比起讓大模型寫 100 萬字的小說，AI 大牛們更想用 AI 拿諾貝爾獎

OpenAI前CPO創業獲7.5億美元融資——硅谷最聰明的一批大腦，正集體撤離“文字遊戲”。作者丨周蕾 編輯丨岑峰 產品沒有公開，公司連名字都還沒起，只有3位知情人士對外放風，但估值已經喊到了7.5億美元，計劃募資1.5億美元——這就是前OpenAI首席產品官Kevin Weil的新公司，定位是“為AI模型收集科學數據”的平臺。這位曾經在Meta和Twitter都做過產品高管的硅谷老兵，今年早些時候離開OpenAI，如今正在為手頭上的創業項目奔走。

算上前不久官宣創辦Discovery Loop的Jeff Dean，AI4S（AI for Science）賽道似乎已經是硅谷離職AI高管的熱門去向。換一個角度說，這群AI大牛的所想所做，釋放了一個最新信號：AI4S賽道正在從概念敘事進入基礎設施建設階段。當大模型已經能寫100萬字小說、生成電影級視頻，硅谷最聰明的一批人卻在想另一件事：怎麼讓AI真正“懂”科學？01Prism的邊界，與大廠的結構性瓶頸Weil的創業思路其實早有端倪，今年年初OpenAI推出Prism的時候，Weil曾經公開表態：“2026將是AI與科學的一年，就像2025是AI與軟件工程的一年。

”Prism是Weil在OpenAI的最後一個重要作品。官方給它的定位很明確：“將前沿大模型嵌入科學家工作流”的工作空間，它的推出也被視為OpenAI的“AI for Science”戰略第一次真正產品化。Prism面世後，不少使用者將其與Overleaf、LaTeX、Codex比較，分享了不少排版協作、引用格式管理、LaTeX編譯速度等“學術寫作效率”層面的使用體驗。這在一定程度上說明，Prism是能解決的是“科學表達”的效率問題的，例如寫論文、排版、管引用，充分體現了它作為科研工作流工具的價值。

不過，在“科學發現”的能力問題上，像是實驗設計、假設驗證、數據洞察這些環節，Prism的存在感並沒有那麼強烈。Prism為什麼停在“科學表達”這一層？答案可能不在產品，而在組織。半個月前，Jeff Dean參加了由YC管理合夥人Diana Hu主持的《Startup School 2026》對談覆盤 Jeff Dean 的謝幕路演：他其實早已公開了Discovery Loop 的創業計劃書，分享了一個關鍵判斷：在材料科學、芯片設計或生物計算等硬核科學領域，大廠的通用大模型往往束手無策。

而AlphaFold的成功不在於算力堆疊，而在於那是“一個只有極少數核心研究員的小組，對特定領域有極度痴迷和頂級技能”。這個判斷的含金量顯而易見，它來自大廠AI體系最高層的內部視角。通用大模型的資源和注意力永遠向主航道傾斜，沒有精力深耕特定垂直領域；組織越大，冗餘越成為阻礙。這場對談後不久，Jeff Dean宣佈正式結束27年穀歌生涯，與Sanjay Ghemawat、Oriol Vinyals、Quoc Le共同創立Discovery Loop。這家公司的目標正如其名，希望讓AI自動化科學研究全過程。

Jeff Dean在對談上的分享，不僅解釋了Discovery Loop的誕生，也間接描繪出了Prism可能存在的天花板——OpenAI的資源集中在通用大模型的迭代上，科學數據的供給體系、科學發現的能力體系，在OpenAI的藍圖裡，或許很難排到第一優先級。Weil的出走，也一定程度上說明，AI4S需要獨立基礎設施。大廠的組織冗餘、戰略聚焦和合規約束，決定了它們很難在“為AI收集科學數據”這種又髒又慢的基建工作上投入重兵。02AI4S賽道，正在分成三層Weil新公司的定位，與Prism形成了意味深長的對照。Prism的邏輯是：AI是工具，科學家是用戶，AI服務科學家。

而新公司的定位是“為AI模型收集科學數據”，也就是科學家成為數據源，AI成為“消費者”。這家新公司暫時沒有更多細節披露，不過從其定位與Prism的差異來看，Weil或許是在Prism的實踐中，摸到了AI4S的上游瓶頸：科學家手裡有數據，而且數據的質和量都遠超互聯網文本，但這些數據散落在實驗室的筆記本、Excel表格和私有數據庫裡，格式混亂、互不流通，根本無法被模型訓練所用。工具層做得再好，也繞不開這個問題。從工具層跳到數據層，是一個產品人向產業鏈上游的野心升級：不再滿足於幫科學家把論文寫得更快，而是要做AI時代科學數據的供給方。

我們把視野拉高，把Weil放進更大的圖景裡，會發現AI4S賽道正在從“概念熱詞”進入“產業鏈分層”的階段。數據層、模型層、應用層三個生態位，在過去幾周裡陸續出現了各自的代表玩家。Weil的新公司身處最上游、最隱蔽的位置——數據層。它的核心問題是：科學數據分散在數百萬個實驗室裡，誰來整合？它有可能是路徑最輕的一類玩家：不碰實驗、不訓模型，只做數據的收集和結構化——但網絡效應可能最強，因為誰掌握數據入口，誰就有機會定義下游標準。前文提到的Discovery Loop處在模型層，押注算法突破，用前沿模型並行跑成千上萬個實驗循環，從機器學習研究本身做起。

Jeff Dean在對談上的判斷也引出了這一層面的核心問題：通用大模型真的懂硬核科學領域嗎？應用層的核心問題是：科學家願意讓AI接管實驗嗎？這一層有初創公司Periodic Labs。它由前OpenAI研究員Liam Fedus和前Google DeepMind研究員Ekin Dogus Cubuk創立，做“AI科學家+自動化實驗室”，想讓機器人直接動手做實驗、生成新的訓練數據。投資方名單也可謂是星光熠熠：a16z、Accel、貝索斯和施密特。Periodic Labs的路徑可能也是三類玩家中最重：要建實體實驗室、買設備、僱機器人，把“發現”這個環節攥在自己手裡。

三者互不重疊，甚至互為上下游：Weil的數據可以餵給Discovery Loop的模型，模型再驅動Periodic Labs式的實驗室。037.5億美元估值，成立嗎？回到Weil成立的這家新公司，7.5億美元的估值，首先和賽道整體升溫有關，其次來自於人才方面的溢價：Weil的OpenAI履歷，加上Prism積累的科學家用戶網絡，意味著他可能擁有其他創業者不具備的“實驗室入口”——知道數據在哪，也知道怎麼敲門。還有一部分，來自AI4S數據層的想象空間。AI4S賽道分出的三層來看，數據層是最容易被忽視、但最可能形成長期壁壘的一環。

科學數據不是互聯網文本，它不公開、不標準化、獲取門檻極高，背後是實驗室資質、倫理審查和設備投入，稀缺性帶來了一定溢價。長期來看，數據層很可能成為整個產業鏈的“收費站”：模型會迭代，實驗室會換代，但結構化的科學數據資產只會持續增值。或許這就是為什麼Weil的新公司連名字也尚未公開，卻能有7.5億美元的估值。這家新公司甚至可以打出“科學數據領域的AWS”的標籤：正如AWS當年賣的不是電商，是水電煤；Weil要賣的也不是論文工具，而是所有AI科學公司都繞不開的地基。

但需要指出的是，科學數據與互聯網數據有著本質區別：後者是標準化的、可規模化的、用戶自願上傳的；前者是高度領域特定的、異構的、被知識產權和競爭關係嚴密保護的。生物實驗的數據邏輯與材料計算完全不同，粒子物理的數據格式與氣候模型互不兼容，Weil想做一個跨領域的“科學數據AWS”，可能首先要面對的是一個無法被統一平臺消化的碎片化現實。數據本身也不等於知識。沒有Discovery Loop在模型層的突破，再多的實驗數據也只是未被結構化的原始素材；沒有Periodic Labs在應用層構建的實驗閉環，數據就無法被驗證、被反饋、被迭代。

一個只做數據收集和標註的平臺，就會有淪為“管道工”的風險——科學家為什麼要把數據交給Weil，而不是直接交給Periodic Labs的自動化實驗室、或者用自己的私有數據訓練Discovery Loop式的專用模型？科學數據的整合難度，是否被資本市場低估了？資質談判、倫理審查、標準之爭，每一項都可能以年為單位，實驗室的數據孤島如果真的比想象中更難打通，那麼7.5億也可能成為AI4S賽道第一個被戳破的泡沫。這個問題，現在沒有人能給出答案。今年AI4S賽道火熱，以至於“用AI拿諾貝爾獎”這句話，聽起來已經不再像是一句玩笑話了。

AlphaFold已經證明了這條路不是空談，但從現在到未來的那一天之間，隔著的是大量枯燥、瑣碎、缺乏故事性的工作。硅谷頂級的AI高管們正在形成一股默契的合流：AI4S賽道，正在從“工具敘事”跨入“基建時代”。AI4S的當下戰場，是數據的地基，是模型的突破，也是實驗的閉環。Weil的新公司和Periodic Labs、Discovery Loop，以及更多尚未浮出水面的玩家，將如何定義這個賽道的規則？將繼續跟蹤。