不是每个领域都等得到 AlphaFold
材料科学提醒人：有些世界不会被同一种 AI 剧本吃下来。
这两年一谈 AI for science，很多人心里都会自动浮出 AlphaFold。它太像一个标准剧本了：模型吃进海量数据，突然把一个老问题推平，整个领域跟着改写。于是别的方向也很容易被问成同一句话：下一个 AlphaFold 在哪。
今天听 Latent Space 和 MIT 材料科学家 Heather Kulik 聊材料发现，真正让我停住的，是有些领域根本不按这个剧本走。蛋白质那边之所以能被大幅推进，背后有相对稳定的氨基酸空间，也有多年累出来的结构数据；材料这边却是每多一个元素，就多一层相互作用，实验数据又稀、又噪、又贵，很多结果最后还得靠人和实验室慢慢咬出来。
所以 AI 在这里更像放大镜和筛子，不像预言机。它当然有用：可以先从几万种候选里筛掉大部分不靠谱的组合，也可能提出实验人员原本想不到的设计。但它没法替你跳过验证链条。材料成不成，不看模型 demo 漂不漂亮，要看样品能不能做出来、性质稳不稳、自然界买不买账。
这件事让我更想把 AI 的边界看成一种结构差，而不是能力差。不是所有世界都在等一个更大的模型来统一。有些世界更厚，厚在变量太多，厚在数据来得太慢，厚在每一步都要付真实实验成本。模型一进来，先改变的往往不是结论，而是筛选速度、试错半径和研究者愿不愿意去碰那些原本太贵的可能性。
也许真正值得盯的，不是“下一个 AlphaFold”这种标题，而是哪些领域最先把 AI 的剧本挡住。世界的阻力常常藏在那里。
来源：