編輯、整理丨BioArt編輯部

在今天的實(shí)驗(yàn)室里，你很可能會(huì)看到這樣一幅景象：一位研究員一邊喝著咖啡，一邊和屏幕上的聊天窗口討論著復(fù)雜的科學(xué)問題。這位不知疲倦、學(xué)識(shí)淵博的 “ 同事 ” ，正是像 ChatGPT 這樣的大型語言模型（LLM）。我們對(duì)這些 AI“ 合作者 ” 寄予厚望，期待它們能加速科學(xué)發(fā)現(xiàn)的進(jìn)程。

但這引發(fā)了一個(gè)關(guān)鍵問題：這些 AI 代理在提出真正原創(chuàng)的科學(xué)假說方面，真的能與浸淫領(lǐng)域數(shù)十載的人類科學(xué)家相提并論嗎？它們是真正的創(chuàng)意伙伴，還是只是一個(gè)超級(jí)高效的圖書管理員？

近日， Science Immunology 發(fā)表一個(gè)有趣的研究：

AI immunologists are here: Are they ready for prime time?

AI 是個(gè)出色的實(shí)習(xí)生，但還不是PI

實(shí)驗(yàn)結(jié)果首先肯定了 AI 的強(qiáng)大能力。在 “ 創(chuàng)造力游戲 ” 中，像 ChatGPT-4o 這樣的頂尖模型在回顧相關(guān)文獻(xiàn)、生成看似合理的假說，甚至建議驗(yàn)證實(shí)驗(yàn)等方面都表現(xiàn) “ 出色 ” （ admirably ）。它能迅速整理信息，提出有理有據(jù)的初步想法，就像一個(gè)頂尖的博士生。

然而，它的核心局限也暴露無遺。盡管AI能熟練地運(yùn)用“眾所周知”的知識(shí)，但在生成真正意義上的“原創(chuàng)材料”（ original materials ），比如一個(gè)前所未有的假說或一種創(chuàng)新的實(shí)驗(yàn)程序時(shí)，它就顯得力不從心了。例如，在分析固醇調(diào)節(jié)元件結(jié)合蛋白（ SREBPs ）時(shí)， AI 可以完美地 “ 反芻 ” 文獻(xiàn)中已知的關(guān)于 SREBPs 在免疫中的功能，但對(duì)于解釋疫苗反應(yīng)中代謝調(diào)控的深層 “ 機(jī)制性見解 ” （ mechanistic insights ） —— 一個(gè)需要真正洞察力的任務(wù) —— 它卻束手無策。

正如研究人員在論文中指出的那樣：AI目前能幫你把已有的點(diǎn)連接起來，但還無法發(fā)現(xiàn)那些地圖上尚未標(biāo)出的新大陸。

想讓 AI 更有創(chuàng)意？提問的方式得 “ 粗線條 ” 一些

我們都知道， LLM 對(duì)我們輸入提示詞（ Prompt ）的微小變化都極為敏感，有時(shí)多一個(gè)空格 都可能產(chǎn)生 “ 蝴蝶效應(yīng) ” ，導(dǎo)致結(jié)果大相徑庭。但當(dāng)目標(biāo)是激發(fā)創(chuàng)造力時(shí)，一個(gè)反直覺的現(xiàn)象出現(xiàn)了。

這項(xiàng) 研究發(fā)現(xiàn)， AI 假說的生成存在一個(gè) “ 新穎性 - 可驗(yàn)證性權(quán)衡 ” （ novelty-verifiability trade-off ）。令人驚訝的是，觸發(fā)更高創(chuàng)造力的策略，恰恰是提供更少的信息。

• “ 零樣本 ” 提示（ Zero-shot prompts ） ：當(dāng)研究人員不給 AI 任何具體的例子，只是提出一個(gè)開放性問題時(shí)， AI 反而能產(chǎn)生更具創(chuàng)造力、更大膽的假說。

• “ 五樣本 ” 提示（ Five-shot prompts ） ：相反，如果給 AI 提供五個(gè)相關(guān)的上下文示例，它產(chǎn)生的假說雖然更 “ 接地氣 ” 、更符合現(xiàn)有文獻(xiàn)，但也因此失去了新穎性，創(chuàng)造力大打折扣。

這個(gè)發(fā)現(xiàn)顛覆了我們的常規(guī)認(rèn)知。我們通常認(rèn)為，給 AI 提供更豐富的上下文信息會(huì)讓它表現(xiàn)得更好。然而，在追求科學(xué)創(chuàng)新的道路上，有時(shí)候“少即是多”。給AI留出更多“想象空間”，似乎更能激發(fā)它的創(chuàng)造潛能。

評(píng)估 AI 創(chuàng)造力的最大障礙，可能就是人類專家自己

這個(gè)發(fā)現(xiàn)或許最具爭(zhēng)議性。 Rodriguez 等人在研究中特別強(qiáng)調(diào)了 “ 人類監(jiān)督 ” （ human oversight ）的局限性。當(dāng)我們請(qǐng)領(lǐng)域內(nèi)的專家來評(píng)估 AI 生成的假說是否 “ 有創(chuàng)意 ” 時(shí)，一個(gè)悖論出現(xiàn)了：專家的評(píng)估標(biāo)準(zhǔn)本身，可能就成了創(chuàng)新的絆腳石。

原因在于，專家的深厚知識(shí)和經(jīng)驗(yàn)建立在現(xiàn)有的科學(xué)范式之上。因此，他們?cè)谠u(píng)估時(shí)可能會(huì)不自覺地偏愛那些符合 “ 傳統(tǒng)科學(xué)智慧 ” （ conventional scientific wisdom ）的想法，而對(duì)那些跳出既定框架、看似 “ 離經(jīng)叛道 ” 的創(chuàng)新想法給予低估或直接忽略。這就像讓一位古典音樂大師去評(píng)判一場(chǎng)前衛(wèi)的電子音樂會(huì)，他可能會(huì)因?yàn)椴环蟼鹘y(tǒng)樂理而給出差評(píng)。這凸顯了一個(gè)迫切的需求：我們需要開發(fā)一套一致的、量化的評(píng)估指標(biāo)，來客觀衡量 AI 的認(rèn)知能力和創(chuàng)意的 “ 新穎性 ” 。像 “ 相對(duì)鄰居密度算法 ” （ Relative Neighbor Density algorithm ）這樣的工具正在朝這個(gè)方向努力，它試圖通過算法來識(shí)別那些處于知識(shí)網(wǎng)絡(luò)稀疏區(qū)域的 “ 創(chuàng)新 ” 想法。

AI 科研的未來不是獨(dú)行俠，而是 “ 機(jī)器人團(tuán)隊(duì)會(huì)議 ”

如果說單個(gè) AI 的表現(xiàn)還不足以獨(dú)當(dāng)一面，那么最有前途的未來方向，似乎是組建一個(gè) AI 團(tuán)隊(duì)。這種 “ 多代理 ” （ multiagent ）方法，不再是讓一個(gè) AI 與人類互動(dòng)，而是讓多個(gè) AI 代理（各自被賦予不同角色）相互協(xié)作、辯論，并與人類研究員共同工作。

這就像組建一個(gè)虛擬實(shí)驗(yàn)室團(tuán)隊(duì)。一個(gè)名為 “ 虛擬實(shí)驗(yàn)室 ” （ The Virtual Lab ）的項(xiàng)目就是絕佳例證。在這個(gè)項(xiàng)目中，一個(gè) AI 扮演首席研究員（ PI ），它根據(jù)人類設(shè)定的目標(biāo)，組建了一個(gè)由 AI 免疫學(xué)家、 AI 計(jì)算生物學(xué)家和 AI 機(jī)器學(xué)習(xí)專家組成的團(tuán)隊(duì)。在整個(gè)互動(dòng)過程中，一個(gè)驚人的數(shù)據(jù)顯示：超過 98% 的文字是由 LLM 代理生成的。這個(gè) AI 團(tuán)隊(duì)最終設(shè)計(jì)出了 92 種納米抗體，其中兩種經(jīng)真實(shí)實(shí)驗(yàn)證明有效。

另一個(gè)名為 “CellForge” 的多代理系統(tǒng)也展示了這種趨勢(shì)。這些系統(tǒng)證明，通過模擬跨學(xué)科的團(tuán)隊(duì)合作， AI 能夠完成從數(shù)據(jù)整理到模型構(gòu)建再到結(jié)果分析的復(fù)雜科研工作流。當(dāng)然，目前的局限也很明顯：它們的核心任務(wù)仍然是 “ 計(jì)算性的 ” （ computational in nature ），如何與真實(shí)世界的濕實(shí)驗(yàn)形成反饋閉環(huán)，將是 “ 關(guān)鍵的下一步 ” 。

結(jié)論

所以，AI免疫學(xué)家準(zhǔn)備好迎接黃金時(shí)代了嗎？答案是：?jiǎn)蝹€(gè)的AI或許還沒有，但一個(gè)由AI專家、AI批評(píng)家和人類科學(xué)家組成的跨學(xué)科“AI團(tuán)隊(duì)”，正展現(xiàn)出解決復(fù)雜科學(xué)問題的巨大潛力。它們不再僅僅是知識(shí)的提取器，而開始成為知識(shí)的創(chuàng)造者。

隨著這些 AI 團(tuán)隊(duì)與真實(shí)世界的實(shí)驗(yàn)室數(shù)據(jù)和實(shí)驗(yàn)反饋實(shí)現(xiàn)閉環(huán)，未來的問題或許不再是它們 能否 做出突破性發(fā)現(xiàn)，而是當(dāng)它們做到時(shí)，我們又該如何自處？

https://www.science.org/doi/10.1126/sciimmunol.aea8735

制版人： 十一

學(xué)術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個(gè)人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點(diǎn)擊主頁推薦活動(dòng)

關(guān)注更多最新活動(dòng)！