在2026年5月22日的Google I/O大会上，DeepMind CEO Demis Hassabis抛出了一个极具冲击力的观点：我们正站在“奇点”的山麓。奇点——这个理论中AI超越人类智慧、彻底改变世界的时刻——似乎不再遥远。但这句宣言背后，是Google DeepMind在AI驱动科学领域的一系列实质性突破，而非单纯的宏大叙事。
AlphaFold的进化：从蛋白质到生物机制
Hassabis在演讲中重点展示了AlphaFold的最新版本。自2021年解决蛋白质结构预测问题以来，AlphaFold已经从一个纯粹的预测工具演变为能够模拟蛋白质动态互动的平台。新版本AlphaFold 4不仅能在几分钟内预测任意蛋白质复合体的三维结构，还能模拟分子在细胞环境中的运动轨迹。这意味着研究人员可以实时观察药物分子与靶点结合的过程，从而大幅加速药物筛选。
“我们正在从静态结构走向动态机制，”Hassabis说，“这是理解生命过程的关键一步。”
这一升级背后是Google在计算基础设施上的巨大投入。TPU v6芯片的分布式训练能力使模型能够处理前所未有的数据规模，包括来自全球合作伙伴的数亿张冷冻电镜图像。
材料科学的“数字孪生”时代
除了生物领域，Google I/O还展示了AI在材料科学中的应用。DeepMind与Google Research联合推出了“Materials Discovery 2.0”——一个基于生成式AI的虚拟实验室。研究人员只需输入目标性能（如超导温度、耐腐蚀性），系统就能自动生成数千种候选晶体结构，并利用量子化学计算快速筛选。大会演示了一个案例：只需72小时，AI就找到了两种具有室温超导潜力的新材料，而传统方法需要几年。
编者按： 值得注意的是，这些预测仍需要实验验证，但AI正在将科学研究从“试错”模式转变为“设计”模式。这种转变意味着科学家将更多时间投入到假设定义和实验设计，而将重复性的计算工作交给AI。不过，这也引发了对科研可重复性和人类直觉边缘化的担忧。
AI科学家的“黑箱”挑战
尽管进展令人兴奋，Hassabis也承认AI在科学应用中仍面临根本性挑战。当前模型缺乏对因果关系的理解——它们可以预测“如果A则B”，但无法解释为什么。在药物研发中，这种黑箱特性可能带来安全隐患：当AI推荐的药物分子在临床试验中出现意外毒性时，我们如何追溯原因？
Google DeepMind正在尝试通过集成可解释性模块来解决这个问题，包括使用注意力机制可视化关键分子特征，以及生成自然语言推理链。但距离真正可信的AI科学助手还有相当距离。
开放还是封闭：科学数据的新博弈
另一个值得关注的议题是数据开放。Google承诺将在学术合作框架内公开部分模型权重和基准数据，但同时保留了核心技术细节作为商业机密。这与当年AlphaFold完全开源的模式形成对比。在AI驱动科学的竞赛中，科技巨头正在平衡公共科学使命与商业利益。
现场有研究者提问：如果关键工具被少数公司控制，是否会加剧科学不平等？Google回应称正与多所大学建立共享计算资源计划，但具体细节未公布。
奇点的“山麓”意味着什么？
回到Hassabis的奇点宣言。在AI科学领域，“山麓”或许并非指AI全面超越人类智慧，而是指AI开始系统性地加速科学突破的临界点。从蛋白质动力学到新材料，从量子化学到气候建模，AI正在以前所未有的速度拓展人类认知边界。但真正的挑战在于：我们能否在拥抱这种力量的同时，保持对科学过程的掌控力？
正如一位与会者评论：“奇点不是终点，而是新起点的前夜。”Google I/O 2026向我们展示了一个AI深度嵌入科学实践的图景，但通往那个未来的路上，仍需要跨越可解释性、公平性和伦理性的重重山丘。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接