从通用大模型到科研专业智能体：AI4S 的下半场
屏幕上摊着一段回答，条理清楚、用词准确，读起来像一位耐心的资深同行。您刚问了一个很具体的问题——手上这个突变位点，落在您研究的通路里可能意味着什么。它答得漂亮。可您一想追问「这一句的依据是哪篇文献」「用我这份数据能不能复现您说的结论」，它就给不出来了。您盯着那段话：每个字都通顺，却没有一个字是您能核、能引、能接到自己数据上的。
这个落差，恰好是看清 AI for Science（即 AI4S）当下位置的入口。过去几年是上半场：通用大模型用一种近乎粗暴的方式，证明了它「能理解、能生成」。下半场要回答的是另一个问题——它能不能真的嵌进科研工作，做到有据可查、可被复现、碰得到您手上的数据。这篇想谈的，就是这场从「通用能力」到「专业可用」的转向，以及它对您意味着什么。
上半场：先把「能不能」问清楚
上半场的功劳不该被轻看。在此之前，很多人对 AI 的想象还停在「高级一点的搜索」；通用大模型出来后，一个基本事实被立住了——它读得懂一段复杂的方法描述，能把满屏行话翻成人话，能顺着您的思路把提纲理清，也能写出一段大致能跑的代码。这些本事不挑领域，通用得很，也正因为通用，它把「AI 到底能不能理解和生成」这个问题干脆地回答掉了。
但上半场证明的是潜力，不是可用。通用模型像一个博览群书、口才极好、却对您的课题一无所知的人：它读过海量文本，唯独没读过您那份还没发表的数据，没跟过您实验室的流程，也不为您的任何一个结论负责。潜力要变成生产力，中间还差一整段路。这段路，就是下半场。
通用聊天框为什么在科研里不够用
把通用聊天框直接当科研工具使，会撞上三堵墙——而且这三堵墙，不是「模型再大一点」就能推倒的。
第一，它会幻觉，而且编造时和说对时，语气一模一样。 大模型的底子是预测「下一个词接什么最像样」，不是判断「什么是事实」。所以您让它举一篇支持某结论的文献，它可能回您一条格式完美、却根本不存在的引用；您要一个精确数字，它也能面不改色地补上一个。真正的麻烦不在于它偶尔出错，而在于它错得毫不犹豫。
第二，它不给出处，于是您只剩下信或不信两个选项。 一段没有来源的回答，哪怕字字属实，对科研人也只是半成品——您没法顺着它去核，没法引，没法拿去向审稿人交代。科研的可信度建在「可回溯」上，而一个凭记忆答题的聊天框，天生缺这一环。
第三，它碰不到您的数据。 您真正的问题，往往长在您自己的数据里：这批样本该用哪种检验，这张表里的离群点是技术噪声还是真实信号。通用模型只能对着您打进去的那几行字空谈，它跑不了您的矩阵，接不上您的分析环境，也调不动一件真实的工具。它给的是「听起来对的建议」，不是「在您数据上算过的结果」。
下半场的赛点：领域数据与可验证的工作流
三堵墙看明白了，下半场比什么也就清楚了——不比谁的参数更大、谁的口才更好，比谁能把 AI 真正接进科研的现实约束里。两个赛点尤其吃紧。
一个是领域数据。通用语料教会了模型说人话，却教不会它您这一行的门道——哪个数据库权威，哪套流程是社区共识，某个术语搁在您的语境里到底指什么。这些知识密密地沉在专业文献、规范和真实的分析经验里；谁能把它们整理成模型可检索、可追溯的形式，谁就在下半场占了先手。AlphaFold 把蛋白结构预测送进了日常研究，靠的正是把一个领域的问题吃透，而不是通用能力顺手的外溢。到今天，它仍是「专业化胜过通用化」最清楚的一个例子。
另一个是可验证的工作流。科研容不下「差不多对」：一个结论要么可复现，要么不算数。这意味着 AI 的产出不能停在一段文字上，而要落成一件您能复跑、能核对的东西——比如一段真实运行过、报错就是报错的代码。当输出必须经真实工具检验，幻觉的余地就被大幅压掉了：数据对不上就是对不上，代码跑不通就是跑不通，漂亮措辞蒙混不过去。 从「说得好」到「算得对、还能复现」，是下半场最实的一道分水岭。
一个专业科研 AI 该长什么样
把上面的判断落到地上，一个真正堪用的科研 AI，该在四件事上和通用聊天框拉开距离。
回答带出处。 它不凭记忆硬答，而是先去一个可信的资料库里检索，照着找到的原文来回答，并告诉您这句话出自哪。您拿到的不再是「信还是不信」的二选一，而是一条能顺藤摸瓜去核的线索。
结果可复现。 一旦涉及分析，它交付的不只是结论，还有得出结论的全过程：数据怎么读的、方法为什么这么挑、代码是哪一段。错了，您一眼看得见；对了，您能原样复跑。
能调真实工具。 它不满足于隔着对话框空谈，而是会拆解步骤、真的去跑代码、读结果、发现不对再改，把任务做到落地。以面向组学分析的智能体为例，它的价值不在「更聪明」，而在把一套标准流程打包成您能接管、能审阅的产物——这也是像百沐一下这样的平台正在摸索的方向之一。
懂领域语境。 它清楚您这行的常识和陷阱：知道 TPM 不能当 counts 用，知道某个检验背后的前提假设，不会把相关顺口说成因果。这份「懂行」，来自领域数据的沉淀，而不是一个更大的通用模型。
诚实说，这四条没有一条已经彻底解决。带了出处，也可能检索到不相干的段落；能跑代码，不保证方法就选对了；领域知识永远有它的边界。专业化压缩了风险，却没有、也不该取代您作为研究者的判断——遇上敏感数据，处理方式该往数据可控的部署走，这一关同样得您自己把。下半场让 AI 更靠得住，不等于让您可以更放心地松手。
下半场不是更大的模型，是更靠得住的系统
绕回开头那段没有出处、碰不到您数据的回答。它不是上半场的失败，恰恰是上半场的成果——通用大模型已经证明，能力的天花板足够高。可天花板高，不代表地基牢。下半场要补的正是地基：让每一句话有据可查，让每一个结论可被复现，让 AI 真正接进您手上的数据和流程。
所以，判断一个科研 AI 值不值得托付，别看它话讲得多漂亮，看它敢不敢告诉您答案从哪来、肯不肯给您复核的机会。上半场比的是「能不能」，下半场比的是「靠不靠得住」。这场转向里，立得住的不会是参数最大的模型，而是最像一位靠谱同行的那一个——又快又杂的查找和起草，它替您扛了；判断对错的最后一下，它稳稳还给您。