AI for Science需要推理能力，而非仅靠数据

每隔几十年，就会有人宣称科学已经走到尽头。1903年，德高望重的物理学家阿尔伯特·迈克耳孙（Albert Michelson）写道：“物理科学的所有事实都已被发现。”20世纪80年代，史蒂芬·霍金（Stephen Hawking）预言，理论物理可能在世纪末走向终结。随着人工智能的爆发性到来，这种感觉再次浮出水面——这一次还伴随着诺贝尔奖。

2024年，Google DeepMind 的德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John Jumper）因神经网络 AlphaFold 获得了诺贝尔化学奖的部分奖项。AlphaFold 通过学习数千个实验测定的蛋白质结构来预测蛋白质的三维结构。这个棘手的问题半个世纪以来一直无法被系统性地攻克；AlphaFold 似乎一劳永逸地解决了它，世界开始对其前景痴迷不已。哈萨比斯和他的团队称 AlphaFold 是“AI 如何将整个科学加速到数字速度的模板”。一波面向生物学、化学和材料发现构建基础模型的初创公司获得了数十亿美元融资，在 DeepMind 的成功激励下蓬勃发展。AlphaFold 已经证明，AI 与足够数据的结合可以带来突破性的发现（即使我们并不理解其中涉及的底层机制），而且看起来，通往其余科学的道路再次展现在我们面前。

可以肯定的是，AI 将为科学带来非凡的变革，但越来越明显的是，AlphaFold 及其类似的方法可能并不是这场变革的最佳模板。尽管这是一项深远的成就，但催生 AlphaFold 的条件极为罕见，在其他领域满足这些条件所需的时间将以几十年而非年来计算。取而代之的是，科学的加速将得益于另一种方法：AI Agent。

AlphaFold 成功的首要条件是蛋白质数据银行（Protein Data Bank）的存在，这是一个包含大约 170,000 个实验验证的蛋白质结构的数据集，DeepMind 团队可以在此基础上训练他们的模型。蛋白质数据银行的创建并不简单：它花了 53 年的国际科学合作，据最新估计，大约 210 亿美元的实验工作才得以完成。如此规模的项目以难以筹集资金而臭名昭著，协调起来几乎不可能，执行起来又极为耗时；因此它们往往以失败告终。

但即使在具备必要凝聚力和资源的领域，而且相关数据没有因商业所有权而变得不可访问，另一个障碍也鲜少被讨论：生成可比较数据的科学不可能性。在蛋白质结构的情况下，关键实验技术——蛋白质晶体学——是一种异常可重复和可靠的工具，以至于超过 25 项诺贝尔奖都依赖于它。但在大多数实验科学中，结果往往比不一致更多。细胞系会漂移。化学品含有微量杂质。实验室湿度会变化。在生物学或大多数化学领域创建足够一致、足够准确、足够精确且可扩展的数据集来训练现代神经网络，将需要新型测量方法和新的标准化方法——其中任何一种都不会很快准备就绪。

当然，有少数领域满足了这些要求：天气预报、大部分基因组学、非常有限的化学领域。如果这些领域尚未出现 AlphaFold 式的突破，它们可能很快就会看到。政府对这些数据集的生产和协调的支持将是关键，正如美国新兴生物技术国家安全委员会（US National Security Commission on Emerging Biotechnology）所主张的那样。但对于大多数科学中的开放问题，至少在短期内，我们需要一个不同的计划。幸运的是，一些更安静、更谦逊的方法已经开始显示出前景。

科学家总是在不确定性中进行推理。努力识别新药物靶点的生物学家从未拥有过完美的数据集。相反，他们结合对接计算和已知结构，考虑分子动力学，运行少量结合实验，并运用他们的判断来权衡每种方法的优势和失败点。科学的技能不在于任何单一工具，而在于综合多种工具的产出，并根据不断到来的证据修正结果。这就是大多数实际研究工作的进行方式。但直到最近，还没有软件能够做到这一点。

Agent 现在可以了。简单来说，Agent 是一个 AI 推理引擎，它被赋予了访问工具（数字的或物理的）的能力，以及使用这些工具的能力。在过去的几年里，AI 的一次根本性架构转变使这些程序的快速扩散成为可能，它们由大型语言模型驱动，大大减少了对科学专业化数据集的需求。对于科学而言，这项技术进步代表了一个基础性的变化：它使我们能够创建可以模拟实际研究的迭代性、高度偶然性过程的数字工具。虽然像 AlphaFold 这样的工具将强大方法应用于有限问题，但 Agent 本质上是通才。它们并不代表一种做科学的新方法——相反，它们在数字上模拟了人类的发现过程。

以 Google 的 AI Co-Scientist 为例，它于今年5月发布。研究人员给了它一份一页的简报和一个目标：弄清楚抗生素耐药性如何在细菌物种之间传播，这是耐药感染的关键驱动因素。该系统启动了许多子 Agent。一个从文献中起草假设。另一个像同行评审员一样对假设进行剖析。第三个运行锦标赛来排名最强的候选者。第四个完善获胜的假设。Agent 得出的结论是，耐药基因搭上了细菌病毒的便车，借用任何能够将它们送入新宿主的病毒。这个假设是正确的。伦敦帝国理工学院的研究人员花了十年时间通过艰苦的湿实验工作才得出相同的结论；他们的论文此前不为 Co-Scientist 所见，当时仍在同行评审中。

像 Co-Scientist 这样的 Agent 仍然是新奇的工具，在它们成为科学过程的普遍组成部分之前，还有真正的挑战需要克服：它们仍然容易产生幻觉，判断不一致，而且有记忆和输入限制，限制了它们自主运行的时间。但这些技术障碍将会消除，随着它们的消除，我们将开始注意到科学 Agent 对科学的可靠性、一致性和速度的复合影响。

也许最值得注意的是，Agent 为科学的“可重复性危机”提供了一个结构性解决方案——这是研究人员无法相互复制彼此结果的广泛问题。几十年来科学界一直恳求研究人员分享他们的原始数据和精确代码，以努力标准化实验过程。但研究人员长期以来一直抵制这种枯燥的行政工作，而这些工作发生在有趣的科学已经完成之后。相比之下，Agent 自动记录它们的每一个动作，创建导致结果的方法的精确记录，并允许精确复制。

第二个后果将是科学记忆的放大。研究人员之间的知识传递是一个众所周知的模糊过程；如果不是在多年的培训和观察中完成的，研究生们就只能翻阅几十年前辈们留下的凌乱实验室笔记本，寻找那些将决定他们实验方案成败的细节。然而，随着 Agent 在科学过程中占据越来越大的比重，一个实验室的整个科学历史将被记录在一个集中的、标准化的机构知识库中。

但 Agent 最重要的影响将是速度。在任何领域，当测试一个想法的时间少于在会议上争论它的时间，人们就会停止辩论，直接去做测试。一个能够在一小时内阅读一千篇论文、设计 500 个分子并在早晨从失败的测试中学习的 Agent，将降低实验的成本，从根本上改变科学完成的步伐。它还将给予研究人员自由去追逐他们以前绝不会用时间冒险的大胆、奇异的问题，打开我们尚未想象到的科学之门。

虽然 AlphaFold 模板肯定是非凡发现的关键，但它本身不会把我们带到科学的尽头。相反，向 Agent 式 AI 的转变代表了一种更为罕见的突破层级：一种同时覆盖科学各个领域的工具。历史上，这种范围的工具只出现过少数几次：微积分、统计推断、光谱学、计算机。每一个都揭示了一个无人想到去表述的问题世界，而这些问题又反过来重新定义了它们的领域。有了 Agent，另一场这样的变革正在我们面前展开。

埃里克·施密特（Eric Schmidt）是 Google 2001年至2011年的首席执行官。2024年，他与妻子温迪（Wendy）共同创立了 Schmidt Sciences，这是一个慈善企业，旨在资助科学和技术领域非常规领域的探索。

苏哈斯·马希什（Suhas Mahesh）是 Schmidt Sciences AI 中心 AI for Science 工作的负责人。他是材料发现 AI 方面的专家。

Maya Levin、合伙人兼科学主管、埃里克·施密特办公室提供了额外研究。

人工智能

一家初创公司声称它突破了限制 LLM 发展的瓶颈

Subquadratic 现在已经分享了关于其新模型的更多细节。但一些人仍然持怀疑态度。

Will Douglas Heavenarchive page

一个根本性缺陷使 LLM 极易受到攻击

这使得欺骗它们做一些不该做的事情变得容易，比如告诉你如何破坏飞机的导航系统。

Will Douglas Heavenarchive page

Anthropic 发现了一个隐藏的空间，Claude 在其中思考概念

一项新技术让该公司比以往任何时候都更深入地探索 LLM 的奇怪运作方式。

Will Douglas Heavenarchive page

Claude Science 是 Anthropic 最新的旗舰产品

该公司正在加大对 AI for science 的投入。

Grace Huckinsarchive page

获取 MIT Technology Review 的最新更新

发现有特别优惠、热门故事、即将举行的活动等更多内容。