AI做科学需要推理，而不只是数据

关键信息

文章指出，AlphaFold 依赖蛋白质数据库，其中包含约 17 万个经过实验验证的蛋白质结构，而这一数据库历经 53 年国际合作、约 210 亿美元的实验投入才得以建立。文章还强调，许多科学领域很难生成类似的训练数据，因为实验结果往往带有噪声、变化大，而且难以标准化。

资讯摘要

文章开头回顾了科学史上多次“科学已经结束”的说法，从米歇尔森到霍金，然后把这种氛围与当下的 AI 热潮联系起来。它以 DeepMind 的 AlphaFold 为核心案例，指出这项成果在 2024 年获得诺奖认可，证明了 AI 加足够数据确实可以解决重大科学难题。AlphaFold 通过在大量实验测得的蛋白质结构上训练，预测蛋白质三维结构，因此引发了人们对“AI 可以加速一切科学”的巨大期待，也带动了生物、化学和材料方向的一波创业热潮。可是文章认为，AlphaFold 不能被当作科学 AI 的普遍模板。原因在于，支撑 AlphaFold 成功的数据条件极其罕见：蛋白质数据库历经几十年、巨额投入，而且依赖一种本身就非常可靠、可重复的实验方法。

相比之下，大多数科学领域的数据都更嘈杂、更难标准化，也很难扩展到训练现代神经网络所需的规模。文章承认，天气预报、部分基因组学以及极少数化学领域，可能更接近 AlphaFold 式突破，而且政府对数据集建设和协调的支持会很关键。可对于更广泛的开放科学问题，短期内更可行的路径是能够在不确定性下推理的 AI 代理。文章最后强调，科学家本来就是在复杂和不完美的条件下进行推理，因此 AI 也应该学会支持这种推理，而不只是做模式匹配。

资讯正文

每隔几十年，总有人宣称科学已经走到了尽头。1903年，备受尊崇的物理学家阿尔伯特·迈克耳孙写道，“物理科学的事实都已经被发现了”。到了20世纪80年代，斯蒂芬·霍金预测理论物理可能会在本世纪末宣告完成。随着人工智能的爆炸式到来，这种感觉再次弥漫开来——这一次，还伴随着一项诺贝尔奖。

2024年，Google DeepMind的Demis Hassabis和John Jumper因其神经网络AlphaFold而获得诺贝尔化学奖的一部分。AlphaFold通过从数千种经实验测量的蛋白质形状中学习，预测蛋白质的三维结构。这个棘手的问题在半个世纪里一直难以被系统性攻克；AlphaFold似乎一劳永逸地解决了它，世界也随之沉迷于这种方法所承诺的前景。Hassabis和他的团队称AlphaFold是“AI如何将所有科学加速到数字速度的模板”。在DeepMind成功的带动下，一波围绕生物学、化学和材料发现打造基础模型的初创公司筹集了数十亿美元。AlphaFold表明，AI与充足数据的结合可以带来突破性发现（即便我们并不理解其中涉及的底层机制），人们似乎再次看到了通往其余科学领域的道路已经铺陈在我们面前。

当然，AI将给科学带来非同寻常的变化，但越来越清楚的是，AlphaFold以及类似的东西，或许并不是这种变革的最佳模板。尽管它是一项深刻的成就，但造就AlphaFold这类成果的条件极为罕见，而在其他领域满足这些条件所需的时间将以几十年而非几年计算。相反，科学的加速将会依靠另一种方法实现：AI智能体。

AlphaFold成功的首要条件，是蛋白质数据库（Protein Data Bank）的存在；该数据库包含大约17万个经过实验验证的蛋白质结构，DeepMind团队正是用这些数据来训练模型。蛋白质数据库的建立并不简单：它耗费了53年的国际科学合作，并且据最近估计，汇集这些数据大约需要价值210亿美元的实验工作。如此规模的努力众所周知很难获得资助，几乎不可能协调，执行起来又极其耗时；因此，它们往往以失败告终。

但即便在那些具备必要凝聚力和资源、且相关数据没有因商业所有权而无法获取的领域，仍然存在另一个被讨论得太少的障碍：从科学上说，生成可比数据是不可能的。以蛋白质结构为例，关键的实验技术——蛋白质晶体学——是一种异常可重复、可靠的工具，以至于有超过25项诺贝尔奖都与它有关。但在大多数实验科学中，结果往往并不稳定。细胞系会漂移，化学品会含有痕量污染物，实验室湿度会变化。要创建一套测量数据，使其在生物学或大多数化学领域足够一致、足够准确、足够精密，并且足够可扩展，能够训练现代神经网络，就需要新型测量方法和新的标准化流程——而这些都不会很快准备就绪。

当然，也有少数领域已经满足这些要求：天气预报、相当一部分基因组学、化学中极少数领域。如果还没有发生，这些领域很快就可能迎来类似 AlphaFold 的突破。正如美国国家新兴生物技术安全委员会所指出的那样，政府对这些数据集的生产与协调提供支持将至关重要。但对于科学中大多数开放性问题而言，至少在短期内，我们需要另一种方案。幸运的是，一种更安静、也更务实的东西已经开始显现出潜力。

科学家一直是在不确定性中进行推理。致力于寻找新药靶点的生物学家从来没有过完美的数据集。相反，他们会结合对接计算和已知结构，纳入分子动力学分析，开展少量结合实验，并运用自己的判断，依据各方法各自的优势和失效点来权衡其结果。科学的能力不在于某一种单一工具；而在于综合多种工具产生的结果，并随着证据不断出现而修正结论。这实际上就是大多数在做的研究的推进方式。但直到不久之前，还没有任何软件能够做到这一点。

现在，智能体可以了。简单来说，智能体是一种 AI 推理引擎，它被赋予了使用工具——数字工具或物理工具——的权限以及相应能力。在过去几年里，AI 的一种根本性架构转变使这类程序迅速普及，它们由大语言模型驱动，显著减少了对科学专门数据集的需求。对于科学而言，这一技术进步意味着一种基础性的变化：它让我们能够创建数字工具，去模拟真实研究那种迭代式、强依赖具体情境的过程。像 AlphaFold 这样的工具，是用一种强大的方法解决一个有限问题；而智能体天生就是通才。它们并不是一种全新的科学研究方式——相反，它们在数字层面模拟了人类的发现过程。

不妨看看今年 5 月公布的 Google AI Co-Scientist。研究人员给它一页简报和一个目标：找出抗生素耐药性如何在不同细菌物种之间传播，这是导致耐药性感染的一个关键因素。系统随即启动了多个子代理。一个从文献中拟定假设。另一个像同行评审人一样逐一拆解这些假设。第三个通过“锦标赛”方式对最有力的候选假设进行排序。第四个则对胜出的假设进行完善。最终，代理得出结论：耐药基因是搭乘细菌病毒“顺风车”传播的，借助任何能够把它们运送到新宿主体内的病毒。这个假设是正确的。伦敦帝国学院的研究人员为此花了十年时间，通过细致入微的湿实验室工作得出同样的结论；他们的论文此前并未被 Co-Scientist 看到，当时仍在同行评审中。

像 Co-Scientist 这样的代理仍然是相当新的工具，在它们成为科学过程无处不在的一部分之前，还有一些真正的挑战需要克服：它们仍然容易产生幻觉，判断并不稳定，而且存在记忆和输入方面的限制，这些都约束了它们可以自主运行的时间。不过，这些技术障碍终将消失；随着它们消退，我们将开始注意到科学代理对科学开展方式在可靠性、一致性和速度上的叠加效应。

最值得注意的是，代理为科学的“可重复性危机”提供了一种结构性修复方案——这是一种普遍存在的问题，即研究人员无法复现彼此的结果。几十年来，科学界一直要求研究人员共享原始数据和精确代码，希望以此标准化实验流程。但研究人员长期以来都抗拒这类繁琐的行政工作，因为这些工作发生在有趣的科学发现已经完成之后。相比之下，代理会自动记录自己做出的每一个动作，生成导致结果的具体方法的精确记录，从而实现精确复现。

第二个后果将是科学记忆的放大。研究人员之间的知识传递素来是一个相当模糊的过程；如果不是通过多年训练和观察来完成，研究生往往只能翻看前辈几十年来留下的凌乱实验室笔记，寻找那些可能决定实验方案成败的细节。随着代理越来越多地参与科学过程，实验室的全部科学历史都将被记录在一个中央、标准化的机构知识库中。

但代理最重要的影响将是速度。在任何领域里，当验证一个想法所需的时间比在会议上争论它的时间还短时，人们就会停止争论，而只是直接去做测试。一个能在一小时内阅读一千篇论文、设计 500 个分子，并在第二天早晨从失败实验中学习的代理，将降低实验成本，并从根本上改变科学推进的节奏。它还会让研究人员有自由去追逐那些大胆而古怪的问题，而这些问题在过去他们绝不会愿意把时间押注其上，从而打开我们尚未想象过的科学大门。

AlphaFold 模板无疑将成为重大突破的关键，但它本身并不会把我们带到科学的终点。相反，向 agentic AI 的转变代表着一种更罕见层级的突破：一种能同时覆盖所有科学领域的工具。从历史上看，这样范围广泛的工具只出现过寥寥数次：微积分、统计推断、光谱学、计算机。每一次都揭示出一个此前无人想到要提出的问题世界，而这些问题反过来又重新定义了各自的领域。借助 agents，另一场这样的变革已经到来。

来源与参考

1. 原始链接
2. AI for science needs reasoning, not just data