你有没有想过，有一天AI能自己读论文、做实验、分析结果？
这不是科幻。
8月21日到22日，2026科学智能大会在北京开了两天。
AI for Science成了全场最热的话题。
不是"AI辅助科研"，是"AI自主推进科研任务"。
这中间的差别，比你想的大得多。
效率革命：半年的文献综述几小时做完
你读一篇论文要多久？
半天？一天？
科研智能体读完几百篇论文，只需要几小时。
今年3月发布的《AI for Science创新图谱2026》显示，近五年全球相关论文发表量增长了一倍多。
航空航天、量子科技、材料科学这些领域，年均增速超过30%。
这是什么概念？
以前研究人员花半年时间读文献写综述，现在几小时就能搞定。
传统方法需要数天甚至数周的计算任务，现在几秒钟出结果。
不是人变懒了，是重复劳动终于可以交给机器了。
中国科学院自动化研究所研究员李林静说，AI不仅能把科研人员从耗时的工作里解放出来，还能拓展视野边界，发现更多新奇现象。
现在的科研智能体已经能完成文献研读、实验规划、参数迭代、结果分析的完整流程。
这不是辅助工具，是能独立干活的科研助手。
各国都在抢这个赛道。
中国把"人工智能+"科学技术列为6大重点行动之一。
美国推出"创世纪计划"，整合全国科研基础设施，用AI提速前沿科学突破。
欧盟发布专项战略，汇集资源研发AI并应用于科学。
你看，这不是某一家公司的事，是国家级的战略布局。
验证瓶颈：38万种新晶体，不到0.2%被验证
AI做科研很厉害，但问题也来了。
DeepMind用AI预测出了220万种新晶体。
其中38万种具有稳定结构。
你猜有多少通过了实验验证？
不到0.2%。
这个数字很扎心。
中国工程院院士李国杰说，AI产生海量"看似合理"的假说，绝大多数无法被验证。
这直接导致科研资源浪费在低优先级选项上。
波士顿咨询公司的报告更直接：全球AI制药投入了数百亿美元，至今没有一款获批上市。
不是AI不行，是从"计算发现"到"实际应用"之间，还隔着一道验证的鸿沟。
谷歌能预测蛋白质结构，这很了不起。
但预测完了呢？
谁去做实验验证？
谁来承担实验失败的成本？
这才是真正的问题。
在生命科学领域，AI能设计靶点分子、筛选化合物，把候选药物发现从数年缩短到数月。
在材料领域，AI能辅助设计催化剂、筛选配方组合，让材料研发从经验试错走向数据驱动。
但所有这些成果，都要过实验验证这一关。
中国科学院院士鄂维南认为，打破科研与产业的界限，光靠科研能力提升不够，还要在评价机制、组织形式上下功夫。
说白了，不是AI不够聪明，是我们的科研体系还没准备好迎接这样的搭档。
人机协同：最终判断权必须在人手里
AI越来越能干，人会不会被取代？
这是每一次技术革命都会被问到的问题。
北京大学科学智能学院副院长莫凡洋说，长远来看AI或许能自主设计科学实验，但现阶段仍需科学家提出核心问题、划定探索方向。
安全约束规则、人工复核流程、风险处置机制，一个都不能少。
不是不相信AI，是科学容不得半点马虎。
李国杰院士说得更直接：现有AI本质上仍是外源目标驱动的优化体系，就算未来能自我改进，评价准则的正当性、科学意义的判定、风险责任的承担，还是不能由系统自己解决。
你敢让一个AI系统决定一项科研成果是否成立吗？
我不敢。
大多数科学家也不敢。
未来更可能出现的是"AI主导执行过程、人类科学共同体保留最终判断权"的混合模式。
不是取消人类评价权的全自动科研体系。
人和AI之间，应该是互相成就的关系。
AI负责做重复的、计算量大的、需要海量数据处理的工作。
人负责提问题、做判断、担责任。
科学品位、实验验证与责任判断，这三样东西始终是人类科学家不可替代的核心价值。
这不是保守，是对科学的尊重。
写在最后
这次大会释放的信号很明确。
AI在科研领域的角色，正在发生质变。
从"帮你算个数"的工具，变成"和你一起做研究"的搭档。
这个转变不是一蹴而就的。
效率问题已经解决了一大半。
验证瓶颈还在卡脖子。
人机协同的规则还在摸索。
但方向是确定的。
5年前，谁能想到AI能预测蛋白质结构？
3年前，谁能想到AI能自己读论文做实验设计？
那5年后呢？
我们可能真的会迎来一个科研效率指数级提升的时代。
不是AI取代科学家，是会用AI的科学家，取代不会用AI的科学家。
这一天，比你想的更近。