AI距离单独贡献一个诺奖级成果，还有多远

2024年秋天，诺贝尔奖委员会做了一个让整个科学界为之震动的决定。他们将化学奖的一半授予了Demis Hassabis和John Jumper，理由是他们开发的人工智能模型AlphaFold解决了困扰生物学界整整五十年的蛋白质结构预测难题，能够预测约两亿种已知蛋白质的复杂结构，全球已有超过两百万人使用过这个工具。同年，机器学习领域的Geoffrey Hinton和John Hopfield又拿下了物理学奖。就在同一年，与谷歌关系紧密的三位科学家先后获得了两项诺贝尔奖，“AI”这个曾经只属于计算机科学会议的关键词，第一次以如此高调的方式闯入了人类最高科学荣誉的殿堂。

但一个耐人寻味的问题随之浮现：AlphaFold拿奖，究竟是AI本身的胜利，还是人类科学家借助AI工具取得的胜利？换句话说，AI距离“独立”贡献一个诺奖级成果，还有多远？

从“得力工具”到“自主发现者”

要回答这个问题，首先得看清楚AI在科研中正在经历怎样的角色转变。AlphaFold本质上是一个超级预测器——人类科学家提出“预测蛋白质结构”这个命题，AI负责高效完成计算。它的确改变了科研的效率，过去耗时数年的工作如今几分钟就能完成，但关键的科学问题、研究方向和最终判断，仍然牢牢握在人类手中。

真正的变化发生在2026年。这一年，《自然》杂志同期发表了两项重量级研究，标志着AI正在从“预测器”进化为“发现者”。谷歌DeepMind推出的Co-Scientist和美国非营利机构FutureHouse的多智能体系统Robin，均采用了多个自主AI智能体协同工作的架构，能够提出假设、设计实验方案并分析数据，被媒体称为科学家的“AI副驾”。其中，Robin完整地实现了从假设生成到数据分析的全流程自动化，并自主发现和验证了一种干性年龄相关性黄斑变性的候选治疗药物——系统提出将增强视网膜色素上皮细胞吞噬功能作为治疗策略，并识别出两种药物在体外实验中表现出疗效，这一研究的所有假设、实验方向、数据分析和图表均由Robin自主完成。

这是一个值得停下来想一想的事实：一篇发表在《自然》上的论文，核心科学贡献来自一个AI系统。

AI已经在“发现”了，而且不只是生物领域

如果说Robin的故事还局限于生物医药领域，那么把目光投向数学和物理，会看到更令人震撼的画面。

在数学领域，DeepMind最新研发的AI智能体AlphaProof Nexus首次在研究级数学问题上实现了大规模突破，成功解决了9个长期未解的Erdős开放问题，还证明了44个来自OEIS(整数数列在线百科全书)的数学猜想，甚至攻克了悬置15年的纯O-序列对数凹性问题。在国内，北京大学董彬教授课题组组建的AI4Math团队用自主构建的自动化AI框架解决了交换代数中的一个开放问题——Anderson猜想，并在Lean 4中完成了约19000行的形式化验证，这是国内首次由AI框架攻克交换代数开放问题并实现大规模形式化验证。

在物理学领域，2025年底，一个国际研究团队利用深度学习技术，在时隔25年后识别出一个新的双Λ超核——这是世界上首次由AI辅助观测到这类奇异原子核。同一年，麻省理工学院领衔的研究团队开发出一项AI新技术，生成了超过一千万个具有阿基米德晶格特征的候选材料，并成功合成了两种此前未被发现的新化合物，实际性能与AI预测高度吻合。

这些成果单独拿出来任何一项，都足以在顶级期刊上发表。但它们加在一起，指向一个更深层的趋势：AI不再只是替人类“算得快”，它开始提出人类没想到的问题、找到人类没注意的关联、发现人类没预见的现象。

2025年诺贝尔化学奖得主Omar Yaghi在获奖三周后发表了一场引人注目的演讲，他称之为“科学自我进化时代”的到来。Yaghi的团队用ChatGPT阅读数千份合成报告进行推理，让七个AI智能体分工协作完成实验设计、文献检索、数据分析等任务，最终自主设计并优化了一种长期以来被认为极难合成的材料COF-323的结晶过程。他的总结颇具前瞻性：“我们不再需要问AI能为科学做些什么，我们现在要问的是，当科学由AI驱动时，它能变成什么样子。”

为什么诺奖委员会仍在犹豫

既然AI已经在多个领域产出了具有原创性的科学发现，为什么诺奖委员会还没有把奖项授予一个“AI主导”的成果？

障碍首先来自诺奖本身的评选逻辑。诺贝尔奖奖励的是“对人类作出最大贡献”的发现或发明，评委会需要确认获奖者的核心贡献。当一个发现由人类科学家和AI系统共同完成时，“谁做出了关键性智力贡献”这个问题变得异常棘手。瑞典皇家科学院在2024年将化学奖授予Hassabis和Jumper时，颁奖词强调的是他们“开发了AI模型”，而不是“AI模型做出了发现”——这个措辞上的微妙选择，恰恰反映了评委会在面对AI时的审慎。

更深层的障碍在于自主性的边界。Anthropic在2025年9月宣布，其大语言模型Claude在约950个智能体同时运行的情况下，仅用21.5小时就发现了一种类似CRISPR的酶系统。但这一发现随即引发了科学界的争论。斯坦福大学教授Le Cong打了个比方：AI就像在沙滩上翻遍沙粒，找到了一颗闪闪发光的东西，而它究竟是玻璃还是钻石，只有拿回实验室才能判断。换句话说，AI可以高效地生成候选假设和候选发现，但从“有趣的候选”到“被证实的科学真理”，中间那段路依然需要实验验证和人类判断。

不过，这些障碍正在被快速侵蚀。Nature在2026年5月的一篇社论中指出，完全自主的AI研究员尚未诞生，但多智能体系统已经在药物发现领域取得了“关键性一步”。诺贝尔奖得主Jennifer Doudna的团队2026年7月在Science上发表的最新研究更具标志性意义——他们利用AI设计的基因编辑蛋白SynTnpB，部分变体的活性达到甚至超过了天然酶，最高编辑率约为野生型的1.8倍。这是首次通过实验确定AI设计的RNA引导核酸酶的结构。Doudna本人是2020年诺贝尔化学奖得主，她的团队选择用AI来做核心设计工作，这本身就是一种信号。

时间表：预测与现实的赛跑

关于AI何时能独立贡献诺奖级成果，业界给出了越来越激进的时间表。

Anthropic联合创始人Jack Clark在2026年5月牛津大学的演讲中预测，AI将在未来12个月内协助人类做出可能获得诺贝尔奖的科学发现。OpenAI首席研究官Mark Chen将这一时间窗口设为两年，并特别指出生物学是最有前景的领域。Anthropic CEO Dario Amodei则把2027年视为“临界点之年”，认为届时数据中心里将出现诺奖得主级别的“天才”。

这些预测或许过于乐观，但它们背后的技术趋势是真实的。诺贝尔奖得主们的态度则更加审慎但同样充满期待。2021年诺贝尔化学奖得主David MacMillan在2026年9月首尔的诺贝尔奖对话活动上表示，AI会让过去无法开展的研究成为可能，但“对人类科学家所要求的素养不会改变”。2006年诺贝尔生理学或医学奖得主Craig Mello则更为直接：“世界上仍有许多未被发现的谜团，AI将把它们带到前台。”

值得注意的是，刚刚公布的2026年诺贝尔自然科学奖项依然全部颁给了“纯人类”的成果，但诺奖委员会自身的态度也在松动。2024年将物理学奖授予Hinton和Hopfield，本质上奖励的是“让AI成为可能的基础性工作”；化学奖授予AlphaFold，奖励的是“AI在科学中的革命性应用”。如果沿着这个逻辑推演，当下一个由AI系统自主发现的、经过严格实验验证的突破性成果出现时，委员会将面临一个前所未有的抉择：奖，还是不奖？

真正的问题不是“能不能”，而是“怎么算”

回到最初的问题。AI距离独立贡献一个诺奖级成果还有多远？技术层面的答案越来越清晰：自主发现的能力已经具备雏形，验证闭环正在加速形成，时间窗口可能在两到三年之内。但制度层面和哲学层面的答案要复杂得多。

科学史上，诺贝尔自然科学奖项从来都是授予“人”的。当一个发现的核心智力贡献来自一个非人类的系统时，“谁值得被奖励”这个看似简单的问题，将迫使整个科学界重新思考创造力的定义、贡献的边界，以及人类在知识生产中的独特位置。

Yaghi在那场演讲中说了一句话，或许可以作为这个时代最好的注脚：“科学一直是自然与人类思维之间的对话。如今，借助人工智能，我们正在赋予科学自行思考、推理和演进的能力。”这句话里既有雄心，也有不安。AI离诺奖还有多远，答案或许不在AI本身，而在于人类是否准备好接受一个AI也能“做出伟大发现”的新科学时代。