
深夜的实验室,有一块白板写满问号
夜里十一点半,研究所三楼只剩下一盏灯还亮着。白板上写满了问号,每个问号后面跟着一串别人看不懂的符号,粉笔擦过的地方留着一层灰。
这是科学里最常出现的一刻:现象已经摆在眼前,解释还没有。有人对着这串问号看了半年,吃饭时想,走路时也想,还是没想通。
2026年11月19日,Ai2在科研智能体平台Asta上线了一个叫Theorizer的智能体。它想接手的,正是这半年的空白。

它做的活,是把现象翻成几种解释
Theorizer的能力可以拆成两步。第一步是检索文献,把和这个现象相关的论文、观测记录、前人猜想全部翻一遍,弄清楚哪些路已经有人走过。
第二步是提候选理论。给定一个目前还无法解释的观测,它会给出几种可能的解释,像把一张模糊的照片摆在你面前,说这可能是山,可能是云,也可能是镜头上的水渍。
在人类科研里,这一步往往最慢。设备可以买,数据可以跑,唯独“这件事到底可能因为什么”需要一个人坐在那里慢慢想,想到天亮也不一定有结果。
它能想到哪几种,跟检索到什么有关。文献覆盖到哪里,猜想的射程就到哪里,这也是人还得读文献的理由。

每条论断后面,都挂着一张出处标签
更值得看的是它的写法:Theorizer给出的每一条论断,都链接到支持它的文献。不是笼统地列几篇参考文献,而是把某个判断和某篇论文的某一段对应起来。
多数AI写科研内容时,句子通顺、逻辑顺滑,但你要问它这句从哪来,它答不上来。这里反过来,先有出处,再有论断,像给每个猜想贴上一张贴好编号的标签。
引用链的价值不在好看。它意味着一条错的理论可以被追到源头:是那篇论文本身有问题,还是AI把两篇不相干的研究接错了。
和让AI写论文不是一回事
这两年有很多工具在教AI读论文、写综述、出初稿。那类工作的终点是一份文档,人类看完可以点头,也可以搁置。
Theorizer的终点不是文档,是可检验的假说。假说这东西有个硬标准:它必须能被后续的实验打死。说得再漂亮,做不出能证伪它的实验,它就是一段空话。
所以它和代写工具的分界线,不在文字质量,在于它交出来的东西敢不敢被检验。挂文献这一步,本质上是在说:我说的每句话,你都可以去查。
这两类东西放在同一个文件夹里很容易混:一个帮你把想法写清楚,一个帮你把想法想出来。用途不同,出错的地方也不同。

猜想只是猜想,验证还得人来做
边界要说清楚。Theorizer给的是候选假说,不是结论,也不是发现。候选和结论之间,隔着做实验、采数据、排除替代解释、同行评议这几道关。
这几道关AI都替不了。它能想到“这可能是A”,但判断A能不能站住,要看仪器能不能测、样本够不够、误差落在哪,最后还要一群同行点头。
我的判断是:它真正降低的是“想方向”的门槛。一个年轻研究者过去要花几个月摸清一条路有没有人走过,现在几分钟就能看到一张地图,知道哪几条是通的。地图不等于走到终点。
说到底,它做的是把检索结果重新组织成假设。假设站不站得住,仍然要回到那个领域里最难缠的几个细节上去。
开源之后,这件事会变便宜
Ai2把代码一起开源了。在网页界面上用的时候,限额内的token费用由Ai2承担;想自己跑的人,可以把开源库拉到本地,费用自己付。
这个安排的实际效果是:前沿机构做的工具,实验室预算有限的学生也能用上。科研里的差距,很多时候不差在聪明,差在能不能先摸到工具。
回到那间亮着灯的研究室。白板上的问号还在,旁边多了几张打印出来的纸,上面写着几种可能的解释,每条后面带着文献编号。
科学最贵的从来不是答案
有一个常被忽略的事实:答案往往比问题便宜。验证一个已经想清楚的方向,靠的是时间、设备和耐心;而从一片模糊里提出一个值得追的问题,靠的是运气和判断。
Theorizer不会替人想通那半年。它只是把问号旁边的一片空白,先填上几条可以走的路。走不走、往哪走,仍然是那个站在白板前的人决定。
凌晨一点,灯灭了。白板上那行字还留在那里,等着第二天有人接着往下写。