比起让大模型写100万字的小说，AI大牛们更想用AI拿诺贝尔奖
OpenAI前CPO创业获7.5亿美元融资——硅谷最聪明的一批大脑，正集体撤离“文字游戏”。
作者丨 周蕾
编辑丨 岑峰
产品没有公开，公司连名字都还没起，只有3位知情人士对外放风，但估值已经喊到了7.5亿美元，计划募资1.5亿美元——这就是前OpenAI首席产品官Kevin Weil的新公司，定位是“为AI模型收集科学数据”的平台。
这位曾经在Meta和Twitter都做过产品高管的硅谷老兵，今年早些时候离开OpenAI，如今正在为手头上的创业项目奔走。
算上前不久官宣创办Discovery Loop的Jeff Dean，AI4S（AI for Science）赛道似乎已经是硅谷离职AI高管的热门去向。换一个角度说，这群AI大牛的所想所做，释放了一个最新信号：AI4S赛道正在从概念叙事进入基础设施建设阶段。
当大模型已经能写100万字小说、生成电影级视频，硅谷最聪明的一批人却在想另一件事：怎么让AI真正“懂”科学？
01
Prism的边界，与大厂的结构性瓶颈
Weil的创业思路其实早有端倪，今年年初OpenAI推出Prism的时候，Weil曾经公开表态：“2026将是AI与科学的一年，就像2025是AI与软件工程的一年。”
Prism是Weil在OpenAI的最后一个重要作品。官方给它的定位很明确：“将前沿大模型嵌入科学家工作流”的工作空间，它的推出也被视为OpenAI的“AI for Science”战略第一次真正产品化。
Prism面世后，不少使用者将其与Overleaf、LaTeX、Codex比较，分享了不少排版协作、引用格式管理、LaTeX编译速度等“学术写作效率”层面的使用体验。这在一定程度上说明，Prism是能解决的是 “科学表达” 的效率问题的，例如写论文、排版、管引用，充分体现了它作为科研工作流工具的价值。
不过，在 “科学发现” 的能力问题上，像是实验设计、假设验证、数据洞察这些环节，Prism的存在感并没有那么强烈。
Prism为什么停在“科学表达”这一层？答案可能不在产品，而在组织。
半个月前，Jeff Dean参加了由YC管理合伙人Diana Hu主持的《Startup School 2026》对谈复盘 Jeff Dean 的谢幕路演：他其实早已公开了Discovery Loop 的创业计划书，分享了一个关键判断：
在材料科学、芯片设计或生物计算等硬核科学领域，大厂的通用大模型往往束手无策。而AlphaFold的成功不在于算力堆叠，而在于那是“一个只有极少数核心研究员的小组，对特定领域有极度痴迷和顶级技能”。
这个判断的含金量显而易见，它来自大厂AI体系最高层的内部视角。通用大模型的资源和注意力永远向主航道倾斜，没有精力深耕特定垂直领域；组织越大，冗余越成为阻碍。
这场对谈后不久，Jeff Dean宣布正式结束27年谷歌生涯，与Sanjay Ghemawat、Oriol Vinyals、Quoc Le共同创立Discovery Loop。这家公司的目标正如其名，希望让AI自动化科学研究全过程。
Jeff Dean在对谈上的分享，不仅解释了Discovery Loop的诞生，也间接描绘出了Prism可能存在的天花板——OpenAI的资源集中在通用大模型的迭代上，科学数据的供给体系、科学发现的能力体系，在OpenAI的蓝图里，或许很难排到第一优先级。
Weil的出走，也一定程度上说明，AI4S需要独立基础设施。大厂的组织冗余、战略聚焦和合规约束，决定了它们很难在“为AI收集科学数据”这种又脏又慢的基建工作上投入重兵。
02
AI4S赛道，正在分成三层
Weil新公司的定位，与Prism形成了意味深长的对照。Prism的逻辑是：AI是工具，科学家是用户，AI服务科学家。而新公司的定位是“为AI模型收集科学数据”，也就是科学家成为数据源，AI成为“消费者”。
这家新公司暂时没有更多细节披露，不过从其定位与Prism的差异来看，Weil或许是在Prism的实践中，摸到了AI4S的上游瓶颈：科学家手里有数据，而且数据的质和量都远超互联网文本，但这些数据散落在实验室的笔记本、Excel表格和私有数据库里，格式混乱、互不流通，根本无法被模型训练所用。
工具层做得再好，也绕不开这个问题。从工具层跳到数据层，是一个产品人向产业链上游的野心升级：不再满足于帮科学家把论文写得更快，而是要做AI时代科学数据的供给方。
我们把视野拉高，把Weil放进更大的图景里，会发现AI4S赛道正在从“概念热词”进入“产业链分层”的阶段。数据层、模型层、应用层三个生态位，在过去几周里陆续出现了各自的代表玩家。
Weil的新公司身处最上游、最隐蔽的位置—— 数据层 。它的核心问题是： 科学数据分散在数百万个实验室里，谁来整合？
它有可能是路径最轻的一类玩家：不碰实验、不训模型，只做数据的收集和结构化——但网络效应可能最强，因为谁掌握数据入口，谁就有机会定义下游标准。
前文提到的Discovery Loop处在 模型层 ，押注算法突破，用前沿模型并行跑成千上万个实验循环，从机器学习研究本身做起。Jeff Dean在对谈上的判断也引出了这一层面的核心问题： 通用大模型真的懂硬核科学领域吗？
应用层 的核心问题是： 科学家愿意让AI接管实验吗？ 这一层有初创公司Periodic Labs。它由前OpenAI研究员Liam Fedus和前Google DeepMind研究员Ekin Dogus Cubuk创立，做“AI科学家+自动化实验室”，想让机器人直接动手做实验、生成新的训练数据。投资方名单也可谓是星光熠熠：a16z、Accel、贝索斯和施密特。
Periodic Labs的路径可能也是三类玩家中最重：要建实体实验室、买设备、雇机器人，把“发现”这个环节攥在自己手里。
三者互不重叠，甚至互为上下游：Weil的数据可以喂给Discovery Loop的模型，模型再驱动Periodic Labs式的实验室。
03
7.5亿美元估值，成立吗？
回到Weil成立的这家新公司，7.5亿美元的估值，首先和赛道整体升温有关，其次来自于人才方面的溢价：Weil的OpenAI履历，加上Prism积累的科学家用户网络，意味着他可能拥有其他创业者不具备的“实验室入口”——知道数据在哪，也知道怎么敲门。
还有一部分，来自AI4S数据层的想象空间。
AI4S赛道分出的三层来看，数据层是最容易被忽视、但最可能形成长期壁垒的一环。科学数据不是互联网文本，它不公开、不标准化、获取门槛极高，背后是实验室资质、伦理审查和设备投入，稀缺性带来了一定溢价。
长期来看，数据层很可能成为整个产业链的“收费站”：模型会迭代，实验室会换代，但结构化的科学数据资产只会持续增值。或许这就是为什么Weil的新公司连名字也尚未公开，却能有7.5亿美元的估值。
这家新公司甚至可以打出“科学数据领域的AWS”的标签：正如AWS当年卖的不是电商，是水电煤；Weil要卖的也不是论文工具，而是所有AI科学公司都绕不开的地基。
但需要指出的是，科学数据与互联网数据有着本质区别：后者是标准化的、可规模化的、用户自愿上传的；前者是高度领域特定的、异构的、被知识产权和竞争关系严密保护的。生物实验的数据逻辑与材料计算完全不同，粒子物理的数据格式与气候模型互不兼容，Weil想做一个跨领域的“科学数据AWS”，可能首先要面对的是一个无法被统一平台消化的碎片化现实。
数据本身也不等于知识。没有Discovery Loop在模型层的突破，再多的实验数据也只是未被结构化的原始素材；没有Periodic Labs在应用层构建的实验闭环，数据就无法被验证、被反馈、被迭代。一个只做数据收集和标注的平台，就会有沦为“管道工”的风险——科学家为什么要把数据交给Weil，而不是直接交给Periodic Labs的自动化实验室、或者用自己的私有数据训练Discovery Loop式的专用模型？
科学数据的整合难度，是否被资本市场低估了？资质谈判、伦理审查、标准之争，每一项都可能以年为单位，实验室的数据孤岛如果真的比想象中更难打通，那么7.5亿也可能成为AI4S赛道第一个被戳破的泡沫。这个问题，现在没有人能给出答案。
今年AI4S赛道火热，以至于“用AI拿诺贝尔奖”这句话，听起来已经不再像是一句玩笑话了。AlphaFold已经证明了这条路不是空谈，但从现在到未来的那一天之间，隔着的是大量枯燥、琐碎、缺乏故事性的工作。
硅谷顶级的AI高管们正在形成一股默契的合流： AI4S赛道，正在从“工具叙事”跨入“基建时代”。 AI4S的当下战场，是数据的地基，是模型的突破，也是实验的闭环。Weil的新公司和Periodic Labs、Discovery Loop，以及更多尚未浮出水面的玩家，将如何定义这个赛道的规则？雷峰网 (公众号：雷峰网) 将继续跟踪。