AI能否改变科学的研究方式？-钛媒体官方网站

图片来源@视觉中国

文｜学术头条，作者｜Hazel Yan，编辑｜佩奇

人工智能（AI）正在以前所未有的方式塑造科学领域。从加速研究过程到提出新的研究假设，AI 的加入为科学带来了巨大的潜力。

今年早些时候，现代 AI 教父之一 Yann LeCun 表示：“通过增强人类智慧，AI 可能会引发一场新的文艺复兴，或许是启蒙运动的一个新阶段。”

如今，AI 已经可以使某些现有的科学流程变得更快、更高效，如发现新的抗生素、电池和太阳能电池板的新材料，以及预测短时天气、控制核聚变等。Google DeepMind 首席执行官 Demis Hassabis 将 AI 比作一台望远镜，认为“AI 可能带来新的发现复兴，成为人类智慧的倍增器”。

然而，AI 能否通过改变科学本身的工作方式来做得更多？

基于文献的发现：AI 引领科学知识的挖掘

事实上，这种转变以前便发生过。

17 世纪，随着科学方法的出现，研究人员开始相信实验观察和从中得出的理论，而不再信奉古代的传统智慧。19 世纪末，研究实验室的建立催生了从化学到半导体再到制药等多领域内的创新涌现。这些转变不仅增加了科学生产力，还改变了科学本身，开辟了新的研究和发现领域。

那么，在当时，AI 如何实现类似的变革，不只是生成新的结果，还有生成新结果的新方式呢？

一种有前景的方法便是基于文献的发现（LBD）。

作为一种 AI 方法，LBD 旨在通过分析科学文献来进行新的发现。早在 20 世纪 80 年代，为寻找医学期刊数据库 MEDLINE 中的新关联，芝加哥大学的 Don Swanson 博士就建立了第一个 LBD 系统。这一方法的早期成功之一体现在将雷诺氏病（一种循环系统疾病）与血液黏度相关联，并提出鱼油可能对治疗有用的猜想，这一猜想后来得到实验证实。然而，当时 LBD 系统的影响范围有限。

如今，AI 在自然语言处理（NLP）方面取得了显著进展，同时科学文献数量也大幅增加，使得 LBD 方法变得更加强大。例如，2019 年，美国劳伦斯伯克利国家实验室的研究人员使用无监督学习技术分析材料科学文献的摘要，并将其转化为数学表示形式，被称为“单词嵌入”。这种方法允许 AI 系统获得“化学直觉”，并提出可能具有特定性质的新材料。实验验证后，所有前十名的候选材料都表现出了卓越的性能。

近期，由芝加哥大学的社会学家 Jamshid Sourati 和 James Evans 在《自然·人类行为》杂志上发表的一篇论文以一种新颖的方式扩展了这种方法。研究人员培训了一个系统，既考虑概念又考虑作者，并取得了比之前更好的成果。此外，他们要求系统避开主流研究方向，识别出“外星”假设，这些假设在正常情况下不太可能被发现。这一方法不仅有助于加速科学发现，还揭示了新的“盲点”。

如今，LBD 系统不仅可以提出新的研究假设，还可以识别潜在的合作伙伴，促进跨学科合作。这种方法的应用正在扩展到处理表格、图表和数据等不同类型的文献，为科学家提供更广泛的支持。

机器人科学家：AI 引领实验室革命

机器人科学家代表了另一种令人兴奋的发展，它们超越了传统实验室自动化。它们通过数据、研究论文和专利的形式获得有关特定研究领域的背景知识，然后生成假设、执行实验、评估结果，最终发现新的科学知识。

亚伯大学的“Adam”是机器人科学家的先驱，它首次实现了自主发现新的科学知识，关于酵母代谢中基因和酶之间关系的实验是一个典型案例。

更复杂的机器人科学家，如“Eve”，在计划和分析实验时，它使用机器学习创建“定量构效关系”（QSARs）——将化学结构与生物效应相关联的数学模型。Eve 已经用于药物发现，成功地发现了一种用于牙膏中的抗微生物化合物三氯生（triclosan）可以抑制引发疟疾的寄生虫中的关键机制。

曾经，人们认为机器战胜最优秀的人类选手的前景似乎还要等上几十年，但技术的进步比预期更快。随着机器人科学家的能力越来越强，将未来的机器人科学家与会下棋的 AI 系统进行竞赛也指日可待。

创建 Adam 的剑桥大学 AI 研究员 Ross King 表示，“如果 AI 能够探索整个假设空间，甚至扩大这个空间，那么它可能会显示出人类只是在探索假设空间的一小部分，或许是他们自己的科学偏见导致的。”

机器人科学家通过解决科学领域的效率问题，以一种独特的方式改变了科学研究。科学研究的效率逐渐降低，难以推动知识前沿的发展，而机器人科学家可以通过 AI 驱动的系统来解决这个问题，因为机器比人类更快、更便宜、更准确地进行实验室工作，而且可以全天候工作。此外，它们还能够提供可重复性的实验结果，缓解了可重复性危机。

AI 在科学中的潜力与挑战

尽管 AI 在科学中具有巨大潜力，但也面临着一些挑战。

除了更好的硬件和软件以及两者之间更紧密的集成之外，还需要更大的实验室自动化系统之间的互操作性，以及允许 AI 算法交换和解释语义信息的常见标准。另一个障碍是科学家对基于 AI 的工具缺乏熟悉度。另外，一些研究人员还会担心自动化会威胁到他们的工作。

然而，南加州大学计算机科学家 Yolanda Gil 博士表示，AI 的影响现在“深远而普遍”。许多科学家现在正在“积极寻找 AI 合作伙伴”。对 AI 潜力的认识正在增长，特别是在材料科学和药物发现领域，从业者正在构建自己的 AI 系统。

总的来说，科学期刊改变了科学家发现信息和相互借鉴的方式。研究实验室则扩大了实验规模，实现了实验的工业化。通过扩展和结合前两次变革，AI 的确可以改变科学研究的方式。

参考链接：