今天一篇讲元科学、一篇讲科学 agent 缺推理，这篇知识分子旧文把「从人整理资料到 AI 直接提出假设」的范式转移讲得更完整，是那两篇缺的背景板。
旧文重读。AI 科学。
context：全文的中心概念，指以 AI 为核心引擎的科学研究新形态。文章借 2024 年诺奖、沈向洋「一定要做的事」、汤姆·米切尔白皮书和 DeepMind 报告确立它的分量，并明确它不止于「AI 赋能各个学科的交叉研究」，更宏伟的蓝图是「彻底打破学科界限」。
费曼一下：过去 AI 是科学家手里的一件工具，用完放回抽屉；现在它变成了做科学的方式本身——从提假设到做实验到写论文，整条链路都围着它重排。工具换了不算大事，做事的顺序换了才是。
context：文章对变化性质的定性——「从科学家手动整理资料，依赖学科理论提出假设，到 AI 主导，直接从数据出发识别模式和提出假设。这带来的不仅是效率上的变化，更是整个科研范式的改变」。
费曼一下：原来是先有理论、再拿数据去验证；现在是先把数据倒进机器，让它指出「这里有花样」，人再去想为什么。提问的第一步交给了机器，这不是跑得更快，而是换了跑道。
context：申恩志的原话是全文对标题问题最直接的回答——「把从 1 到 n 的事情留给机器去做，留出更多的时间来做从 0 到 1 的分析，我们就可以有更多的精力来真正做事」。
费曼一下：一件事一旦被想明白了，剩下的就是重复一万遍，这部分机器最擅长；从「没有」到「有」的那一下，还得靠人。AI 不是抢走了饭碗，是把碗里可称重的那部分端走了，留下的是最难称重也最贵的那部分。
context：鄂维南对新旧科研组织方式的比喻。旧的是「小农模式」——数百年里科学家在各自领域内深耕细作、同一团队从理论做到开发，低效且不互通有无；AI for Science 让人「从统一的基础研究平台来考虑不同学科的各类不同问题」，转为「安卓模式」。
费曼一下：以前每个实验室都自己种地、自己打铁、自己造车，什么都从头做一遍；现在底下有了一层公共平台，各学科像手机厂商一样在同一套系统上做自己的应用。共享的部分越厚，每个团队真正要独创的部分就越集中。
context：申恩志的研究对象，也是文章证明 AI 范式必要性的主案例。所有 RNA 中 98% 不编码蛋白质，它们「庞大、复杂，在生命体里是高度动态的」，与很多重大疾病密切相关，被称作人类基因序列中的「暗物质」。
费曼一下：过去以为基因组里只有编码蛋白质的那一小块有用，其余是废料；现在发现「废料」占了绝大部分，而且一直在暗中调节生命过程。看不见但决定结果，这跟宇宙里的暗物质是同一种处境。
context：文章用一组数字撑开非编码 RNA 的研究空间——人类蛋白质编码基因大约 2 万个，蛋白质种类却超过 5 万个，而 98% 的 RNA 不编码蛋白质；MicroRNA 曾两次获诺奖。
费曼一下：如果一条流水线只有 2 万套图纸，却出了 5 万种产品，说明中间一定有人在临场加工。数量对不上，就是理论留下的缺口，也是新研究的入口。
context：非编码 RNA 难做的原因被归为两条——「经典生物化学缺少技术工具支撑」，以及高通量技术带来数据指数级膨胀后，用经典方法解析测序数据、找到调控规律「几乎成了不可能完成的任务」。
费曼一下：不是科学家不够聪明，是手里的家伙不趁手。一个领域被卡住，往往先卡在工具上；工具一换，原本不可能完成的任务就成了日常作业。
context：杨金龙指出的两大瓶颈之一（另一条是高质量、统一标准的数据），文章说「压力给到那些真正希望探寻智力本源的研究者们」，并由此引出金耀初的工作。
费曼一下：今天的模型很会答题，但答题不等于会想事。所谓思维能力，是能自己决定该想什么、按什么结构去想。这个问题不是把模型堆大就能过去的，它得回到「智能到底是怎么长出来的」这一层。
context：金耀初的问题意识——「智能的从 0 到 1 是如何开始的？智能能否通过演化发育的机制自发地产生出来？」他的 EDEN 实验室（演化及发育神经网络）正是围绕这个问题建立的。
费曼一下：与其研究怎么把已有的智能做得更强，不如追问它当初是怎么从无到有冒出来的。搞清楚起点的机制，才可能重演一遍，而不是永远在模仿终点的样子。
context：金耀初对自然演化的判断——自然演化是很「懒」的过程，简单系统能活得好就不会搞复杂，「生物的演化过程并不是一个单一的增加复杂度的过程，而是要找到一个最适合这个环境的结构」，而这正是目前大模型所缺乏的。
费曼一下：自然从不为了复杂而复杂，它只求刚好够用。今天的做法却是默认更大更复杂就更强。懒惰不是缺点，是一种约束条件下的最优；把这个原则写进 AI 的设计里，方向就从「堆」变成了「选」。
context：金耀初给出的人脑高效之谜的答案——功能分区、模块化、模块的合作协同，「有这些，才能如此高效地出现我们看到的这些高等智能，这些东西，现在的大模型还没有」；他希望用演化与发育途径实现有分模块化的人工神经网络。
费曼一下：人脑不是一大团均匀的神经元，而是分工明确、彼此协作的若干片区。分工让每次动作只需唤醒一小部分，能耗自然低。今天的大模型更像一整块石头，做什么事都要整块抬起来。
context：金耀初的对比——大模型有千亿级复杂度且能耗极高，人脑同样有千亿级复杂度的神经元，功率却只有 20~25 瓦，「非常高效」。这组对比是他转向演化发育路线的直接理由。
费曼一下：同样的规模，一个要一座电站，一个只要一只灯泡。这说明差距不在零件数量，而在结构。用瓦特而不是参数量去衡量智能，会得到一份完全不同的排行榜。
context：文章第三部分的主题，指学术界与工业界在计算资源上的结构性落差。《Nature》调查显示大学科学家普遍买不起必要的 GPU；Apoorv Khandelwal 说行业巨头拥有数千个 GPU 而学术界只有一小部分；李飞飞称斯坦福自然语言实验室只有 64 块 GPU，「相比工业界，学术界正在从悬崖上跌落」；国内 2022 年只有约 8.4% 的高校建设了校级算力平台。
费曼一下：科学的门槛从「有没有好想法」变成了「有没有卡」。想法便宜，验证想法很贵，而贵的那头掌握在公司手里。真正被挤出局的不是某个职业，而是那些没钱验证的问题。
context：文章给出的供给侧解法。西湖大学 2020 年以来与浪潮信息合作，除构建算力系统外还打造了算力平台 AIStation，统一管理计算资源，「将计算资源利用率提升到 90% 以上，减少资源闲置，缓解多人使用下的资源拥挤以及计算资源不足问题」。
费曼一下：缺算力有两种解法，一种是买更多卡，一种是让已有的卡别闲着。统一调度就是后者——把各实验室零散占用的资源汇成一个池子按需分配，利用率从一半提到九成，等于凭空多出一批机器。
graph TD
C1["AI for Science 新范式"]
C2["科研范式变革 从数据出发提假设"]
C3["小农模式转为安卓模式"]
C4["从 1 到 n 交给机器"]
C5["科学家专注从 0 到 1"]
C6["非编码 RNA 与基因组暗物质"]
C7["经典方法的工具边界"]
C8["人工智能的思维能力"]
C9["智能的从 0 到 1"]
C10["演化的懒惰原则"]
C11["人脑的模块化与功能分区"]
C12["能效作为智能的判据"]
C13["算力鸿沟"]
C14["统一调度的算力平台"]
C15["高质量统一标准的数据"]
C1 -->|支撑| C2
C2 -->|演化| C3
C3 -->|因果| C4
C4 -->|支撑| C5
C7 -->|因果| C6
C6 -->|案例| C2
C1 ---|张力| C8
C15 -->|支撑| C8
C8 -->|路径| C9
C12 -->|因果| C11
C11 -->|支撑| C9
C10 -->|支撑| C11
C13 ---|制约| C1
C14 -->|缓解| C13
C13 ---|张力| C5这张网络有三条主链，彼此在「谁被替代、谁被留下」这一问题上交汇。
第一条是范式链，回答「变了什么」。AI for Science（C1）不是把 AI 当工具加进旧流程，而是改写了提问的顺序——科研范式变革（C2）把「先理论后数据」翻转成「先数据后假设」。这一翻转的组织后果是小农模式转为安卓模式（C3）：既然底层能力可以在统一平台上共享，团队就不必从理论到开发一手包办，学科界限随之松动。组织形态一变，分工必然重排，从 1 到 n 交给机器（C4）与科学家专注从 0 到 1（C5）是同一枚硬币的两面，前者是后者的成立条件。非编码 RNA 与基因组暗物质（C6）在链条里是验证节点：它之所以必须靠新范式，是因为经典方法的工具边界（C7）先把它堵死了——不是数据不够，是旧工具在指数级数据面前失效。工具边界与范式变革之间是因果而非并列，这一点决定了本文的论证不是「AI 更好用」而是「不用 AI 这题无解」。
第二条是智能链，回答「AI 自己缺什么」。它与第一条构成张力：正当 AI 大举进入科学时，人工智能的思维能力（C8）恰是它最欠缺的部分，而这一欠缺本身又是一道科学题。C8 的两个前提各有归属——高质量统一标准的数据（C15）要各学科去攒，属于工程与制度问题；思维能力则通向智能的从 0 到 1（C9），属于机理问题。C9 之下三个概念构成一组彼此支撑的解释：能效作为智能的判据（C12）先把问题的形状换掉——同样千亿级复杂度，人脑只用二十几瓦，说明差距在结构不在规模；顺着这个判据往下看，人脑的模块化与功能分区（C11）就成了结构的答案；而模块化为什么会出现，则由演化的懒惰原则（C10）解释：演化不追求复杂度，只寻找最适配环境的结构，模块化是省力的产物而非设计的目标。三者合起来，把「做更大的模型」这条默认路径换成了「让结构自己长出来」。
第三条是条件链，回答「什么在真正卡人」。算力鸿沟（C13）对 AI for Science（C1）的关系是制约而非对立——它不否定范式，只决定谁能进场。它同时与科学家专注从 0 到 1（C5）构成张力，这是全文最值得停一停的地方：分工层面的结论是乐观的（人被解放去做创造性的那一半），资源层面的结论却是悲观的（做创造性那一半也需要买得起卡）。统一调度的算力平台（C14）是文章给出的缓解项而非解决项：提高利用率能让同样的硬件多干活，却填不平学术界与工业界之间数量级的差距。
三条链交汇处就是标题的答案。饭碗没被砸掉，因为 C4 与 C5 完成了重新分工；饭碗甚至更重要了，因为 C8 到 C9 那一段只有科学家能做；但入场券变贵了，因为 C13 把门槛从「有没有好想法」挪到了「有没有算力去验证」。文章真正的忧虑不在 AI 一侧，而在 C13 与 C5 之间那根绷着的线上。
「饭碗」这个词把问题问偏了。真正被改写的不是科学家这个职业还在不在，而是科研工作里哪一段变得稀缺。
过去数百年，科学家手动整理资料，依赖学科理论提出假设，再一步步去验证；现在 AI 直接从大规模数据里识别模式、提出假设。效率只是表象，底下换掉的是范式。鄂维南把旧的叫「小农模式」——各自领域深耕细作，同一团队从理论做到开发，不互通有无；新的叫「安卓模式」，一个统一的基础平台上，不同学科的问题共用一套底层能力。学科界限被拆掉，比「提速」重要得多。
分工也随之改写。申恩志研究非编码 RNA，人类基因组三十亿碱基对里那 98% 不编码蛋白质的「暗物质」，庞大、动态、彼此调节，而经典生物化学「缺少技术工具支撑」，高通量数据一膨胀就成了不可能完成的任务。他的说法很干脆：把从 1 到 n 的事情留给机器去做，留出更多的时间来做从 0 到 1 的分析。这不是安慰，是对稀缺性的重新定价——能被规模化处理的那部分工作，价格会一路下跌。
更有意思的是，AI 自己最深的那道题，仍要科学家来解。金耀初问的是智能的从 0 到 1 如何开始：千亿级复杂度的大模型能耗极高，同样千亿级神经元的人脑却只要二十几瓦。他给出的线索不是堆得更大，而是自然演化其实很「懒」——生物不会为了复杂而复杂，只找最适合这个环境的结构；人脑真正厉害的是功能分区、模块化和模块间的协同，而这些恰恰是今天的大模型还没有的。
所以真正该担心的不是 AI 抢饭碗，而是谁还有资格上桌。李飞飞说斯坦福的自然语言实验室只有 64 块 GPU，「相比工业界，学术界正在从悬崖上跌落」；国内 2022 年只有大约 8.4% 的高校建了校级算力平台，不少实验室拿消费级显卡做实验。当算力成了提出问题的前置条件，被挤出局的不会是「科学家」这个身份，而是那些买不起入场券的人，和他们本来想问的问题。