•
麥肯錫：AI正重塑整個研發文明……
2025年6月，麥肯錫發表文章《下一場創新革命由AI驅動 The Next Innovation Revolution - Powered by AI》，拋出一個震撼判斷：
我們正處在技術空前繁盛的年代，卻陷入一個創新越來越難產的時代。
而當好點子變得稀缺、研發回報日益縮水，
AI人工智慧，或許正是下一個突破時代瓶頸的關鍵力量。
01 從摩爾到反摩爾
有學者形容：20世紀的創新如同火把照亮森林，一束光照遍全域；而今天的創新，卻像是在密林深處，用幾十年才蹭出一根火柴。
創新的成本升高、難度激增，正成為全球研發的共同困境——
晶片行業過去靠摩爾定律突飛猛進，但如今，為了維持“電晶體每兩年翻倍”的速度，2024年的研發支出已是1970年代的18倍；
製藥行業更是悲壯，曾有人調侃：“開發一款新藥的平均成本，已經比火星登陸都貴”。資料也確實顯示：每10億美元的投入，獲得的新藥數量在幾十年間暴跌了80倍；這種藥物研發每10年成本翻倍增加、成功率減半，被稱為“Eroom定律”（是摩爾定律的反寫）；
農業、製造、交通這些傳統行業的研發效率，也都在“穩步下滑”。
宏觀來看，美國企業總體的研發“生產率”自1950年代以來持續下滑。全球範圍內也是如此。
這並不是說科技停滯了，而是我們正在觸碰既有技術體系的邊界。這些邊界上的難題，不是靠“再聰明一點”就能解的，它們需要一種全新的協作方式、思維方式、甚至是觀察世界的方式。
而這，正是人工智慧開始介入的地方。
02 AI，新路徑的發現者
科技行業有句老話：
“你不能靠加快馬車速度，去發明火車。”
今天，我們正面對同樣的局面：傳統研發體系的“馬車”已經跑到了極限，一台新“火車”橫空出世，它是帶著另一套引擎、軌道和邏輯——
這就是AI。
AI真正有顛覆性的地方在於：
它可以提出“人類不會想到的問題”和“人類不會選的路徑”。
比如，2016年，DeepMind 的 AlphaGo 與世界圍棋冠軍李世石展開人機大戰。第二局中，AI在第37手下了一步被所有人認為是“錯誤”的棋——它偏離了所有既有的圍棋策略、開局庫、人類經驗。但後來發現，這一步，正是最終勝利的轉折點。
評論員說：“這是人類永遠不會下的一步。”
回到研發流程。
我們如果想把“創新”拆解一下，就會發現任何一個產品從無到有，最初幾步其實都在回答三個問題——
我們要解決什麼問題？（需求識別）
- 有那些解決辦法？（設計生成）
- 那些辦法最可行？（驗證評估）
AI在第2步（設計生產）的力量，
令人震撼。
因為它不僅可以一次性生成幾百個你從沒設想過的設計候選，還會提出人類根本不會想到的問題，探索那些我們未曾設想的路徑。
正如那一步“不可理喻”的第37手。
例如華盛頓大學團隊利用AI合成了自然界從未存在的新蛋白質結構，實現了亞原子等級的新物質創造；某一家零售企業用AI自動生成了幾十種虛擬3D商店空間佈局，效果保真度極高，其中許多方案甚至設計師從未設想過；還有某火箭公司正在用生成模型設計發動機冷卻通道的新型幾何結構，配合3D列印製造，打破傳統CAD的侷限。
在我們之前的一篇文章中介紹到，英國帝國理工學院的一名教授在“超級細菌”這個問題上研究了十年來；而Google的co-scientist在48小時不僅完美復現了佩納德斯團隊10年研究的發現，還一口氣拋出了4個全新的假設，其中之一，甚至是科學家們都完全沒想到的角度！
顯然，AI已成為提出新可能性的科學合作者。
要說為什麼AI能行，主要是因為——
創新的根本不是“最佳化”，而是“發現新的可能性”。
人類的教育和經驗是一把雙刃劍，它讓我們變得高效，但也讓我們形成固化的思維路徑。
但AI沒有這種偏見：它不會覺得一個蛋白質“不可能存在”，它只計算可能性；AI不會“害怕”提出不靠譜的方案，它只最佳化資料；AI不會因為“之前沒成功過”就否定某種結構，它只測試機率。
03 驗證的革命
AI在第3步（驗證評估）的表現，
也非常驚豔！
如果你問科學家或工程師：“研發最花時間、最拖進度的環節是那裡？”他們很可能不會說“靈感”，也不會說“設計”，而是——驗證。
驗證，是將“理論上的可行”轉化為“現實中的可靠”，是產品開發中的關鍵一環，但也常常是最痛苦的一跳。
從汽車的風洞測試，到疫苗的動物實驗，從半導體的散熱模型，到建築結構的抗震原型，所有“能不能成”的答案，過去都必須通過一次次實打實的試驗得出。
但問題在於，這樣又貴又慢。
猜猜這個裝置多少錢？
比如，你要為一輛新車設計引擎蓋的空氣動力系統。傳統方法是建風洞，造實體模型，反覆測。好一點，用CFD（計算流體力學）軟體模擬氣流，但跑一次可能要十幾小時、上百GB記憶體。
而現在，用AI訓練出來的神經網路模型——只需幾秒鐘，就能預測在不同風速與角度下的表現。
你甚至可以讓它一天內測試成百上千種造型，這在過去是想都不敢想的事。
這類模型有個名字，叫做代理模型（Surrogate Model）。本質上它是一個“替身”，是一個壓縮過的物理世界：它用AI學習出來的方式模仿現實世界的規律，用極低的算力、極快的速度，模擬那些曾經需要“超級電腦+實驗室”的過程。
哦，它還有一個可能更被普及的名字——
“數字孿生”。
目前“數字孿生”已經在以下領域落地：
F1賽車：AI代理模型即時預測空氣動力和引擎熱分佈，車手還沒開出彎道，調整參數的建議已送達；
航空航天：飛機結構、材料熱脹冷縮、電磁干擾，全都可以在“數字飛行器”中提前驗證；
智慧建築：通過AI建構建築結構和能源系統的互動模擬，實現在建之前就知道維運瓶頸。
這意味著，產品的“預見力”可以前置到設計環節，而不是等項目失敗後才亡羊補牢。
如果說前面的例子還偏工程，那麼最令人驚嘆的，
莫過於AI在生命科學中的驗證能力。
蛋白質摺疊是現代生物學中最複雜的問題之一。一個小小的蛋白質，其氨基酸序列可以形成無數三維結構，預測它的“摺疊”本質上是一個多維量子等級的模擬問題。
人類幾十年來束手無策。
然後 DeepMind 的 AlphaFold 出現了。
它訓練了一個深度學習模型，可以在幾分鐘內預測世界上幾乎所有已知蛋白質的結構——這是人類首次，在不做任何實際實驗的前提下，全面預測蛋白質結構，也意味著，未來設計新藥、新疫苗的速度從“以年計”變成“以周計”。
2024年，AlphaFold的Demis Hassabis和John Jumper拿下了諾貝爾化學獎。Demis Hassabis更是直接點破了未來：“正如數學被證明是物理學的正確描述語言一樣，我們認為人工智慧將被證明是理解生物學的正確方法。”
換句話說，AI實現了從“猜成分”到“預見反應”的跨越，
讓生命科學真正進入了“體外驗證的時代”。
04 研發飛輪！
當AI在第二步與第三步都幫人類開掛了之後，會怎麼樣？
這就是令人興奮的爆點了——
我們可以想像，未來，科學家們可以在AI的幫助生成幾十個假設設計；工程師不再只測試一個最優設計，而是測試100多種不同設定，看那個組合更強、那個更省；最後再交由AI輔助判斷：那個方案既可行、又成本低、又能被製造出來。
這讓“設計—驗證—評估—決策”不再是線性流水線，而是飛輪式正反饋系統：
驗證越快 → 候選越多 → 組合越多 → 成功率越高 → 成本越低 → 再驗證更多
這正是AI革命中最值得重估的“結構性紅利”，會帶來更快更多的創新！
當然，不同行業面臨不同的驗證壁壘：製藥行業仍必須通過臨床試驗；航空航天必須符合複雜的安全標準；建築與製造要符合可施工、可審批的要求。
但趨勢已經無法逆轉：
AI先做一遍，已經成為新驗證範式的默認流程。
那怕最終要做實體驗證，也是在AI選出的“最值得驗證的路線”上動手，大大節省試錯時間。
05 AI連接隱性知識
你以為以上就是全部嗎？
不！
如果說設計生成是靈感的火焰，方案驗證是理性的水，那麼一項產品的真正誕生過程，還需要大量的空氣——那些看不見、但必不可少的東西：會議記錄、客戶訪談、文獻尋找、市場報告、測試文件……它們組成了研發過程中的“灰色地帶”——
比如，90%的知識不是公開的，而是“散落在每個人腦子裡”的；
比如，你明知道有個“前人踩過的坑”，但項目開會時大家還是重新掉進去，因為你不知道誰知道答案。
但現在，這些幕後工作，也正在被AI重新接管、重新定義。
客戶端，AI可以直接掃描上千萬條社交媒體帖子、產品評論、客服對話記錄，識別出那些使用者痛點被重複提及、那些需求未被滿足、那些“趨勢”正在醞釀。
在企業內部，很多知識散落在信箱、會議紀要、企業微信、研發記錄中的隱性知識。現在企業終於有機會且低成本地去“收攏記憶”：用AI自動整理會議記錄、標註知識要點、建立團隊級的知識圖譜。
在研發端，AI也能超越學科語言，輕而易舉地進行“跨界”：比如在製藥、化學、材料科學等領域，文獻和資料庫的數量正以指數級增長，沒有任何人能完全掌握。
但AI能，而且能在4秒讀完一個博士4年才能讀完的文獻，還永遠不會忘，還能進行綜合與歸納：那些研究之間可能存在潛在聯絡？那些已知機制在其他領域有類比結構？那些理論在資料層面早就埋下了可驗證路徑？
AI早已成了跨學科知識連接的中樞神經系統。
回到全域看，AI在研發流程中的角色已遠超“工具”：
它是客戶耳邊的監聽器，是研究者背後的資料庫，是產品經理心中的問答助手，是法規專員的文書起草人……
這種無處不在的“智能營運”，讓我們第一次真正看到了——研發可以成為一個由人機共治的複雜網路，而不是一條條串聯的流程線。
很多科技企業，像是Moderna，就已經把AI融入了自己的工作流了。
06 多行業的AI創新圖譜
現在，人工智慧已經通過生成、驗證和營運三大路徑，
證明它具備扭轉創新困局的能力。
但落到每個具體行業，它的“落點”卻不一樣。
有人用它寫程式碼，有人用它找蛋白，有人用它排配方，還有人用它找出千種新型合金的分子結構。
這是一座多劇場協同上演的AI實驗城市。我們可以沿著不同產業的地圖，去看AI正在如何工作、如何改變遊戲規則。
1. 軟體與遊戲：
AI的“原生領地”
在軟體行業，AI像一位自帶作業系統的“程式設計師搭檔”。
Meta和微軟都公開表示，如今公司30%以上的新程式碼由AI編寫；
不少創業團隊，用AI自動生成初始框架、測試用例甚至部署指令碼，將原本一周的開發流程壓縮成兩天；
在遊戲行業，AI不僅寫程式碼，更寫世界：它可以生成人物、生成劇情、生成一整個虛擬城市的美術資產和互動邏輯。
這是一次次的“共創”——
AI在不斷拋出靈感點子，而人類負責挑選與修正。
2. 生命科學與製藥：
從發現新分子到降低試錯
生命科學，是AI最想挑戰的創新高地之一。
過去，一種新藥的研發平均要花10年時間，20億美元，成功率低得驚人。而現在：AI正被用來識別疾病中可調節的分子靶點，自動生成候選藥物結構；AlphaFold等模型已經預測了全球超過2億個蛋白質的三維結構，極大提升了候選藥的命中率；AI還能用計算代理模型，預估候選藥的吸收、代謝、副作用等屬性，在進臨床試驗前就做初篩。
目前，AI還不能“包辦藥神之路”，因為臨床試驗依然是關鍵關卡——受限於病人招募、倫理流程等現實。但在藥物發現階段，AI的加入已像是在實驗室裡加裝了一台“自動化分子搜尋引擎”。
AlphaFold蛋白質結構資料庫：https://alphafold.ebi.ac.uk/
3. 材料與化工行業：
尋找“下一個石墨烯”
化學家是這個時代最後的煉金術士。
但即便是煉金術，也需要計算和猜測。
AI在材料科學中發揮的是“加速與放大”的作用：
通過代理建模，AI可以在不做物理實驗的前提下，預測材料的強度、導電性、抗腐蝕性等屬性；例如，用AI生成1萬種合金分子結構，在雲端虛擬測試每種組合的性能；AI還能分析實驗記錄與文獻，找出過去實驗失敗的原因，為新配方設計“避坑路線圖”。
這裡的價值，不只是在節省成本，
更是讓過去十年沒人想到的新材料，變成明天的工程現實。
4. 航空航天與複雜製造業：
多學科工程的整合神經
設計一架新飛機，是一種跨學科的極限運動。
你要考慮空氣動力、結構應力、熱管理、燃油效率、電磁干擾、冗餘安全；每一次測試，都是在燒掉真金白銀，做一個又一個“必須犯的錯誤”。
現在，AI的出現像是在這個系統中植入了“第二大腦”：
它可以用深度代理模型，在幾秒鐘內預測多物理場下的綜合表現；用生成模型提出一些“非人類設計”的新型結構（比如新風道、新機翼分佈）；用LLM協助工程師處理工程變更文件，快速通過審計流程。
對於航天、汽車、醫療裝置這些需要極高安全性與設計穩定性的行業來說，AI能讓複雜系統更穩、更準、更快。
5. 消費品與快節奏行業：
用資料說“使用者到底想要什麼”
在食品、飲料、化妝品等消費品行業，創新的速度要求極高：半年不上新，可能就掉隊。
但市場趨勢變化快、消費者偏好多變，研發很難靠直覺。
於是：AI可以分析數千萬條消費評論、社媒反饋，識別出潛在新配方方向；利用LLM生成口味配方、香氛組合，提前生成小樣；甚至根據消費者屬性建立“數字雙胞胎”，虛擬測試那種包裝設計或香型更可能受歡迎。
你可以理解為，這是一種用AI建出的市場風洞：
不用真的上市試水，模型就能預測那種產品最可能成功，風險可控。
每個行業的“AI使用方式”不同，但本質是同一件事：
用AI，從不可能中尋找可能，從可能中尋找更優。
07 感謝AI
站在2025年，我們正在經歷的，
不只是一場生產力的變革，而是一次想像力的重組。
創新曾是極少數人的事情，但現在，
AI把整個創新過程變成了可協作、可複製、可規模化的系統動作。
你不是非得成為天才，也可以參與創造這個世界的新路徑。
從蛋白質設計，到飛機風洞；從遊戲指令碼到新藥生成；從消費者偏好模擬，到材料力學預判——AI幫我們把“可能性”以驚人的速度帶入現實。
真正的問題不只是AI能做什麼，
而是——
我們是否已經準備好，加速我們自己。
因為：技術從不改變世界，改變世界的，始終是那些敢於重新組織、重新設問、重新定義“人類角色”的人。
你可以擁有全球最先進的大模型，卻依然做不出突破性的產品；也可以在一個資源有限的組織中，用AI建構出專屬的研發飛輪。
所以，面向未來的創新，
我們是否應把研發看作一個“人機共創”的智能生態，而不是線性流程？
我們是否在組織中，為“AI協作者”預留出了結構位置與責任邊界？
我們是否願意接受：下一個創新，不是“我們主導AI”，而是“我們與AI共同進化”？
我們是否開始意識到：最核心的競爭力，是讓組織成為“新知識生成”的機器？
如果AI能扭轉創新的衰減曲線，那它扭轉的將不僅是經濟增長，也將是我們下一代的福祉上限。
20年後，當我們感慨世界變化之快之餘，我們應該會對AI心生感激。 (TOP創新區研究院)