編譯 苦山

2019年，美國麻省理工學(xué)院的科學(xué)家在現(xiàn)代醫(yī)學(xué)領(lǐng)域做到了一件不同尋常的事——他們發(fā)現(xiàn)了一種新的抗生素，哈爾素（halicin）。今年5月，另一個團(tuán)隊發(fā)現(xiàn)了第二種新抗生素，阿鮑素（abaucin）。這兩種化合物引人注目的地方不僅在于它們能夠?qū)箖煞N已知最危險的抗生素耐藥細(xì)菌，還在于人們找出它們的方式。

在兩個案例中，研究人員都使用了人工智能模型來篩選數(shù)百萬種候選化合物，以識別哪些化合物最適合對付某種“超級細(xì)菌”。這個模型的訓(xùn)練數(shù)據(jù)是幾千種已知抗生素的化學(xué)結(jié)構(gòu)，以及它們在實驗室里對抗細(xì)菌的效果之優(yōu)劣。在這個訓(xùn)練過程中，該模型找出了化學(xué)結(jié)構(gòu)和成功破壞細(xì)菌之間的聯(lián)系。一等到人工智能給出候選名單，科學(xué)家就在實驗室里對它們進(jìn)行了測試，并確定了他們要找的抗生素。麻省理工學(xué)院的計算機科學(xué)家蕾吉娜 · 巴茲萊（Regina Barzilay）參與了阿鮑素和哈爾素的發(fā)現(xiàn)過程，她表示，如果說發(fā)現(xiàn)新藥就像在干草堆中尋找一根針，那么人工智能就像是金屬探測器。將候選藥物從實驗室投入到臨床需要多年的醫(yī)學(xué)試驗。但毫無疑問，人工智能加速了該過程前期的反復(fù)試錯部分。巴茲萊博士表示，它提供了全新的可能性。“有了人工智能，我們將要提出的問題類型將與我們今天提出的問題大不相同?！卑推澣R說。

藥物發(fā)現(xiàn)并不是唯一一個被人工智能的潛力震撼的領(lǐng)域。從預(yù)測天氣，到為電池和太陽能板尋找新材料，再到控制核聚變反應(yīng)——處理著世界上最復(fù)雜和最重要問題的研究人員紛紛轉(zhuǎn)向了人工智能，以增強或加快他們的研究進(jìn)程。

人工智能的潛力是巨大的?？偛课挥趥惗氐墓雀鐳 e e p M i n d的聯(lián)合創(chuàng)始人戴米斯 · 哈薩比斯（Demis Hassabis）表示：“人工智能可能會引領(lǐng)科學(xué)發(fā)現(xiàn)的新一輪文藝復(fù)興，成為人類創(chuàng)造力的放大器。”他把人工智能比作望遠(yuǎn)鏡，一種能讓科學(xué)家比裸眼看得更遠(yuǎn)、理解得更深的基本科技。

你去哪里啦 ？

盡管人工智能自20世紀(jì)60年代以來一直是“科學(xué)工具箱”的一部分，但在多數(shù)時間里，它的應(yīng)用場合都局限在那些科學(xué)家們已經(jīng)精通計算機代碼的學(xué)科領(lǐng)域，例如粒子物理學(xué)或數(shù)學(xué)。然而，根據(jù)澳大利亞科學(xué)機構(gòu)聯(lián)邦科學(xué)與工業(yè)研究組織的數(shù)據(jù)，到了2023年，隨著深度學(xué)習(xí)的興起，超過99%的研究領(lǐng)域都產(chǎn)出了與人工智能相關(guān)的結(jié)果。倫敦艾倫 · 圖靈研究所的首席科學(xué)家馬克 · 吉羅拉米（Mark Girolami）表示：“民主化是導(dǎo)致這種爆炸性增長的重要因素?！边^去需要計算機科學(xué)學(xué)位和一系列晦澀難懂的編程語言才能完成的工作，現(xiàn)在可以通過方便用戶使用的人工智能工具來實現(xiàn)，這些工具通常在向OpenAI的聊天機器人ChatGPT送出查詢指令后即可開始運作。因此，科學(xué)家們可以輕松地得到一位堅韌、超人般的研究助手，它能夠解出方程，還能不知疲倦地篩選大量數(shù)據(jù)，以尋找其中的任何模式或相關(guān)性。

例如，在材料科學(xué)領(lǐng)域，研究者面臨的問題與藥物發(fā)現(xiàn)領(lǐng)域類似——可能存在的化合物數(shù)量多得難以想象。當(dāng)英國利物浦大學(xué)的研究人員在尋找具有制造更好電池所需的特殊性質(zhì)的材料時，他們使用了一種被稱為“自動編碼器”的人工智能模型，在世界上最大的無機晶體結(jié)構(gòu)數(shù)據(jù)庫中搜索了所有已知的20萬種穩(wěn)定的晶體化合物。此前，該人工智能已經(jīng)學(xué)習(xí)了新電池材料實現(xiàn)其目標(biāo)所需的最重要的物理和化學(xué)特性，它將這些條件應(yīng)用到了搜索中。它成功地將科學(xué)家需要在實驗室中測試的候選化合物從幾千種減少到了僅僅五種，節(jié)省了時間和金錢。

最終的候選材料是一種結(jié)合了鋰、錫、硫和氯的材料，這種材料很新穎，不過要判斷它是否能投入商業(yè)應(yīng)用還為時過早。然而，這種人工智能方法正被研究人員用于發(fā)現(xiàn)其他類型的新材料。

你做了什么夢呀 ？

人工智能還可以用于預(yù)測。蛋白質(zhì)在細(xì)胞中形成后折疊成的形狀對于其發(fā)揮功能至關(guān)重要，然而科學(xué)家們尚未了解蛋白質(zhì)是如何折疊的。但在2021年，谷歌深腦開發(fā)了阿爾法折疊模型（AlphaFold），該模型通過自學(xué)學(xué)會了如何僅憑蛋白質(zhì)的氨基酸序列預(yù)測其結(jié)構(gòu)。自發(fā)布以來，阿爾法折疊生成了一個數(shù)據(jù)庫，內(nèi)含超過2億種預(yù)測出的蛋白質(zhì)結(jié)構(gòu)，已有超過120萬名研究人員使用過它。例如，英國牛津大學(xué)的生物化學(xué)家馬修 · 希金斯（Matthew Higgins）利用阿爾法折疊找出了蚊子體內(nèi)一種蛋白質(zhì)的形狀，這種蛋白質(zhì)對蚊子時常攜帶的瘧原蟲非常重要。隨后，他結(jié)合阿爾法折疊的預(yù)測，計算出這種蛋白質(zhì)的哪些部分最容易被藥物靶向。另一個團(tuán)隊利用阿爾法折疊在短短30天內(nèi)找到了一種蛋白質(zhì)結(jié)構(gòu)，該蛋白質(zhì)會影響某類肝癌的增殖，從而為設(shè)計新的靶向療法開辟了道路。

阿爾法折疊也對生物學(xué)其他方面的理解作出了貢獻(xiàn)。例如，一個細(xì)胞的細(xì)胞核存在多個“門”，可以將物質(zhì)帶入細(xì)胞內(nèi)以產(chǎn)生蛋白質(zhì)。數(shù)年前，科學(xué)家知道核“門”的存在，但對它們的結(jié)構(gòu)知之甚少。通過阿爾法折疊，科學(xué)家預(yù)測出了“門”的結(jié)構(gòu)，這也有助于理解細(xì)胞的內(nèi)部機制。阿爾法折疊的發(fā)明者之一、如今擔(dān)任谷歌深智“科學(xué)人工智能”團(tuán)隊負(fù)責(zé)人的普什米特 · 科利（Pushmeet Kohli）表示：“我們并不真正、完全理解（人工智能）是如何得出這種結(jié)構(gòu)的。但是，一旦它構(gòu)造出了這個結(jié)構(gòu)，實際上就提供了一種基礎(chǔ)，如今，整個科學(xué)界都可以在此基礎(chǔ)上進(jìn)行建設(shè)。”

在加速復(fù)雜的計算機模擬方面，人工智能也證明了自己可堪大用。例如，天氣模型是基于能夠描述地球大氣在任何給定時間狀態(tài)的數(shù)學(xué)方程構(gòu)建的。然而，預(yù)報天氣的超級計算機價格昂貴、耗能大，并且計算需要花費大量時間。此外，為了跟上來自全球氣象站的不斷涌入的數(shù)據(jù)，模型必須一次又一次地運行。

因此，氣候科學(xué)家和私營公司開始利用機器學(xué)習(xí)以加快速度。盤古氣象是由中國企業(yè)華為構(gòu)建的人工智能系統(tǒng)，它可以預(yù)測一周內(nèi)的天氣，預(yù)測速度比現(xiàn)行標(biāo)準(zhǔn)快數(shù)千倍，成本也低至原來的數(shù)千分之一，且精確度沒有任何顯著下降。由美國芯片制造商英偉達(dá)構(gòu)建的傅測網(wǎng)絡(luò)模型（FourCastNet）可以在不到兩秒鐘的時間內(nèi)生成此類預(yù)報，并且是第一個以高空間分辨率準(zhǔn)確預(yù)測降雨的人工智能模型，這對于預(yù)測山洪暴發(fā)等自然災(zāi)害至關(guān)重要。這兩種人工智能模型都是通過學(xué)習(xí)觀測數(shù)據(jù)或超級計算機的模擬輸出數(shù)據(jù)來訓(xùn)練預(yù)測天氣的。而它們僅僅是開始——英偉達(dá)已經(jīng)宣布計劃建立地球的數(shù)字孿生體，名為“地球二號”（Earth-2），該公司希望這個計算機模型能夠在更區(qū)域性的層面上提前幾十年預(yù)測氣候變化。

與此同時，試圖掌握核聚變能量的物理學(xué)家一直在使用人工智能來控制復(fù)雜的設(shè)備。聚變研究的方法之一是在一種叫托卡馬克的甜甜圈形容器內(nèi)制造氫等離子體（一種過熱的帶電氣體）。當(dāng)溫度足夠高時（約1億攝氏度左右），等離子體中的粒子開始融合并釋放能量。但如果等離子體接觸到托卡馬克的容器內(nèi)壁，就會冷卻并停止工作，因此物理學(xué)家要將氣體約束在磁籠中。找到正確的磁場配置極其困難，手動控制它則需要設(shè)計數(shù)學(xué)方程來預(yù)測等離子體的行為，然后每秒鐘對大約10個不同的磁線圈進(jìn)行數(shù)千次小調(diào)整。相比之下，谷歌深智和瑞士洛桑聯(lián)邦理工學(xué)院的科學(xué)家構(gòu)建的人工智能控制系統(tǒng)允許科學(xué)家們在計算機模擬中對不同形狀的等離子體進(jìn)行嘗試，然后人工智能會找到最佳方案。

自動化和加速物理實驗及實驗室工作是另一個引發(fā)興趣的領(lǐng)域。“自運行實驗室”可以規(guī)劃實驗，使用機械臂執(zhí)行實驗，隨后分析結(jié)果。自動化可以用比過去快最高1 000倍的速度發(fā)現(xiàn)新化合物，或是找到更好的方法去制造現(xiàn)有化合物。

你已經(jīng)在大展宏圖的路上

隨著2022年ChatGPT的問世，生成式人工智能迅速成為公眾關(guān)注的焦點，但科學(xué)家們對它的研究已經(jīng)持續(xù)了很長一段時間，它在科學(xué)上有兩種主要的用途。首先，它可以用于生成數(shù)據(jù)?！俺直媛省比斯ぶ悄苣Ｐ涂梢詫⒘畠r、低分辨率的電子顯微鏡圖像增強為原本因過于昂貴而無法記錄的高分辨率圖像。人工智能對材料或生物樣本的同一小塊區(qū)域的高分辨率和低分辨率圖像進(jìn)行比較。該模型學(xué)習(xí)兩種分辨率圖像之間的差異，此后就可以在它們之間進(jìn)行轉(zhuǎn)換。

正如大語言模型（LLM）可以通過預(yù)測序列中的下一個最佳單詞來生成流暢的句子一樣，生成式分子模型可以一個原子一個原子、一個鍵一個鍵地構(gòu)建分子。大語言模型結(jié)合自學(xué)的統(tǒng)計數(shù)據(jù)和從互聯(lián)網(wǎng)上挑選出來的數(shù)萬億字的訓(xùn)練文本，以模仿人類的方式進(jìn)行寫作?！叭路肿釉O(shè)計”模型通過大量已知藥物及其性質(zhì)的數(shù)據(jù)庫進(jìn)行訓(xùn)練，它可以找出哪些分子結(jié)構(gòu)最有可能做哪些事情，并據(jù)此構(gòu)建?？偛课挥诿绹永Ｄ醽喼莸奈窒６髦扑幑揪鸵赃@種方式制造出了候選藥物，其中幾種正在動物身上進(jìn)行試驗，還有一種精準(zhǔn)抗凝劑目前正處于臨床試驗的第一階段。與人工智能識別出的新型抗生素和電池材料一樣，由算法設(shè)計出的化學(xué)品也需要在現(xiàn)實世界中進(jìn)行常規(guī)試驗，然后才能評估其有效性。

滑鐵盧大學(xué)的心理學(xué)家伊戈爾 · 格羅斯曼（Igor Grossmann）為大語言模型提供了一種更具未來主義色彩的用途。如果在輸入真實（或虛構(gòu)的）背景故事作為提示指令后，大語言模型能夠準(zhǔn)確地反映人類參與者可能說出的話語，那么它們在理論上就可以取代焦點小組，或者被用作經(jīng)濟(jì)學(xué)研究的決策主體。我們可以用不同的人格形象訓(xùn)練大語言模型，這樣，它們的行為就可以被用來模擬實驗，如果得出的結(jié)果有意思的話，之后可以通過人類受試者進(jìn)行確認(rèn)。

遍布宇宙

多種類型的人工智能已經(jīng)在廣泛的科學(xué)學(xué)科中得到了應(yīng)用

計數(shù)瀕危動物

野生動物保護(hù)

神經(jīng)網(wǎng)絡(luò)能夠識別照片中的有害海星并計數(shù)無人機圖片中的瀕危物種。在一項研究中，人工智能對320萬張圖片自動分類，節(jié)省了8.4年的人力。

理解大腦

神經(jīng)科學(xué)

“幾何”式的深度學(xué)習(xí)解碼了神經(jīng)元群體如何協(xié)同工作。從形狀觀察大腦可以幫助科學(xué)家更好地理解大腦的疾病和正常運作。

揭示扭結(jié)中的隱藏模

純數(shù)學(xué)

研究者用一種神經(jīng)網(wǎng)絡(luò)找到了扭結(jié)的幾何和代數(shù)表達(dá)之間存在著某種此前未知的聯(lián)系。該人工智能還發(fā)現(xiàn)了它們底層結(jié)構(gòu)的新方面。

從大量的資料中可以看出，冬季凍害和早春霜凍預(yù)防是非常重要的，幾乎所有關(guān)于葡萄的技術(shù)資料中都有很詳細(xì)的介紹，果農(nóng)可以根據(jù)自己的情況選擇應(yīng)用。

檢測異常

基礎(chǔ)物理學(xué)

大型強子對撞機內(nèi)的粒子碰撞在每小時內(nèi)產(chǎn)生的數(shù)據(jù)比臉書（Facebook）每年產(chǎn)生的數(shù)據(jù)還多。機器學(xué)習(xí)幫助科學(xué)家篩選數(shù)據(jù)，并在2012年發(fā)現(xiàn)了希格斯玻色子。

解碼鯨的聲音

語言學(xué)

研究人員使用生成對抗網(wǎng)絡(luò)來推斷抹香鯨發(fā)聲中的哪些聲音對該動物來說意義最重大，朝著解碼鯨的交流系統(tǒng)邁出了一步。

量化不確定性

研究方法

人工智能可以全程追蹤一個復(fù)雜實驗或觀測中的不確定性和錯誤。例如，從望遠(yuǎn)鏡的初始測量一直追蹤到計算機分析的最后一步。

大語言模型已經(jīng)讓科學(xué)家自身變得更高效了。根據(jù)GitHub的數(shù)據(jù)，使用像其“協(xié)力者”（Copilot）這樣的工具可以幫助程序員在編寫軟件時速度提高55%。對所有科學(xué)家來說，在開始一個項目之前閱讀該領(lǐng)域的背景研究都可能是一項艱巨的任務(wù)——現(xiàn)代科學(xué)文獻(xiàn)的規(guī)模之龐大對于個人來說實在難以掌握。由美國非營利研究實驗室應(yīng)然（Ought）創(chuàng)建的免費在線人工智能工具“引導(dǎo)者”（Elicit）可以使用大語言模型幫助人們梳理大量的研究文獻(xiàn)并總結(jié)重要內(nèi)容，其速度要以比任何人類都快得多。不少學(xué)生和年輕科學(xué)家已經(jīng)在使用它了，他們中的許多人發(fā)現(xiàn)它有助于找到可引用的論文，或在面對大量文本時定義研究方向。大語言模型甚至可以幫助人們從數(shù)百萬份文件中提取結(jié)構(gòu)化信息——例如使用特定藥物進(jìn)行的每一項實驗。

人工智能也可以幫助人們擴(kuò)大對學(xué)科內(nèi)知識的獲取。在日內(nèi)瓦的歐洲核子研究中心，大型強子對撞機的每個探測器都需要配備專門的操作員和分析師團(tuán)隊。如果負(fù)責(zé)各個探測器的物理學(xué)家不聚在一起分享他們的專業(yè)知識，就不可能整合和比較它們的數(shù)據(jù)。但對于想要快速測試新想法的理論物理學(xué)家來說，這個方法并不總是可行。因此，加州大學(xué)河濱分校的物理學(xué)家米格爾 · 阿拉蒂亞（Miguel Arratia）提出，利用人工智能將多個基礎(chǔ)物理實驗（甚至是宇宙觀測）的測量數(shù)據(jù)整合起來，這樣理論物理學(xué)家就可以快速探索、組合和重復(fù)利用這些數(shù)據(jù)來進(jìn)行自己的工作。

人工智能模型已經(jīng)證明了自己可以處理數(shù)據(jù)、自動計算和部分實驗室工作。但吉羅拉米博士警告說，雖然人工智能可能有助于幫助科學(xué)家填補知識空白，但這些模型仍然難以超越已知知識的邊界。這些系統(tǒng)擅長內(nèi)插（將現(xiàn)有的點連接起來），但在外推方面表現(xiàn)不佳（即想象下一個點可能落在何處）。

還有一些難題，即使是當(dāng)今最成功的人工智能系統(tǒng)也無法解決。比如，阿爾法折疊并不是每次都能正確預(yù)測出所有的蛋白質(zhì)結(jié)構(gòu)。位于加州拉霍亞的斯克里普斯研究所的結(jié)構(gòu)生物學(xué)家簡 · 戴森（Jane Dyson）說，她的研究重點是“無序”的蛋白質(zhì)，對于這類蛋白質(zhì)，人工智能的大部分預(yù)測都一塌糊涂?！斑@不是一場讓我們所有科學(xué)家都失業(yè)的革命?！贝送猓柗ㄕ郫B也仍未能解釋為什么蛋白質(zhì)會以這些方式折疊。“不過，也許人工智能有一個我們還不能理解的理論?！笨评┦空f。

盡管存在這些局限性，結(jié)構(gòu)生物學(xué)家仍然認(rèn)為阿爾法折疊使他們的工作變得更高效了。滿是蛋白質(zhì)預(yù)測值的數(shù)據(jù)庫讓科學(xué)家能夠在幾秒鐘內(nèi)推測出某種蛋白質(zhì)可能的結(jié)構(gòu)，而不必花費數(shù)年時間和數(shù)萬美元。

而在加速科學(xué)研究和發(fā)現(xiàn)的步伐，盡可能地提高效率方面，人工智能還大有可為。最近，經(jīng)濟(jì)合作組織（OECD）發(fā)表了一份有關(guān)人工智能在科學(xué)領(lǐng)域之應(yīng)用的報告，報告表示：“雖然人工智能正在滲透到科學(xué)界的所有領(lǐng)域和階段，但它還遠(yuǎn)未發(fā)揮出全部的潛力?！眻蟾婵偨Y(jié)道，人工智能可能帶來巨大的收益：“在人工智能的所有用途中，加快研究的生產(chǎn)力可能是最具經(jīng)濟(jì)和社會價值的。”

歡迎來到機器世界

如果人工智能工具能夠提高研究的生產(chǎn)率，世界無疑將獲得哈薩比斯博士所預(yù)言的“人類創(chuàng)造力的放大器”。但人工智能的潛力仍不止于此：就像望遠(yuǎn)鏡和顯微鏡讓科學(xué)家看到世界的更多角落一樣，人工智能中使用的概率論的、數(shù)據(jù)驅(qū)動的模型將越來越讓科學(xué)家能夠更好地建模和理解復(fù)雜系統(tǒng)。在氣候科學(xué)和結(jié)構(gòu)生物學(xué)等領(lǐng)域中，科學(xué)家已經(jīng)知曉復(fù)雜的過程正在發(fā)生，但迄今為止，研究人員主要試圖通過自上而下的規(guī)則、方程和模擬來理解這些課題。人工智能可以幫助科學(xué)家自下而上地處理問題——首先測量大量數(shù)據(jù)，然后利用算法來提取出規(guī)則、模式、方程和此后的科學(xué)理解。

如果說，過去幾年見證了科學(xué)家們在人工智能的淺水區(qū)中“試水”，那么接下來的十年乃至更長時間里，他們必須潛入人工智能的深水區(qū)，游向彼岸的地平線。

資料來源TheEconomist