他从学术跳到创业后，反而更相信“科学直觉”而不是模型规模

如果你以为自动化科学就是堆更大的模型，这期播客会直接打脸。Andrew White 讲了三件反直觉的事：蛋白折叠并不是被模型“算”出来的；真正稀缺的不是算力，而是科学品味；而 AI Agent 的价值，在于让失败变得便宜。

MD 曾被寄予厚望，但真正改变科学的不是它

Andrew White 一开场就提到一个很多从业者都踩过的“集体幻觉”：分子动力学（MD）一度被认为是解决蛋白折叠的终极方案，但现实并没有按剧本走。它没有失败，却也没有如预期那样“终结问题”。这个经历对他的冲击在于——科学进展往往不是线性放大算力，而是系统性地换了一种看问题的方式。这也是为什么后来的世界模型和自动化科学，并不是简单的更快模拟，而是重构整个研究流程。

从学术到创业：最大的一次押注，其实是押“方法论”

当主持人追问他从 academia 跳到 industry 的感受时，Andrew 的回答很克制：这是你在一个领域里能下的最大赌注。不是赌某个模型能不能 work，而是赌一种做科学的方式值不值得被放大。他后来参与创办了 venture-backed 的 Edison，但自嘲团队“mostly overengineer”。这句话背后并不是玩笑，而是一种工程化科学的态度——把不确定、反复试错的研究，变成可以被系统支持的流程。

世界模型重要，但真正稀缺的是“科学鼻子”

聊到世界模型时，Andrew 反而没有沉迷技术细节。他反复强调一个容易被忽视的点：科学是一个系统，而人类在这个系统里有一个被严重低估的能力——对“什么是好科学”的直觉。他称之为一种被校准过的“nose for science”。模型可以生成假设，但哪些值得追、哪些是噪声，仍然需要品味。这也是为什么他对“完全自动化科学”的态度始终保留：不是技术不行，而是评价函数太难写。

Agent Loop 的真正价值：让失败次数指数级上升

在讨论 Agent 和自动化实验时，Andrew 给了一个很工程师的视角：关键不是一次成功率，而是你能多快、多便宜地失败。当系统可以并行尝试更多想法，科学探索的节奏就会改变。这也回应了他提到的 epistemic debate——我们到底是在追求确定性，还是在优化探索效率？在他看来，Agent Loop 的意义在于后者。

关于资助科学，他的态度出奇地谨慎

当话题转向 funding science，Andrew 明确表示自己的观点“还没有完全成型”。这在一档充满判断的播客里反而显得诚实。他和 Sam 的讨论并没有给出简单答案，而是暴露了一个现实困境：如果自动化真的能加速科学，那我们现有的资助、评估和激励机制，是否反而会成为瓶颈？

总结

这期播客最有价值的地方，不在于某个具体技术，而在于它提醒 AI 从业者重新审视“做科学”的本质。世界模型、Agent、自动化工具都在加速，但方向感仍然来自人。对你而言，真正的行动建议可能不是立刻造一个更大的模型，而是思考：你的系统是否在放大正确的探索？你的失败，够便宜吗？如果答案是否定的，也许该先改流程，而不是改参数。

关键词： 自动化科学， 世界模型， 科学品味， AI Agent， 研究流程

事实核查备注： 需要核查：Andrew White 的具体背景；Edison 是否为其当前创业项目名称；播客是否为 Latent Space 的首期 AI for Science 系列；关于 MD 与蛋白折叠的原话语境