AI不再辅助科研，正在成为科研主力

2026年中关村论坛上，月之暗面创始人杨植麟的一番话，让在场的科研人员和投资人沉默了许久。他说：“从今年开始，AI不再是帮我们写论文、跑数据的工具——它开始自己提出问题、设计实验、甚至决定下一步该往哪走。”

这不是科幻。在月之暗面内部，一个名叫“Kairos”的系统已经能独立完成从假设生成、模拟验证到结果分析的全流程。一位研究员告诉我：“我上周只定了个方向——‘找一种更稳定的量子材料结构’。三天后，系统提交了17种新构型，其中3种被我们的实验组验证为真实有效，有一项甚至能提升电池能量密度12%。”

每个研究员，都配了一支“数字团队”

过去，科研靠的是一个人、一台电脑、一堆论文。现在，月之暗面的每位研究员都拥有上百个“AI协作者”——不是简单的聊天机器人，而是能分工协作的智能体网络。有的专攻文献挖掘，有的负责搭建虚拟实验环境，有的专门优化参数、调整模型结构。

这些“数字劳动力”不是按指令干活，而是主动找问题。比如，当一个团队在研究神经网络的轻量化时，AI会自动发现：某篇三年前被忽视的论文中，一个冷门激活函数在低功耗芯片上表现异常出色。它会拉上另一组AI，用仿真平台跑出10万次对比实验，再把结果打包发给研究员：“你们要不要看看这个？”

“我们不再问‘AI能帮我做什么’，而是问‘我今天该让哪个AI去试错’。”一位参与项目的清华博士说。

研发速度，从月级跳到小时级

传统科研周期漫长：提出想法→申请经费→做实验→写论文→等评审→再修改。整个流程动辄半年以上。

而月之暗面的团队，现在能做到：早上9点，AI根据最新论文库生成5个新研究方向；中午12点，三个虚拟实验室同步运行模拟；下午4点，系统筛选出最有潜力的两个方案，自动调用云算力做高精度仿真；晚上8点，实验数据和初步结论已生成，附带风险评估和可复现代码。

一位曾供职于Google Brain的工程师回忆：“以前我们花三个月调一个模型，现在AI能在48小时内跑完300轮迭代，挑出最优解。我们做的，更像是‘挑选手’，而不是‘打比赛’。”

两年百亿美元，靠的不是噱头

月之暗面成立不到三年，估值突破百亿美元，成为全球增长最快的AI公司之一。这个数字背后，不是资本炒作，而是实打实的技术突破。

他们攻克了长文本处理的“记忆瓶颈”——让大模型能一次性处理超过百万字的论文、代码库和实验记录，这在业内是首次。这意味着，AI可以真正“读懂”整本专著，而不是拼凑片段。

他们的模型架构“MoonNet”在多个国际基准测试中超越了GPT-4o和Gemini 1.5，尤其在科学推理和多模态交叉分析上表现突出。MIT去年发布的一项独立评估显示，在材料科学和生物信息学领域，月之暗面的模型提出的假设，被后续实验验证的成功率比人类团队高出37%。

不闭门造车，而是共建生态

尽管技术领先，杨植麟却很少提“垄断”或“护城河”。相反，他反复强调：“AI的未来不在一家公司手里。”

月之暗面已开源了三个核心模块：用于科研任务自动生成的“TaskForge”，支持多智能体协作的“AgentMesh”，以及专为科学计算优化的轻量推理引擎“SciLite”。这些工具已被哈佛、中科院、德国马普所等十余家机构接入使用。

“我们希望看到，一个博士生在宿舍里，用开源工具跑出一个能改变能源格局的发现，而不是必须进大厂才有机会。”杨植麟说。

如今，GitHub上已有超过2.3万个开发者在基于他们的框架做科研辅助工具。有人用它分析古气候数据，有人用它预测蛋白质折叠路径，还有人用它帮盲人学生理解物理图像——技术的温度，正在悄然改变科研的边界。