摘要
物理、化学与生命系统研究正在共同进入一个新的复杂性阶段。其核心瓶颈已不只是算力不足、数据稀缺或模型精度有限，而是研究对象本身具有极高维度、强耦合、跨尺度、非平衡、路径依赖和多目标约束等特征，使传统依赖穷举搜索、局部经验、单一结构—性质映射或理想化解析模型的研究方式难以支撑真正的原创发现。本文提出，AI for Science 在物理、化学与生物学中的关键价值，不应被简单理解为“加速预测”或“揭示规律”，而应被重新定义为：在不可遍历的复杂状态空间中，构造少量可压缩、可干预、可验证、可迁移的有效状态变量，并将其组织为面向功能实现、路径选择、失效规避和实验反馈的科学智能体系。
这一转向意味着，未来科学智能的核心对象不是孤立数据、单一性质或候选结构，而是“状态—路径—功能—约束—验证”之间的可计算关系。对于超导、电池、催化、材料、蛋白质、细胞组织和复杂生命体系而言，真正重要的问题往往不是已有规律是否能够被更准确地拟合，而是如何在巨大相空间中识别少数具有机制意义和干预价值的坐标，如何找到从可能结构走向可实现功能的可达路径，如何把失败实验、退化过程、非平衡演化和制造约束纳入模型自身。由此，AI for Science 的前沿应从性质预测走向可干预状态空间导航，从静态结构表征走向路径—功能耦合建模，从候选生成走向实验闭环驱动，从“发现规律”走向“构造可验证的科学行动能力”。
一、问题的重新定义：复杂系统研究的瓶颈不是未知规律，而是不可遍历
物理、化学与生命科学的许多核心对象表面上差异巨大：超导体涉及电子关联与晶格耦合，电池涉及离子迁移、界面反应与材料退化，催化体系涉及反应路径与过渡态选择，蛋白质涉及序列、结构、构象与功能，细胞组织涉及局域力学、拓扑重排和群体行为。然而，它们在更深层次上共享同一个困难：系统的可能状态空间极其巨大，且绝大多数状态既不可观测、不可制备，也不具备科学或工程价值。
因此，问题的本质不是“把空间探索得更广”，而是“如何避免无意义探索”。在超导和电池等体系中，简单地说“揭示规律”过于笼统，因为真正决定突破的往往不是某条宏观经验规律，而是少数可实现材料相、可稳定界面、可逆输运通道、可控缺陷构型和可避免退化路径之间的耦合关系。科学发现的难点不在于缺少候选，而在于候选空间巨大且高度稀疏；不在于缺少数据，而在于数据覆盖的只是巨大相空间中的极小切片；不在于缺少模型，而在于模型难以判断哪些状态具有可达性、稳定性、可制造性和可验证性。
由此，AI for Science 的中心任务需要重新定义。它不是把已有实验数据拟合得更好，也不是在更大的组合空间中随机生成更多候选，而是要建立一种“有限探索中的高价值导航能力”：在极少实验、有限模拟和不完整观测条件下，判断哪些自由度值得保留，哪些路径值得推进，哪些失败具有信息价值，哪些状态即使理论上可能也没有现实意义。
二、物理、化学和生物的共同内核：有效状态变量、可达路径与功能约束
物理、化学和生物学的共性不应简单归结为“都有规律”或“都可以用 AI 建模”，而应归结为三类更基础的问题。
第一，复杂系统必须被压缩到少数有效状态变量上。真实体系中的微观自由度数目巨大，完整相空间几乎不可能遍历。材料中的局域结构、缺陷、界面、电荷分布和应力场，化学体系中的反应坐标、溶剂环境、过渡态和中间体，生命体系中的序列、构象、修饰、互作网络和细胞状态，都不是可以简单枚举的变量集合。AI 的价值在于帮助识别哪些变量真正支配功能、稳定性和可干预性，而不是把全部变量无差别地输入黑箱模型。
第二，复杂系统的关键不只是状态本身，而是状态之间的可达路径。许多理论上优良的材料、分子或蛋白质并不一定能够被合成、稳定存在或在真实环境中发挥功能。电池材料的性能取决于充放电历史、界面演化和退化路径；催化性能取决于反应通道、过渡态稳定化和副反应抑制；蛋白质功能取决于构象转换、结合路径和细胞环境；细胞组织形态取决于局域力学扰动如何沿时间演化为整体结构。因此，AI 不应只预测“某个结构有什么性质”，而应建模“一个系统如何从初始状态沿某条路径走向功能、失效或可控状态”。
第三，复杂系统设计必须同时满足多重约束。超导材料不能只追求高临界温度，还要考虑稳定性、合成条件、缺陷敏感性和可表征性；电池材料不能只追求容量，还要兼顾倍率、寿命、安全性、界面稳定性和规模制造；蛋白质设计不能只追求结合亲和力，还要兼顾特异性、可表达性、稳定性、免疫原性和功能调控。单目标优化在这些体系中往往会制造“伪最优解”。真正的科学智能必须能够处理目标之间的张力，而不是把复杂科学问题压缩成单一评分函数。
三、从性质预测到状态空间导航
过去十年，AI 在科学中的许多成功案例集中于预测任务。AlphaFold 系列推动了生物分子结构预测，AlphaFold 3 进一步扩展到蛋白质、核酸、小分子、离子和修饰残基等复合体系的联合结构预测；GNoME 展示了大规模图网络在无机材料稳定结构发现中的潜力；RFdiffusion 则把结构预测能力推进到蛋白质从头设计。
这些进展重要，但它们也提示一个更深层的问题：预测成功并不自动等于科学发现。对于复杂系统，真正困难的是从“可能存在”走向“可制备、可调控、可验证、可迭代”。因此，下一阶段 AI for Science 的核心不应只是扩大预测模型，而应建立状态空间导航模型。所谓状态空间导航，不是穷举所有可能状态，而是在物理约束、化学可达性、生物功能约束和实验反馈共同限定的空间中，寻找具有高信息增益和高实现价值的路径。
这一区别对于超导和电池尤为重要。超导研究的难题并不只是寻找某种材料成分与临界温度之间的映射，而是理解电子关联、晶格扰动、掺杂、压力、缺陷和相竞争如何共同形成可稳定的超导态。电池研究的难题也不只是预测电极材料性质，而是理解离子迁移、界面副反应、结构相变、枝晶形成和循环退化如何在真实工作条件下耦合。AI 若只做静态性质预测，很难触及这些问题的核心；它必须进入路径、历史、扰动和失效机制之中。
四、从“学习势函数”到“学习可干预粗粒化”
势函数、哈密顿量、神经算子和响应函数是重要工具，但它们不应成为统摄物理、化学与生物的唯一主线。对于某些材料和分子体系，机器学习势函数确实能够提高原子尺度模拟效率，E(3) 等变图神经网络也显示了在原子间势能学习中的数据效率优势；物理信息机器学习和神经算子则说明，守恒律、边界条件和函数空间映射可以嵌入学习过程。
但在更广泛的物理—化学—生物系统中，仅强调势函数或算子学习会显得过窄。生命系统的功能不可能完全化约为势能面，电池和催化过程也不仅由局域势能决定，细胞组织和复杂生物网络更涉及非平衡调控、反馈、适应和层级组织。因此，更有统摄力的概念不是“学习势函数”，而是“学习可干预粗粒化”。
所谓可干预粗粒化，是指 AI 从高维微观状态中提取少数具有干预意义的中尺度变量：它们既不是任意降维后的数学坐标，也不是传统经验参数，而是能够连接微观机制、宏观功能和实验操作的有效变量。例如，在电池中，它可能是界面相组成、离子通道连通性、局部应力与副反应倾向的组合；在催化中，它可能是活性位构型、电子态、吸附中间体和反应通道选择性的组合；在蛋白质中，它可能是构象动力学、活性中心几何、溶剂暴露和功能位点协同的组合；在细胞组织中，它可能是拓扑缺陷、局域应力、细胞极性和形态重排之间的组合。
这一概念比“流形提取”更适合物理化学生物问题。流形强调从高维数据中发现低维结构，但复杂物质和生命系统的问题不仅是低维嵌入，更是可干预、可验证和可实现。有效变量必须能够指导实验，而不只是解释数据分布；必须能够描述路径，而不只是表示状态；必须能够承受分布外扰动，而不只是压缩已有样本。
五、从候选生成到策略性失败学习
生成式 AI 正在改变材料、分子和蛋白质设计。问题在于，生成大量候选并不等于提高发现效率。复杂科学空间中的绝大多数候选都可能因为不可合成、不稳定、不可验证、不可放大或功能不一致而失去价值。若生成模型只是扩大候选数量，它可能只是把科学家从“小规模试错”推向“大规模无效试错”。
因此，生成式科学智能的核心不应是“生成更多可能对象”，而是“生成更有信息价值的下一步实验”。这意味着 AI 必须学习失败。失败不应只是被丢弃的数据，而应被转化为关于边界条件、约束冲突、路径不可达性和模型盲区的信息。对于电池，失败循环揭示退化机制；对于催化，低选择性实验揭示竞争通道；对于蛋白质设计，表达失败或功能缺失揭示结构稳定性与细胞环境之间的矛盾；对于材料合成，未形成目标相本身就包含相稳定性和动力学阻碍的信息。
这要求 AI for Science 从“成功样本学习”走向“策略性失败学习”。未来的科学智能系统不应只问“哪个候选最可能成功”，还应问“哪个实验即使失败也最能缩小不确定性”。这一点正是自动化实验和自驱动实验室的深层意义。Coscientist 展示了大型语言模型结合工具调用与实验执行的潜力，自驱动实验室则强调自动实验流程、自主实验规划与反馈优化的结合；但真正的科学价值不在自动化本身，而在于每轮实验都能更新模型对状态空间边界的认识。
六、非平衡因果：物理化学生物共同的硬问题
目前许多 AI 科学模型仍主要处理静态结构和准平衡性质。然而，物理、化学和生命系统中真正关键的功能往往发生在非平衡过程中：超导相的形成与竞争，电池充放电中的离子迁移和界面演化，催化反应中的过渡态选择，蛋白质构象变化中的功能激活，细胞组织中的形态重塑和力学反馈。静态结构—性质映射无法充分描述这些过程。
因此，AI for Science 必须从相关性学习走向非平衡因果建模。相关性模型可以告诉我们哪些变量共同变化，但科学干预需要知道：哪个变量触发变化，哪个扰动可以改变路径，哪个反馈会导致失效，哪个条件会使系统进入新的稳定态。尤其是在电池、催化和生命系统中，系统行为高度依赖历史和路径；同一材料或分子在不同制备条件、外场扰动和环境背景下可能表现出完全不同的功能。
非平衡因果智能应具备三类能力：从多模态时间序列中识别隐变量，从扰动—响应数据中建立可干预模型，从实验反馈中更新对路径可达性的判断。它不是传统因果图在科学数据上的简单移植，而是需要与非平衡统计物理、反应动力学、连续介质模型、分子模拟和实验设计深度结合。只有具备这种能力，AI 才可能从“预测一个结果”走向“改变一个过程”。
七、未来研究议程：面向可干预复杂系统的科学智能
第一，发展有效状态变量学习。未来 AI for Science 应从高维数据中提取具有机制意义、干预意义和实验意义的中尺度变量，而不是追求无差别的大模型表征。
第二，发展路径—功能耦合建模。模型应描述系统如何从初始状态走向功能态、失效态或可控态，尤其要处理制备路径、反应路径、构象路径、退化路径和演化历史。
第三，发展多目标约束下的科学设计。复杂科学对象必须同时满足性能、稳定性、可达性、安全性、可制造性和可验证性。未来模型应能处理约束冲突，而不是只优化单一指标。
第四，发展策略性失败学习。失败实验、异常样本和退化过程应被视为科学信息，而不是噪声。AI 应帮助设计最能减少不确定性的下一步实验。
第五，建设实验—模拟—AI 闭环体系。闭环的目标不是自动化执行，而是让理论假设、计算模拟、实验干预、原位表征和模型更新形成持续演化的科学系统。
第六，重塑交叉团队组织。真正的交叉不是物理学家提出问题、AI 学者提供算法、化学家或生物学家完成验证的线性分工，而是在团队内部形成问题意识、机制理解、算法能力和实验验证能力的高密度耦合。
结语
物理、化学与生命科学正在共同面对一种新的复杂性：系统太高维，路径太多，状态太稀疏，约束太强，实验太昂贵，失败太常见。面对这样的对象，科学研究不能再依赖穷举式探索，也不能满足于泛泛地“揭示规律”。未来真正有引领性的 AI for Science，应成为复杂状态空间中的科学导航系统：它能够压缩有效变量、识别可达路径、处理多目标约束、吸收失败反馈、生成可执行实验，并在持续闭环中更新对复杂系统的理解。
因此，AI 在物理、化学和生物学中的深层价值，不是替代科学家发现规律，而是帮助科学家把不可遍历的自然空间转化为可干预的科学空间；不是让模型更大，而是让模型更懂哪些状态值得探索、哪些路径能够实现、哪些失败最有信息、哪些变量真正可控。只有当 AI 从预测工具转变为可干预复杂系统的状态空间导航能力，它才可能真正推动物理、化学和生命科学进入新的发现范式。