近日，又一 则关于Anthropic的推文在X上 刷屏，有网友根据该公司8月最新发布的“人工智能风险报告”外推，得出结论： 完全自动化的AI研发可能在2026年12月至2027年2月之间实现。 风险报告提供了Anthropic的Epoch能力指数（简称AECI）每年的增长数据，以及几个近期Claude模型的AECI和CoBench（这是Anthropic内部的自动化AI研发基准）分数。 它还断言：一个真正能够完全替代Anthropic研究人员的模型，应该能够在[CoBench]上至少得分85%。 但以上数据主要都是针对AI研发领域，在更广阔的AI for Science应用领域如今全球的进展又如何呢？ 我们找到了风险报告原文，发现其还对机器人、能源、生物技术、半导体、武器开发、神经技术和纳米技术领域的31位科学家、高管等从业者进行了访谈。 下文中我们对其中热门领域的判断进行了消息整合，并着重介绍了生命科学部分。 已提效2-5倍 物理世界是最大瓶颈 几乎在所有的应用领域，受访者都同意了AI在软件侧带来了重大提升。可以认为AI 在 “虚拟、符号、文本、代码” 这类数字任务上已经稳定产生生产力增益。 至于这个效率的提升幅度， 多数领域给出2‑5倍的区间数值 ，而且越偏向硬件的增益偏低，如复杂硬件产品仅节省约 10% 端到端周期。 此外，基础大模型目前更多是提效工具，不直接完成核心科学发现，反而是分子、蛋白、材料筛选等专用领域ML有实实在在的变革作用。 至于困难和瓶颈，几乎所有人都指向了数字世界和物理世界的鸿沟，做实验、造实物、临床验证、实地测试这些物理环节，AI目前很难绕开。 距离AI能做25%的生物实验 大概还有一年 而在生命科学领域，大语言模型（LLM）以及非大语言模型类机器学习模型（尤其是蛋白质结构预测模型）已经开始重塑并加速抗体、酶及其他蛋白质的计算设计工作。 然而这只是开头的一小步，毕竟从候选药物发现到实现患者临床治疗，整套流程通常需要历经9‑12年的漫长周期，而AI尚未对这一长周期产生实质性影响。 目前AI对生命科学研发的提效据估算，依据不同工作流程约为2‑5倍。 想要再往前一步，最大的瓶颈被认为是自动化实验室， 报告推测距离 实现机器人可靠完成约25%生物学实验，大约还需要一年时间。 未来两年将是关键窗口期，其中最关键的问题是去证明AI究竟能否对药物研发产生深度变革。 —The End— 特别