曹原的这句话点出AI4S领域最核心的短板。AI构思科学设想并不困难，难点是快速低成本验证设想真伪。
AI编写代码，写完可以直接运行，报错信息即时反馈。数学命题可以借助Lean工具自动核验证明。但是AI设计新材料、新药，没办法直接运行验证，必须在实验室合成样品，开展实物测试。物理世界验证和数字世界验证存在巨大差别。
物理实验验证的难点
- 验证周期漫长。AI几秒就能设计出新药物分子，验证药效要依次完成细胞实验、动物实验，再推进临床阶段。仅仅动物实验就需要数月，整套流程耗时数年。
- 验证成本高昂。AI设计新型核聚变装置，无法直接投产。单次相关实验的花费数额巨大。材料实验成本相对低一些，自动化实验室连续运行十几天，也只能合成少量目标材料，迭代周期长达两个月。
实验反馈本身很难解读，这是更关键的一点。AI编程的报错信息可以精准定位问题，科学实验失败之后，很难定位根源，有可能是分子本身无效，或是合成步骤出错，也可能是测量仪器带来误差。AI很难从单次失败实验获取精准学习信息。
曹原提到AI4S的核心瓶颈，就是在物理世界搭建一套可供AI读取的科学测试套件。理想场景下AI每分钟都能拿到实物实验反馈，就能快速迭代。现实中大部分科研项目达不到高频次验证。
所以AI4S现阶段更适合验证成本低、周期短的方向，材料科学、蛋白质结构预测就属于这类领域。复杂生物体系、高成本物理实验，AI很难发挥作用。
验证环节构成信息世界与物质世界之间的鸿沟。AI的运算全部在信息空间内完成，科学研究最终要落到实物实验检验，这个环节没有办法跳过。
