《經濟學人》：AI能否改變科學的研究方式？

人工智慧（AI）正在以前所未有的方式塑造科學領域。 **從加速研究過程到提出新的研究假設，AI 的加入為科學帶來了巨大的潛力。 **

今年早些時候，現代AI 教父之一Yann LeCun 表示：“通過增強人類智慧，AI 可能會引發一場新的文藝復興，或許是啟蒙運動的新階段。”

如今，AI 已經可以使某些現有的科學流程變得更快、更有高效，例如發現新的抗生素、電池和太陽能電池板的新材料，以及預測短時天氣、控制核融合等。 Google DeepMind 執行長Demis Hassabis 將AI 比喻為一台望遠鏡，認為「AI 可能帶來新的發現復興，成為人類智慧的倍增器」。

然而，AI 能否透過改變科學本身的工作方式來做得更多？

基於文獻的發現：AI 引領科學知識的挖掘

事實上，這種轉變以前便發生過。

17 世紀，隨著科學方法的出現，研究人員開始相信實驗觀察和從中得出的理論，而不再信奉古代的傳統智慧。 19 世紀末，研究實驗室的建立催生了從化學到半導體再到製藥等多領域內的創新湧現。這些轉變不僅增加了科學生產力，也改變了科學本身，開啟了新的研究和發現領域。

那麼，在當時，AI 如何實現類似的變革，不只是產生新的結果，還有產生新結果的新方式呢？

**一種有前景的方法便是基於文獻的發現（LBD）。 **

作為一種AI 方法，LBD 旨在透過分析科學文獻來進行新的發現。早在20 世紀80 年代，為尋找醫學期刊資料庫MEDLINE 中的新關聯，芝加哥大學的Don Swanson 博士就建立了第一個LBD 系統。這一方法的早期成功之一體現在將雷諾氏症（一種循環系統疾病）與血液粘度相關聯，並提出魚油可能對治療有用的猜想，這一猜想後來得到實驗證實。然而，當時LBD 系統的影響範圍有限。

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，由芝加哥大學的社會學家Jamshid Sourati 和James Evans 在《自然·人類行為》雜誌上發表的一篇論文以一種新穎的方式擴展了這種方法。研究人員培訓了一個系統，既考慮概念又考慮作者，並取得了比之前更好的成果。此外，他們要求系統避開主流研究方向，識別出「外星」假設，這些假設在正常情況下不太可能被發現。這項方法不僅有助於加速科學發現，也揭示了新的「盲點」。

如今，LBD 系統不僅可以提出新的研究假設，還可以識別潛在的合作夥伴，促進跨學科合作。這種方法的應用正在擴展到處理表格、圖表和數據等不同類型的文獻，為科學家提供更廣泛的支援。

機器人科學家：AI 引領實驗室革命

**機器人科學家代表了另一個令人興奮的發展，它們超越了傳統實驗室自動化。 **它們透過數據、研究論文和專利的形式獲得有關特定研究領域的背景知識，然後產生假設、執行實驗、評估結果，最終發現新的科學知識。

亞伯大學的「Adam」是機器人科學家的先驅，它首次實現了自主發現新的科學知識，關於酵母代謝中基因和酵素之間關係的實驗是一個典型案例。

更複雜的機器人科學家，如“Eve”，在計劃和分析實驗時，它使用機器學習創建“定量構效關係”（QSARs）——將化學結構與生物效應相關聯的數學模型。 Eve 已經用於藥物發現，成功地發現了一種用於牙膏中的抗微生物化合物三氯生（triclosan）可以抑制引發瘧疾的寄生蟲中的關鍵機制。

曾經，人們認為機器戰勝最優秀的人類選手的前景似乎還要等上幾十年，但技術的進步比預期更快。隨著機器人科學家的能力越來越強，將未來的機器人科學家與會下棋的AI 系統進行競賽也指日可待。

創建Adam 的劍橋大學AI 研究員Ross King 表示，「如果AI 能夠探索整個假設空間，甚至擴大這個空間，那麼它可能會顯示出人類只是在探索假設空間的一小部分，或許是他們自己的科學偏見導致的。”

機器人科學家透過解決科學領域的效率問題，以獨特的方式改變了科學研究。科學研究的效率逐漸降低，難以推動知識前沿的發展，而機器人科學家可以透過AI 驅動的系統來解決這個問題，因為機器比人類更快、更便宜、更準確地進行實驗室工作，而且可以全天候工作。此外，它們還能夠提供可重複性的實驗結果，並緩解了可重複性危機。

AI 在科學中的潛力與挑戰

**儘管AI 在科學中具有巨大潛力，但也面臨一些挑戰。 **

除了更好的硬體和軟體以及兩者之間更緊密的整合之外，還需要更大的實驗室自動化系統之間的互通性，以及允許AI 演算法交換和解釋語義資訊的常見標準。另一個障礙是科學家對基於AI 的工具缺乏熟悉度。另外，有些研究人員也會擔心自動化會威脅到他們的工作。

然而，南加州大學電腦科學家Yolanda Gil 博士表示，AI 的影響現在「深遠而普遍」。許多科學家現在正在「積極尋找AI 合作夥伴」。對AI 潛力的認識正在增長，特別是在材料科學和藥物發現領域，從業者正在建立自己的AI 系統。

總的來說，科學期刊改變了科學家發現資訊和相互借鏡的方式。研究實驗室則擴大了實驗規模，實現了實驗的工業化。透過擴展和結合前兩次變革，AI 的確可以改變科學研究的方式。

參考連結：