用前沿 AI 做科研：三个可上手的方法

背景

过去几周，OpenAI 和 Google DeepMind 各自发布了多项与科研直接相关的成果：OpenAI 分享了用 Codex 和 ChatGPT 搜索新型抗菌物质的研究（来源），DeepMind 则推出了覆盖全基因组 90 亿个单字母变异的预测图谱 AlphaGenome Atlas（来源），以及号称其最先进、最准确的全球天气 AI 模型 WeatherNext 3（来源）。

这三件事的共同点是：AI 不再只是聊天助手，而是能直接嵌入科研和专业决策流程的工具。本文给出三个可操作的方法。

技巧一：用 Codex/ChatGPT 做科学假设的快速筛选

• 适用场景：生物、化学、材料领域的研究者，需要在海量候选分子或化合物中快速缩小范围，再进入湿实验验证。
• 怎么做：
  1. 把你的筛选目标（如抗菌活性）和已知约束条件写成清晰的自然语言任务描述。
  2. 让 Codex/ChatGPT 基于已有文献知识生成候选分子列表，并要求它给出筛选理由。
  3. 对模型给出的候选做交叉验证——查文献、跑独立数据库，再决定哪些进入实验。OpenAI 的案例正是用 Codex 和 ChatGPT 搜索新型抗菌物质（来源）。
• 注意事项：模型输出是假设而非结论，必须经过实验或文献验证；不要把模型给出的分子结构直接当作已验证事实引用。

技巧二：用 AlphaGenome Atlas 预测基因变异的分子影响

• 适用场景：遗传学、基因组学研究者，或需要评估变异致病性方向的团队。
• 怎么做：
  1. 确定你关注的基因组区域或变异位点。
  2. 在 AlphaGenome Atlas 中查询该单字母变异的预测分子效应——该图谱覆盖了人类基因组中 90 亿个可能的单字母 DNA 变异（来源）。
  3. 将预测结果与你的实验数据或临床注释对照，作为优先级排序的依据，而非最终诊断。
• 注意事项：这是预测性图谱，不是临床诊断工具；对关键变异仍需功能实验确认。传统方式下，逐个变异做功能注释成本极高，这类全基因组预测图谱的价值在于把“不可能逐个验证”变成“可以批量预筛”。

技巧三：用 WeatherNext 3 获取高精度全球天气预报

• 适用场景：农业、物流、能源、户外活动规划等依赖天气数据的决策场景。
• 怎么做：
  1. 明确你需要的时间尺度和区域（如未来数天的某地区降水、温度趋势）。
  2. 参考 WeatherNext 3 的输出——DeepMind 称其为目前最先进、最准确的全球天气 AI 模型（来源）。
  3. 将 AI 预报与传统数值预报交叉对比，在两者分歧大的时间点提高决策冗余度。

• 注意事项：极端天气事件仍需以官方气象预警为准；AI 模型在长时效预报上的可靠性需结合具体场景评估。

小结

三个技巧的共同模式是：用 AI 做大规模预筛和假设生成，把人力集中在验证和决策上。相比传统流程（人工文献综述、逐个变异注释、纯数值天气模式），AI 把“候选生成”环节的成本大幅降低。但所有输出都应视为待验证的假设，而非最终答案。

来源与延伸阅读

• Using Codex and ChatGPT to search for new antimicrobials - OpenAI
• AlphaGenome Atlas - Google DeepMind
• Introducing WeatherNext 3 - Google DeepMind

接下来值得继续跟踪

• AlphaGenome Atlas 的预测准确性是否在独立研究中得到验证，尤其是临床变异解读方向。
• WeatherNext 3 与传统数值预报在极端天气事件上的对比数据。
• OpenAI 关于 Codex 科研应用的后续案例（如 Devin 测试、Perplexity 准确性提升）是否扩展到更多科学领域。