Lance Dixon打开邮件的时候，是个普通的周一早晨。发件人是Anthropic的物理学家——不是来寒暄的，附件里躺着一组数字：九圈六胶子散射振幅，全部107,053个非零系数，用两条完全独立的计算路径得出，每一个数都对得上。
Dixon盯着屏幕。他太清楚这意味着什么了。
自2011年起，这位斯坦福线性加速器中心的理论物理学家就和合作者们一步步往上推——六圈、七圈、八圈。每一圈都更接近精确描述粒子碰撞的真相，代价是复杂度以阶乘级爆炸。2023年，他和刘宇庭借助一种叫"反极对偶性"的数学对称性——粗略理解就是两个看似无关的物理量之间存在一种镜像映射——迂回算出八圈振幅，当时已是人类极限。至于九圈——"我以为直接算是不可能的。"他在博客附言里写道。
算这笔账的，不是Dixon的团队。是Claude。一句任务描述，连续运行数日，总花费约一两千美元——纯计算部分只花了一百美元。
同一周，Anthropic公布了另一个消息：Claude还发现了一种此前未被人类表征的酶系统，藏在噬菌体——一类专门感染细菌的病毒——的DNA里，附带一组像基因剪刀CRISPR一样的DNA重复阵列。
这不是AI辅助科研。
为什么九圈曾经"不可能"
要理解九圈散射振幅为什么让Dixon这样的专家都觉得算不动，先得弄懂什么是散射振幅。
想象两张台球桌。第一张是普通台球——一颗球撞到另一颗，用牛顿力学就能算出飞行轨迹。第二张是量子台球——球撞球时会短暂地变成一团概率云，可以同时走好几条路径，每条路径的"可能性"互相干涉，最终才坍缩成一个确定的方向。散射振幅，就是计算"最终飞出去的概率有多大"的数学工具。
对撞机里的粒子碰撞，玩的是第二张台球桌。物理学家用一种叫微扰展开的方法来逼近真实答案——从最粗糙的近似开始，一层一层往上加量子修正，像用越来越细的砂纸打磨一件雕塑。零圈是最粗的底稿，一圈是第一轮打磨，两圈更精细……每加一圈就多算一层量子涨落，答案更准了，但算式里的项数以阶乘速度膨胀。到了九圈，完整展开会产生超过300亿个非零符号量级项——如果每秒数一个，不吃不睡要数将近一千年。这不是"答案很长"，而是"人类无法把答案写成一行公式"，只能以稀疏矩阵的形式保存——一种只记录非零位置、忽略海量零项的压缩存储方式。
这里要补一个关键背景：这个叫"平面N=4超杨-米尔斯理论"的模型不描述我们的真实宇宙。它是理论物理学家的"试验场"——一种假设每个已知粒子都有配对"影子粒子"的玩具模型，数学结构足够丰富来测试计算方法，又比真实世界中描述夸克和胶子相互作用的完整理论干净得多。在这个玩具宇宙里，物理学家从2011年起发展出了一套叫"自举法"的策略：不蛮算，而是先推断答案必须满足的数学对称性约束，再反推出唯一满足所有约束的函数形式。就像拼一幅没有参考图的拼图——你不知道成品长什么样，但你知道每块拼图的边缘必须和相邻的完美吻合；当所有边缘都扣合时，你拼出来的就是唯一正确的图案。
Claude做了两次拼图。一次直接从振幅入手，一次绕道计算一个相关的辅助数学量，再借反极对偶性映射回振幅本身。两幅拼图拼完，逐项比对——107,053个系数，相当于一本中等厚度小说的篇幅，逐一对照，无一差错。
成本值得单列一行：纯计算约一百美元，相当于96颗CPU跑一周；总花费一千到两千美元，大头是Claude本身的推理算力。人类团队数年的工资、差旅、超算机时——成本差距是千倍到万倍级别。
但Claude用的不是新方法。自举法和反极对偶性都是人类物理学家此前发展出来的成熟技巧。它没有提出任何新的物理原理。它只是在一个人人以为算不动的节点上，用现成的方法，算出了人类算不动的答案。
"只是"——但这件事一旦可以规模化，就不再是个副词问题了。
一个AI"肉眼"发现，十次重跑再也没找到
如果说物理计算是Claude在人类铺好的轨道上跑出了惊人速度，生物学这边的故事更像一场意外。
Anthropic给了Claude的950个并行代理一个宏观方向：在DNA数据库里搜索有意思的逆转录酶新例子。逆转录酶是一类能把RNA"抄回"DNA的蛋白质——HIV利用它把自身遗传物质嵌入宿主细胞基因组，但自然界里远不止这一种。
950个代理并行跑了21小时，消耗了2.1亿个token——模型处理文本的基本单位，大致相当于把《三体》三部曲抄写七十遍的文字量——扫描了约19亿个蛋白质簇。它们从超过20万个逆转录酶中筛出3500个候选系统，再精选20个最有希望的，最终一个脱颖而出。
那个后来被命名为ART——阵列关联逆转录酶——的发现，来得像一个侦探故事里的关键一瞥。一个代理在阅读逆转录酶基因的DNA侧翼序列时，直接"肉眼"辨认出一段奇怪的规律：上游有一长串均匀间隔的DNA重复单元，每个单元15到49个碱基（DNA的字母单位），含约15个碱基的回文核心——正着读反着读一样的短序列。代理在日志里记录："太壮观了……这是CRISPR样的重复阵列！"然后自主计数重复次数、测量间距、比对已知系统、检索文献，最后提交了一份完整报告。
它看到了人类此前没注意到的模式。
但故事在这里急转直下。Anthropic试图重新跑一遍同样的流程，看看能不能再次发现ART——跑了十次，一次都没成功。同样的"侦探"，同样的案卷，十次重新调查都没能找到那条线索。
这个0/10的再现率，比任何天花乱坠的演示都更能说明当前AI科学发现的本质：它确实能看见人类漏掉的东西，但它的"视力"不稳定、不可靠、不保证重现。就像一个博士生在某天深夜灵光一闪做出关键发现，第二天却怎么也说不清自己是怎么想到的。
更需要冷静的是：目前没人知道ART系统到底是干什么的。小RNA测序——一种专门检测细胞内短RNA分子的技术——证实这些DNA重复阵列确实在噬菌体感染期间被转录成短RNA分子，感染后15分钟竟占噬菌体RNA总量的8%，在细胞的分子噪音中已是一个清晰可辨的信号。但逆转录酶是否以这些RNA为底物、系统整体的生物学功能，完全未知。Anthropic CEO达里奥·阿莫代伊在社交媒体上坦承：该系统的"确切功能、生物技术实用性或重要性程度目前尚不清楚。"从发现到验证它能否用于基因编辑——如果真有这种用途——还需要大量后续实验。
当每个实验室都雇得起一个永不睡觉的博士后
抛开那些未解之谜，这两个事件叠加在一起，指向了一个正在发生的结构性转变：研究计算成本正在从"机构级"塌缩到"个人级"。
哈佛物理学家Matthew Schwartz用Claude在两周内完成了他原本预计需要一到两年的量子场论计算——量子场论是描述基本粒子和力的一套核心数学语言，向来以计算繁重著称。他在一篇题为"Vibe Physics"的博客里写道："我预感这可能是自己写过的最重要的论文——不是因为其中的物理，而是因为方法。没有回头路了。"他的判断更具体：AI目前大约相当于物理系研二学生的水平，按当前提速推算，2027年3月可能达到博士或博士后水平。
Dixon验证完九圈结果后说了一句更耐人寻味的话：Claude对他团队2019年和2023年论文的理解，"超过除我合作者外的任何人。"但他紧接着补了一句——"真正让人彻夜难眠的时刻，会出现在模型抢在人类之前提出新的物理原理和洞见的时候。"
那还没到。但产业端已经在动了。Anthropic与罗氏、基因泰克、百时美施贵宝等药企建立合作，其生命科学负责人的说法是：未来几年，"一位或少数几位有才华的药物项目运营者，就能在AI代理群支撑下，管理整个10到20个药物项目的组合。"商业模式是卖工具、不卖药——AI公司押注的是"科学发现能力的基础设施化"，认为这比单款药物的利润更大。
但对于正在读高中的你来说，最直接的变化可能不在药企的财报里，而在你推开实验室大门的那一刻。当一个本科生用几百美元就能发动数百个AI代理扫描从未有人类涉足的蛋白质序列空间时，"科学训练"的定义本身就在被改写。不是"AI会取代科学家"，而是"会用AI的科学家会取代不会用的"——这句话在2026年已经不再是一句口号，而是哈佛教授用两周替代一年半工作之后写下的事实。对高中生，这意味着生物和物理竞赛的边界在拓宽——了解一个领域不再等同于掌握该领域所有的计算技术，更关键的是学会提出AI还不会自己想到的问题。
但别急着相信每一篇AI科学的头条。历史先例摆在那里。2023年DeepMind高调宣布其材料发现系统GNoME"发现"了38.1万种新型稳定材料——截至论文发表仅实验验证了736种，不到宣称数量的五百分之一；两年后独立研究显示超过80%的AI推荐材料在真实实验中存在晶体学无序——原子排列混乱、无法形成预期的规则晶体，导致预测的性能严重偏离实际。AI药物发现更惨烈：一款AI发现的皮炎药物二期临床完全失败、公司最终退市；另一款AI设计的癌症药物被终止开发。截至2026年，尚无任何完全由AI发现或设计的药物获得监管批准。AI加速了候选物发现——但它并没有改善从候选物到获批药物这个核心瓶颈。
热钱和算力也不是均匀分布的。非洲AI研究社区中仅5%拥有充足算力，95%依赖有限的免费工具。当一间顶尖实验室可以随时发动950个AI代理并行搜索整个蛋白质宇宙、而另一间实验室连稳定运行一个代理的算力都不够时，科学研究的不平等不是在缩小，是在以新的维度拉大。
Claude的九圈振幅和ART酶系统是两个漂亮的案例。但发现和验证之间，隔着一条AI还不会自己游过去的河。
Dixon收到那封邮件时，或许有那么一瞬间，他感觉自己的领域被一只看不见的手轻轻推了一下。那只手目前还只会沿着人类铺好的轨道推。有一天它会自己选方向——那一刻才是他说的"彻夜难眠"。
AI发现一个未知酶系统只用了21个小时。搞清楚它是干什么的，可能还需要好几年。
