Google DeepMind 的「驗證瓶頸」：AI 生成假說的速度，遠超實驗室能驗證的能力

這篇文章由 Don Wallace、Conor Griffin、Sean O'Neill、Thang Luong 和 Owen Larter 共同撰寫，他們指出，如今科學過程中最困難的部分不再是產生點子，而是執行必要的實驗來證實或推翻它們 。雖然諸如 DeepMind 的 Co-Scientist 系統等 AI 工具，能在幾分鐘內產生關於癌症治療或肝纖維化等領域的機器生成假說 ，但每一個假說，依然需要在細胞株或類器官中進行數週甚至數月的生物測試。

為何現在這個問題至關重要

這個瓶頸帶來了具體的後果。以藥物開發為例，AI 能快速提出數千種新的分子候選藥物，但臨床驗證的過程依然緩慢、昂貴且產能受限。DeepMind 的領導人 Pushmeet Kohli 先前曾指出，雖然 AlphaFold 將蛋白質結構預測從數年縮短到數秒，但臨床藥物驗證仍是尚未解決的瓶頸 。同樣地，在材料科學和氣候解決方案領域，AI 產出的想法與可用於驗證它們的物理測試基礎設施之間，差距也日益擴大 。

DeepMind 呼籲政策制定者與資助者優先推動的四項行動

DeepMind 的文章提出了四項具體的優先事項，以縮小這個差距 ：

1. 確保科學家能廣泛使用 AI 代理。
應將提供 AI 代理的訪問權限視為一項戰略優先事項，類似於過去為科學家提供超級電腦的努力。所有研究機構的研究人員——不僅限於資金充裕的實驗室——都需要這些工具來生成和測試假說 。

2. 將國家級實驗室基礎設施開放給 AI 驅動的科學研究。
擴大並開放物理實驗室設施，例如國家實驗室和共享的高通量測試中心，以便能系統性地在真實世界中驗證這波 AI 生成的假說 。

3. 發展能夠支持高通量驗證的新資助模式。
傳統的補助金結構對 AI 所需的測試規模來說，既太慢也太小。資助機構應建立明確支持快速、大規模實驗驗證管道的機制 。

4. 為 AI 代理時代改革同儕評審與評估流程。
應賦予審查者使用 AI 代理的權力，並需要建立新的框架，例如「人機互動卡」，以確保 AI 輔助科學的透明度、可重複性與可信度 。

更廣泛的背景：一個已知的挑戰

這並非 DeepMind 首次就驗證問題提出警告。2024 年 11 月，該公司的一份政策文件就已將「數位到現實世界的鴻溝」視為一項關鍵挑戰，研究員 Pushmeet Kohli 也曾公開表示，驗證基礎設施是 AI 加速科學發展的兩個主要瓶頸之一，另一個則是普及性 。2026 年 7 月的這篇文章，是迄今為止關於此議題最為聚焦的政策聲明。

關於日期的重要說明

這項發現的主要來源是 DeepMind 在其公共政策頁面上於 2026 年 7 月 發布的文章 。部分早期的報導錯誤地將此文件標記為 2025 年 7 月。在搜索結果中，並未找到任何關於此主題的 2025 年 7 月的文章。但所有報導來源均一致指出這項警告與四項優先事項的核心內容 。