过去半个世纪，大多数国家的研究人员增加得很快，研究效率却在下降。好点子越来越难找，要保持原来的进度，就得投进越来越多的资源。在某个领域培养一批新研究者，可能要十到十五年的专门教育和几百万美元，才能凑出一小拨人。这些 AI 只要算力够，马上就能造出来，要多少有多少，新发现也几乎能立刻用到别的领域。这样一来，可以给任何难题多加几百、几千倍的研究人手，找到好点子的速度很可能因此改变。
Jack Clark
在 Anthropic 内部，研究人员现在写出的代码，差不多是公司成立头四年的十倍。在写软件上，AI 已经比世界上绝大多数程序员更能干、更高效。可写代码的本事变强以后，AI 搞网络安全和网络攻击也强了很多：一边是大家抢着用它做更好的防御，一边是坏人抢着用它去入侵。像写代码这样的通用本事一进步，好处和坏处是绑在一起、分不开的。
2026 年，AI 被用来给纳维-斯托克斯方程这类数学老难题提出解法，很多时候关键想法出自 AI。研究者还用它从头设计病毒，已经有大部分由 AI 设计的药在做临床试验。这些成果大多靠的是同一个模型。一项考各门学科难题的测试，2025 年 1 月推出时最高分是 8%，如今是 67.7%。做前沿科学，考的是创造力。AI 如果能靠创造力做成科学，很可能也能用到许多别的领域，包括 AI 研究本身，那对创新的推动可能是爆炸式的。
按联合国教科文组织的估计，全世界大约有 1000 万名科学家。就算只按这些人算，能监督工作的科学家、做材料分析的实验室、研发和测试新药的生物实验室、大型科学设备也都已经不够用。如果将来由这 1000 万人去指挥十亿甚至一百亿个虚拟科学家，就得提前准备。发现一旦多起来，下游也会卡住：新药候选一大堆，却只有几个能拿去试，那也没多大用。所以得想办法加快把发现从实验室送进医院、工厂和田间。