Google I/O背后的AI科研转向：从专用工具到自主科学家的路线博弈

导读

This article analyzes the shift in Google's AI for science strategy revealed at the 2025 Google I/O conference, exploring the tension between specialized problem-solving AI tools and general agentic AI systems, as well as the industry's broader move toward autonomous AI researchers.

这篇文章深入拆解了2025年Google I/O大会透露出的AI科研路线转向，既点出了当前专用AI科研工具和通用自主AI系统两条路线的博弈，也梳理了整个行业向「AI自主科研」方向靠拢的清晰信号，看完能明白为什么DeepMind敢说我们站在奇点山脚，以及这个说法背后的现实支撑和长远野心。

这次Google I/O上DeepMind CEO戴密斯·哈萨比斯那句「我们正站在奇点的山脚」的发言刚出来就炸了场，但我注意到最有意思的细节其实是他说这句话的场景：当时他正在做AI科研板块的收尾演讲，核心展示的案例是谷歌的WeatherNext天气预测软件去年提前预警了牙买加的飓风梅利莎登陆，可能救了不少人命。这个能实实在在减灾的工具当然是了不起的成果，但怎么看都和「即将到来的奇点」没什么直接关系，这种宏大叙事和落地成果的反差，刚好戳中了当前AI科研领域两条路线的核心矛盾。

现在AI科研领域其实有两条完全不同的发展路径：一条是走「专用工具」路线，就像WeatherNext、拿了诺贝尔奖的AlphaFold这种，专门针对某个具体的科学问题训练，精准解决特定场景的痛点，现在全世界已经有超过300万科研人员在用AlphaFold的蛋白质结构预测数据，谷歌旗下用AlphaFold做新药研发的Isomorphic Labs刚拿了20亿美元的B轮融资，说明这类工具的实用价值已经被学界和产业界完全认可了。另一条路则是基于大模型的自主智能体路线，目标是未来能不需要人类参与就独立完成前沿科研项目，现在行业里炒得火热的递归自我改进概念，本质就是这条路线的延伸，认为未来AI能自己主导AI技术的迭代，越进化速度越快。

现在整个行业的资源和关注度都在明显往自主智能体的方向倾斜，最典型的信号就是AlphaFold的核心发明人、诺贝尔奖得主约翰·江珀已经转去做AI编码方向的研究了，不再深耕专用科研工具。谷歌把顶尖人才调到编码领域，表面上看是要补自己在编码工具上不如Anthropic和OpenAI的短板，但本质上也是在给自主科研智能体铺路——毕竟编码能力是这类系统能否落地的核心基础。而OpenAI上周刚公布的成果更有标志性：他们用GPT-5.5系列的通用推理模型，推翻了一个重要的数学猜想，这是生成式AI到现在为止在数学领域做出的最有分量的贡献，关键是这个模型根本不是专门为数学或者科研训练的。如果通用智能体能在数学领域独立做出研究成果，那接下来拓展到需要实验验证的自然科学领域也只是时间问题。

谷歌这次I/O上公布的「Gemini for Science」就是他们布局自主科研路线的核心产品，把旗下基于大模型的科研系统都整合到了这个品牌下，包括能生成研究假设的AI Co-Scientist、优化算法的AlphaEvolve，现在已经开放给科研人员申请试用，参与内测的斯坦福遗传学家直接把用AI Co-Scientist的体验比作「咨询德尔斐神谕」。谷歌现在对外还是强调这些AI是人类科学家的「协作伙伴」而不是替代品，名字特意叫「共同科学家」而不是「AI科学家」，哈萨比斯也说未来十年AI都会是辅助科研的工具，之后才有可能变成平等的合作者，但所有人都清楚，能当合格的科研合作者，本质上已经等于拥有了独立的科研能力。哈萨比斯自己也说，他当年入行做AI的初衷，就是觉得物理学从70年代之后就几乎停滞了，人类的大脑可能已经摸到了认知边界，需要AI来突破这个瓶颈。现在谷歌所有的路线调整，其实都是在往「打造超人类AI科学家」这个目标走，哪怕最后不一定能摸到所谓的奇点，这个方向带来的科研变革已经近在眼前了。

来源：https://onmine.io/google-i-o-showed-how-the-path-for-ai-driven-science-is-shifting/