：未来既非单一的“奇点”结局，也非仅靠工具的保守路线，而更可能是二者互补的混合生态。公众与决策者应警惕噱头式表述，关注专用AI在医疗、气象等领域的现实价值，同时推动对通用代理的开放验证与监管，确保科学发现既快速又可复现。
配配网提示：文章来自网络，不代表本站观点。
