AI在科学研究中的应用常被简化为“数据进，结论出”，但科学发现的核心在于提出可检验的假设和建立因果解释，而这恰恰是当前AI的短板。
发生了什么
MIT Tech Review的评论文章指出，每隔几十年就有人宣称科学即将终结，从1903年物理学家Michelson的“物理科学事实已全部发现”，到1980年代霍金预言理论物理可能终结，这些预言都落空了。如今，AI的爆发再次引发类似讨论：AI能否取代科学家？文章强调，AI在科学中的真正价值不在于处理海量数据，而在于帮助科学家进行推理——从数据中提炼出因果机制，生成可验证的假设。
为什么重要
当前AI在科学领域的应用多集中于模式识别，例如蛋白质结构预测、材料筛选等，这些任务依赖大量标注数据，但科学突破往往需要超越已有数据，提出全新的理论框架。科学方法论的核心是演绎推理和假设检验，而AI系统目前缺乏对因果关系的理解，容易产生虚假关联。因此，AI若不能与科学家的推理过程深度结合，其作用将局限于加速数据整理，而非推动根本性创新。
影响与看点
对科研人员而言，AI工具应定位为“推理伙伴”而非“自动科学家”，未来值得关注的方向包括：将因果推理模型嵌入AI系统，使其能辅助设计实验；开发可解释的AI，让科学家理解AI的推理依据；以及构建人机协作的工作流，让AI负责生成候选假设，科学家负责筛选和验证。独立判断：AI for Science的下一个突破口，不在于更大的模型或更多的数据，而在于如何让AI学会“为什么”。
