AI造出的想法太多，实验室却测不过来——DeepMind发出“验证瓶颈”警告

该文章由Don Wallace、Conor Griffin、Sean O'Neill、Thang Luong和Owen Larter共同撰写，其核心论点是：当今科学流程中最难的部分不再是提出创意——而是运行实验来确认或否决这些创意 。以DeepMind的“协同科学家”系统为例，该系统能在几分钟内生成关于癌症治疗或肝纤维化等领域的假设，但每一个假设仍然需要在细胞系或类器官上进行长达数周甚至数月的生物学测试 。

为什么现在这个问题如此紧迫？

这个瓶颈有着实实在在的后果。以药物研发为例，AI可以快速提出成千上万种新的分子候选物，但临床验证仍然缓慢、昂贵且受限于产能。DeepMind领导者Pushmeet Kohli此前曾指出，虽然AlphaFold将蛋白质结构预测从数年缩短到数秒，但临床药物验证仍然是那个未被解开的瓶颈 。同样，在材料科学和气候解决方案领域，AI提出的想法与可用于验证的物理测试基础设施之间的差距也越来越大 。

DeepMind敦促政策制定者和资助机构关注的四大优先事项

DeepMind的文章概述了四个具体优先事项来缩小这一差距 ：

1. 确保科学家能广泛使用AI代理。
应将AI代理的访问权视为一项战略优先事项，类似于历史上为科学家提供超级计算机访问权限的努力。各个机构的研究人员——不仅仅是资金充足的实验室——都需要获得生成和测试假说的工具 。

2. 让国家级实验室基础设施对AI驱动的科学开放。
扩大并开放物理实验设施，例如国家级实验室和共享的高通量测试中心，以便AI生成的大量假说能在现实世界中得到系统性的验证 。

3. 开发支持高通量验证的新型资助模式。
传统的赠款结构对于AI可能要求的测试规模来说过于缓慢且金额过小。资助机构应创建专门支持快速、大规模实验验证管道的机制 。

4. 为AI代理时代改革同行评审和评估流程。
评审人员自己也应被授权使用AI代理，还需要建立如“人机交互卡”等新框架，以确保AI辅助科学的透明度、可重复性和信任度 。

更广泛的背景：一个已知的挑战

这并非DeepMind首次就验证问题发出警告。该公司在2024年11月的一份政策文件中就已将“数字到现实的鸿沟”确定为一个关键挑战，研究员Pushmeet Kohli也曾公开指出验证基础设施和可及性是AI加速科学的两大主要瓶颈 。2026年7月的这篇文章是该公司迄今为止在该问题上最集中、最明确的政策声明。

关于日期的关键说明

这些发现的主要来源是DeepMind在其公共政策页面上发布的文章，发布于 2026年7月 。早期一些报道错误地提及了2025年7月的文章；但在搜索结果中未发现关于该确切主题的2025年7月文章。所有报道来源的警告内容和四大优先事项都是一致的 。