⚠️ 只会用聊天型大模型、最近又怕自己跟慢了的人，最怕的不是新闻太多，是看完还是不知道这事跟自己有没有关系。你刚刷到“人工智能化学家”这类消息，本来准备顺手划走，又怕漏掉真正会影响下一步判断的那一点。这里最贵的不是术语，而是判断按错：时间、预算和注意力都会花到错误方向上。因为真正先被AI吃掉的，可能不是药化师，而是盲筛。AI先杀死盲筛，不会先杀死药化师[C002]。
很多人一看到这类消息，就自动翻译成“AI要来替人了”。但实验室里最烧钱的，常常不是最后拍板的人，而是前面那堆低信息密度的瞎试：不停换条件、人肉排雷、一次次把错误答案排掉[C002][C004]。过去常要跑50到60个反应，现在能压到5到10个，省掉的不是几瓶试剂那么简单，而是数周到数月的时间、材料和专注力[C004]。
那篇《A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry》[C001]，白话一点，就是一个近乎自主的人工智能化学系统，把药物化学里一类很难调的反应往前推了一步。它最值钱的地方，不是听起来像不像“会思考的化学家”，而是先替人省掉了哪一步。
证据最硬的是一个镍催化偶联案例。系统每轮只筛4到6个配体，你可以先把配体理解成决定反应走向的关键搭配。4轮、26次实验，就已经摸到最优附近；另一个底物的选择性从74%提到85%[C003]。这不是“全自动发明新药”的证据，但已经够支持一个更现实的判断：它先把盲筛压缩掉了[C003][C004]。
所以我现在筛这类AI新闻，会先问两个问题：它到底省掉了哪类瞎试？它有没有把轮次、次数和时间账讲明白？一条更新值不值得看，不看它列了多少功能，先看它会不会改掉你下一步的判断。
这篇更适合转给两种人：一种是只会用聊天型大模型、又怕自己跟慢了的人；另一种是正在判断钱和时间该先投哪一步的人。至少从这次公开个案看，边界也得说清：它还不够支撑“已经能整体替代药化师”或“已经能全自动发明新药”，但已经足够说明，先被改写的是50到60次盲筛被压到5到10次这件事[C004]。如果你身边还有人把这类消息只看成“AI又来抢人饭碗了”，把这篇转给他就够了。