AI 的下一轮价值，可能不来自模型本身，而来自它渗进其他学科的方式。
发生了什么
据 MIT Technology Review 消息，在 EmTech Future 2026 活动上，Google 研究与 Google Research 负责人 Yossi Matias 分享了一个判断：AI 正在开始重塑生物学、基础设施、制造业和科学，而它最大的影响，可能出现在与其他领域交叉的地方。MIT Tech Review 编辑团队也围绕这一话题给出了分析与尚未公开的观察。
需要说明的是，目前公开的只有这一议题框架，具体案例、数据与结论尚未完整披露，因此本文不做超出信息范围的推断。
为什么重要
过去两年，行业注意力高度集中在模型能力本身——参数规模、榜单分数、推理成本。但真正决定 AI 能走多远的，往往是它能否进入那些有几十年积累、却长期受制于复杂性和试错成本的传统领域。
生物学是典型例子：实验周期长、变量多、数据异构，AI 在蛋白质结构、分子设计等方向的介入，改变的是研究节奏而非单点效率。基础设施和制造业则相反，它们数据量大、流程标准化程度高，但容错率极低，AI 的价值更多体现在预测性维护、调度优化和异常检测这类"不显眼但省钱"的环节。
Matias 的表述之所以值得留意，是因为它来自一家同时拥有基础模型、云基础设施和大量行业合作的公司。这类角色谈"交叉"，通常意味着资源投放方向的变化，而不只是愿景陈述。
影响与看点
对行业而言，这意味着 AI 竞争的评判标准可能从"模型多强"转向"在具体领域解决了什么"。纯模型层的差异化会继续收窄，而领域知识、数据获取渠道和落地工程能力的重要性上升。
对开发者来说，机会在于交叉地带：既懂某个垂直领域的流程与约束，又能把 AI 能力接进去的人，会比只会调 API 的人更稀缺。工具链、评测方式和交付形态，也会随领域不同而分化。
对普通用户，这类变化不会以"新模型发布"的形式出现，而是体现在药物研发周期、电网调度效率、工厂停机时间这些不直接可见的指标上——它们不性感，但影响更实。
一个独立判断：AI 与垂直领域的结合已不是新话题，真正的分水岭在于能否形成可复用的方法论，而不是一个个孤立的成功案例。EmTech Future 这类场合释放的信号，值得关注后续是否有具体项目和数据跟进。
