四个月估值40亿，AI要自己当科学家

1956年夏天，达特茅斯的科学家们坐在一起，乐观地觉得用不了多久就能让机器学会思考。七十年过去，这个问题还没答案，但一家刚成立四个月的公司，仅凭「让AI自己做研究、自己进化」的宣称，就拿到了5亿美元融资，估值冲到40亿美元——谷歌风投领投，英伟达跟投。

这不是PPT讲故事的泡沫。创始人是NLP领域的先驱，核心团队来自DeepMind和OpenAI。他们要做的，是把人类研究员从科学研究的全流程里彻底移出去。为什么两大巨头愿意押注一个连产品都没公开的团队？这背后，是一场关于AI未来的豪赌。

让AI自己走完科研全流程

你可以把传统AI科研想象成一群学生做实验：人类导师提出假设、设计步骤，学生（AI）负责按部就班执行，最后再由导师复盘调整。而这家团队要做的，是让AI自己当导师——从提出「为什么某款药物对特定靶点无效」的问题开始，自己查文献、设计实验方案、写代码跑模拟、分析数据，甚至自己判断结果是否合理，要不要迭代下一轮实验。

这就是自学习AI的核心：它不是更聪明的回答工具，是能自主启动科研循环的系统。用计算机术语说，这是「递归」——一个函数调用自身，形成自我优化的闭环。放在AI研究里，就是系统能不断用自己的研究成果改进自身，像滚雪球一样越转越快。

直给的技术逻辑是：先用大型语言模型生成假设和实验代码，再通过多智能体系统拆分任务，有的负责查文献，有的负责跑模拟，有的负责验证数据；最后把结果反馈回模型，调整下一轮的研究方向。整个过程，人类只需要设定最顶层的目标，比如「找到治疗阿尔茨海默症的潜在靶点」，剩下的全交给AI。

巨头押注的不是AI，是未来的科研规则

谷歌和英伟达的投资逻辑，本质是在抢一张未来科研的入场券。

谷歌的算盘很清楚：DeepMind用AI解决过蛋白质折叠、数学竞赛这些具体科学问题，但这次的团队要做的是更底层的事——改写科学研究的流程本身。这既是竞争，也是对冲：不管未来谁跑在最前面，谷歌都想有份。加上它刚和英特尔达成AI基础设施合作，投这家公司，相当于在自己的算力棋局上落了关键一子。

英伟达的逻辑更直接：自学习AI的瓶颈从来不是算法，是算力。AI自主跑实验、迭代模型，需要的GPU集群规模是指数级增长的——这意味着未来的算力订单会像潮水一样涌来。投这家公司，就是在提前锁定自己的未来客户。

更值得注意的是，现在顶级AI研究员的年薪已经到了1500万到2000万美元。如果这套系统能以十分之一的成本、百倍的速度完成同样的工作，整个前沿研究的经济模型都会被彻底改写。这也是为什么投资人愿意抢着进场——他们赌的不是一个产品，是整个科研行业的新规则。

我们离「AI科学家」还有多远

现在的自学习AI，还远没到能替代人类科学家的程度。

去年有团队做过「AI科学家」的实验：让AI自主完成机器学习领域的科研全流程，最后生成的论文通过了顶级会议的工作坊评审，质量接近人类研究员的水平。但那只限于计算机科学的计算实验——不需要实验室的烧杯和离心机，只需要代码和算力。如果要涉及物理、化学、生物这些需要实体实验的领域，AI还得和自动化实验室结合，这又是另一道坎。

更现实的问题是，AI生成的研究结果可能存在「幻觉」：比如引用不存在的文献，或者得出看似合理但实际错误的结论。人类科学家的直觉、伦理判断，以及对研究价值的深层理解，依然是AI无法替代的。而且，一旦AI成为科研的主体，谁来为研究结果负责？AI生成的专利归属谁？这些伦理和法律问题，现在还没有答案。

达特茅斯会议上的科学家们大概不会想到，七十年后，人类不是在教机器思考，而是在教机器自己做研究。

这场豪赌的结果还未可知：可能真的会诞生能自主推进科学的AI，让药物研发、材料科学的速度提升百倍；也可能只是AI泡沫里的又一个故事，烧光钱后只留下一堆技术残骸。但不管怎样，一个信号已经很明确：AI正在从科研的辅助工具，变成科研的参与者。

人类与AI的共研时代，已经拉开了序章。