标签：AI for Science
共 5 篇相关访谈。
AI正逐步替代人类在智能生产中的每个角色
本文梳理了自2022年以来，AI如何逐步替代人类在智能生产流程中的角色。从奖励信号、训练数据、教师、课程设计、研究员、环境、人类实验对象到物理世界，模型正在以“稍差但成本低百倍、速度快万倍”的方式模拟一切。文章指出，这一进程的关键推动力并非生成能力的提升，而是验证机制的进步。
前DeepMind科学家曹原：AI for Science爆发，人类角色何在
前DeepMind科学家曹原在《硅谷101》访谈中深度剖析了AI for Science爆发的技术背景、核心挑战与未来前景。他认为，AI正从代码、数学能力外溢到更广泛的科学发现领域，但形成“模型到实验”的闭环、确保可解释性与验证能力仍是关键瓶颈。人类在问题定义与价值判断上的角色不可或缺，AI科学发现距离诺贝尔级成果可能还需二三十年，其本质是推动AI本身能力跃迁的强大驱动力。
AI投资十字路口：创业热浪下的五大方向
Koji结合一线观察，剖析了2026年AI创业浪潮中的泡沫与机遇。他指出创业者应避开模型巨头，关注“探月”式的AI for Science和“下沉”的企业级AI部署（FDE角色）。他分享了五大投资关注方向：Agent生态、Physical AI、视频模型、软件价值重构与语音交互，并强调了从真实需求出发、享受过程复利的重要性。
田渊栋：RSI要用递归自我改进实现AI科研自动化
前Meta FAIR研究总监田渊栋在离职半年后，官宣联合创立AI研究公司RSI（Recursive Super Intelligence）。公司获得6.5亿美元融资、46.5亿美元估值。他阐述了RSI通过递归自我改进（recursive self-improvement）实现AI自动化科研的核心愿景，认为小团队在AI时代比大厂更具敏捷性优势。同时，他分享了对当前大模型竞争格局、Scaling Law瓶颈、可解释性重要性以及AI对就业影响的深刻见解。
陆子恒：用AI挖出改变人类命运的新材料
开物纪创始人陆子恒分享了其公司如何利用AI模型，特别是基于Diffusion的生成模型，来发现具有颠覆性商业价值的新材料原始IP。他阐述了从模型筛选、实验验证到公斤级量产的全流程，强调了在发现颠覆性IP阶段AI的关键作用，并指出团队需融合AI与材料科学硬核人才，共同打造从头到尾的材料研发管线，目标是成为材料领域的“Flagship Pioneering”。