在世界各地的實(shí)驗(yàn)室中，人工智能工具一直在幫助研究人員整理數(shù)據(jù)、模擬反應(yīng)，甚至生成看似合理的假設(shè)。剛開始是助手，然后是合作者；現(xiàn)在，界限越來(lái)越模糊。機(jī)器正在學(xué)習(xí)提出自己的問(wèn)題，在某些情況下，還會(huì)設(shè)計(jì)自己的實(shí)驗(yàn)來(lái)回答這些問(wèn)題。

《自然》雜志最近的一篇文章將這種緊張關(guān)系重新聚焦，提出了一個(gè)大膽的問(wèn)題：人工智能能獲得諾貝爾獎(jiǎng)嗎？我們終于到了這個(gè)著名獎(jiǎng)項(xiàng)授予機(jī)器或軟件的階段了嗎？好吧，這似乎不再像幾年前那樣難以置信了。

從預(yù)測(cè)化學(xué)反應(yīng)到揭示生物途徑，人工智能模型正朝著自主發(fā)現(xiàn)的方向邁進(jìn)。一些研究人員表示，一臺(tái)機(jī)器產(chǎn)出獲得諾貝爾獎(jiǎng)的作品只是時(shí)間問(wèn)題。唯一不太清楚的是，我們是否準(zhǔn)備為它的工作頒發(fā)諾貝爾獎(jiǎng)。

與這個(gè)問(wèn)題相關(guān)的最矚目的舉措之一是諾貝爾圖靈挑戰(zhàn)賽。該計(jì)劃由索尼人工智能首席執(zhí)行官Hiroaki Kitano于2016年推出，為人工智能在科學(xué)領(lǐng)域的未來(lái)設(shè)定了雄心勃勃的目標(biāo)。它提出了我們現(xiàn)在問(wèn)的同一個(gè)問(wèn)題：我們能否建造一個(gè)可以因自己的發(fā)現(xiàn)而獲得諾貝爾獎(jiǎng)的人工智能？不是作為助手，甚至不是作為合作者，而是作為整個(gè)科學(xué)過(guò)程背后的主要架構(gòu)師。

為了取得成功，這樣一個(gè)系統(tǒng)必須確定自己的研究問(wèn)題，設(shè)計(jì)和進(jìn)行自己的實(shí)驗(yàn)，理解結(jié)果，并發(fā)現(xiàn)真正的新東西。這需要是一個(gè)完全獨(dú)立的發(fā)現(xiàn)，基于即使是人類研究人員也沒(méi)有預(yù)料到或理解的新想法或途徑。到目前為止，這還沒(méi)有發(fā)生。

然而，據(jù)一些人說(shuō)，這一時(shí)刻比我們所知道的更近。劍橋大學(xué)人工智能研究員、比賽組織者之一Ross King說(shuō)：“人類水平的繪畫是一個(gè)挑戰(zhàn)。”他認(rèn)為，科學(xué)突破也是如此。這可能需要幾十年的時(shí)間，也可能會(huì)更早到來(lái)。

人工智能的進(jìn)步令人印象深刻。雖然目前還沒(méi)有人工智能獲得諾貝爾獎(jiǎng)，但這一想法的早期形態(tài)已經(jīng)在今天的研究實(shí)驗(yàn)室中可見。2024年，諾貝爾化學(xué)獎(jiǎng)授予了AlphaFold的創(chuàng)造者，該系統(tǒng)對(duì)蛋白質(zhì)如何折疊成三維進(jìn)行了極其準(zhǔn)確的預(yù)測(cè)。該項(xiàng)目背后的人類獲得了獎(jiǎng)項(xiàng)，但取得突破的是人工智能。那一刻標(biāo)志著一個(gè)轉(zhuǎn)變。這表明機(jī)器可以做的不僅僅是提供幫助。他們可能會(huì)回答困擾科學(xué)家?guī)资甑膯?wèn)題。

其他案例正在迅速出現(xiàn)。在卡內(nèi)基梅隆大學(xué)，研究人員開發(fā)了Coscientist系統(tǒng)，該系統(tǒng)利用LLM（大型語(yǔ)言模型）與機(jī)器人實(shí)驗(yàn)室設(shè)備規(guī)劃和執(zhí)行復(fù)雜的化學(xué)反應(yīng)。在斯坦福大學(xué)，人工智能模型正在RNA數(shù)據(jù)中發(fā)現(xiàn)生物模式，這些模式即使是最有經(jīng)驗(yàn)的研究人員也無(wú)法發(fā)現(xiàn)。

在FutureHouse等初創(chuàng)公司中，團(tuán)隊(duì)正在構(gòu)建一個(gè)人工智能代理的模塊化系統(tǒng)，每個(gè)代理都針對(duì)特定的科學(xué)任務(wù)進(jìn)行了調(diào)整，例如構(gòu)建實(shí)驗(yàn)數(shù)據(jù)、規(guī)劃研究或查找相關(guān)論文。他們正在訓(xùn)練人工智能系統(tǒng)提出自己的科學(xué)問(wèn)題，并試驗(yàn)人工智能在沒(méi)有人類指導(dǎo)的情況下可以自己做什么。

當(dāng)然，這些可能只是小步，但它們暗示了更大的東西。人工智能不再只是加速發(fā)現(xiàn)。它開始自己思考，以一些非常真實(shí)的方式，這可能已經(jīng)足以從根本上改變發(fā)現(xiàn)的方式和發(fā)現(xiàn)者。

盡管如此，即使取得了所有這些進(jìn)展，真正獨(dú)立的“人工智能科學(xué)家”仍然遙不可及。艾倫人工智能研究所的研究人員最近測(cè)試了數(shù)十個(gè)系統(tǒng)，發(fā)現(xiàn)雖然大多數(shù)系統(tǒng)可以完成小而明確的任務(wù)，但幾乎沒(méi)有一個(gè)系統(tǒng)可以從頭到尾進(jìn)行完整的研究。他們可以預(yù)測(cè)模式，模擬反應(yīng)，甚至寫報(bào)告，但當(dāng)被要求對(duì)整個(gè)發(fā)現(xiàn)進(jìn)行設(shè)計(jì)和推理時(shí)，成功率會(huì)急劇下降。換句話說(shuō)，人工智能可以更容易地模仿科學(xué)成果，而不是創(chuàng)造真正原創(chuàng)的東西。

這種差距可能歸結(jié)為機(jī)器尚未實(shí)現(xiàn)的東西：人類經(jīng)驗(yàn)。正如亞利桑那州立大學(xué)的Subbarao Kambhampati所指出的那樣，人工智能只能通過(guò)數(shù)據(jù)學(xué)習(xí)。人類科學(xué)家生活在他們研究的世界中，受到好奇心、直覺，有時(shí)甚至失敗的引導(dǎo)。

“我非常支持人工智能可以加速科學(xué)的說(shuō)法，”Kambhampati說(shuō)。“但你說(shuō)不需要人類科學(xué)家，這臺(tái)機(jī)器就會(huì)做出一些值得諾貝爾獎(jiǎng)的發(fā)現(xiàn)，聽起來(lái)只不過(guò)是炒作?！?/p>

南加州大學(xué)的Yolanda Gil花了數(shù)年時(shí)間思考人工智能需要什么樣的智能才能真正像科學(xué)家那樣推理。她認(rèn)為，關(guān)鍵在于教會(huì)系統(tǒng)要反思自己的思維，而不僅僅是處理更多的數(shù)據(jù)。盡管如此，她承認(rèn)，隨著LLM搶走了人們的眼球，朝著這個(gè)方向的工作已經(jīng)淡出了人們的視線。她告訴《自然》雜志：“使用生成式人工智能技術(shù)可以獲得許多令人興奮的結(jié)果，但還有很多其他領(lǐng)域需要注意?！?/p>

不可否認(rèn)，人工智能在科學(xué)研究和開發(fā)方面越來(lái)越好。但即使人工智能確實(shí)取得了值得獲獎(jiǎng)的發(fā)現(xiàn)，諾貝爾委員會(huì)也會(huì)面臨一個(gè)問(wèn)題：規(guī)則仍然規(guī)定獎(jiǎng)項(xiàng)必須頒給一個(gè)人。也許這才是現(xiàn)在真正的問(wèn)題。不是一臺(tái)機(jī)器能否獲得諾貝爾獎(jiǎng)，而是當(dāng)它最終創(chuàng)造出自己的有價(jià)值的發(fā)現(xiàn)時(shí)，我們是否準(zhǔn)備好給予它相當(dāng)?shù)臉s譽(yù)。

與 Ai 時(shí)代前沿合作，將大門向更多普通用戶敞開！無(wú)論你是對(duì)新技術(shù)充滿好奇心的愛好者，還是希望提升自己技能的職場(chǎng)人士，這里都有適合你的課程和資源。歡迎掃碼加入我們！