在2024年諾貝爾物理學獎和化學獎接連頒發給人工智能（AI）領域科學家之后，科學家們開始認真審視AI對科學的進擊和影響。
尤其是當諾貝爾化學獎將“AI蛋白質結構設計及預測”捧上神壇后，人們不淡定了：結構生物學家的飯碗是不是保不住了？甚至在某知識問答社區，許多人尤其好奇和關切結構生物學家對今年諾貝爾化學獎結果的評價。
對于那些真正的一線科學家而言，這些似乎并不是一個重要的問題。在他們看來，就AI今時今日的發展階段而言，追問“AI的極限在哪里”可能為時過早，但如果能夠厘清“AI更擅長做什么事”“哪些是AI無法替代的”等問題，無疑是當下更為重要的事。
因為這些問題的答案將直接影響科學家工作的方式，以及他們在未來的科學敘事。
諾獎“出圈”？科學史上新的一頁
相比諾貝爾物理學獎頒發給約翰•霍普菲爾德（John J. Hopfield）和杰弗里•欣頓（Geoffrey E. Hinton）這兩位機器學習“大牛”給人們帶來的驚訝，今年諾貝爾化學獎授予戴維•貝克（David Baker）、德米斯•哈薩比斯（Demis Hassabis）和約翰•江珀（John M. Jumper）顯得更加眾望所歸。
原因無他，在貝克發明Rosetta算法和來自美國DeepMind公司的兩位天才祭出AlphaFold之前，蛋白質折疊和結構預測的問題，都還是生命科學領域遙不可及的目標。一些基礎生物學家窮極一生，也僅能取得一點點進步。
“這是一個革命性的改變。”中國科學院系統生物學重點實驗室主任、國家蛋白質科學研究（上海）設施主任吳家睿說，AlphaFold橫空出世之后，人類精確預測蛋白質三維結構的手段已經從傳統的實驗技術，進階到用數據庫和計算機軟件的階段。
眾所周知，用于蛋白質結構發現的冷凍電子顯微鏡（Cryo-EM）、核磁共振或X射線晶體學等實驗技術背后，都離不開耗費巨大的硬件設備和人力投入，而這也在過去數十年里成為“大機構”“大平臺”的“大佬”們的專屬。單個蛋白質分子結構的解析往往能夠成為一篇頂刊論文，以至于很多生命科學研究者單純把“獲得結構”本身作為目標。
但AI的闖入改變了這一切。用中南大學化學化工學院教授張翼的話說，AlphaFold2的誕生，讓一些資金有限、缺少資源的“平民科學家”也有機會參與到生命科學領域一些高水平的科研中。
AI對科學研究的撼動，并不止于蛋白質結構預測領域。
就在諾貝爾化學獎公布的近幾天里，科學家們陸續報道了他們使用AI實現鈣鈦礦等多種納米晶的智能制備、用AI發現5顆超短周期行星、發現16萬種RNA“暗物質病毒”等成果。AI對科學的“滲透”之深，已經超出了許多人的想象。
“現在AI特別是機器學習，已成為物理、化學、生物等基礎研究的重要工具，AI for Science（AI4S）正在引起一場科研范式的大變革。”計算機專家、中國工程院院士李國杰在點評此次諾獎的“出圈”時寫道，“這（指諾獎先后頒發給AI領域學者）不是物理學界和化學界的‘悲哀’，可能在科學史上翻開新一頁。”
科研范式變革改變了什么？“問的問題”
AI4S引領的科研范式變革，到底改變的是什么？
“它改變了你可以問的問題。”英國牛津大學蛋白質信息學實驗室負責人、結構生物信息學教授夏洛特•迪恩言簡意賅：“從事跨學科領域的科學工作者應該感到興奮，因為AI不僅開始解決真正困難的問題，還改變了我們從事科學研究的方式。”
值得一提的是，迪恩是DeepMind
2021年投稿在《自然》上的論文的審稿人之一。她當年還擔心有人“不能完全理解DeepMind的成就”，而今，AI帶來的科研范式變革來勢洶洶，她不必再為此困擾。
AI4S正是北京科學智能研究院院長、深勢科技創始人兼首席科學家張林峰的“專業”。2020年，他和團隊伙伴憑借深度深勢算法DeePMD 獲得高性能計算應用領域最高獎“戈登•貝爾獎”。此后他回國創業，致力于AI4S的落地。
在張林峰看來，科學家當下最聰明的做法，就是把AI擅長的部分交給AI。
AlphaFold就是現成的例子。“首先，過去蛋白質結構預測領域的問題非常明確；其次，數據的積累非常扎實——人類當時已經積累了接近20萬個蛋白質結構和20億條蛋白質序列。”張林峰說，越是清晰的建模需求，越是機器學習的“拿手菜”。
怎么找出科學問題中AI擅長的事情？其實有規律可循。張林峰表示，AI4S的研究有個共同點：從現實問題出發，將其轉化為AI可以處理的數據輸入，通過深度學習網絡得到解決方案。他談到，在某種程度上，AlphaGo、AlphaFold這樣的“AI+”研究，算得上是AI4S“低垂的果實”。
“類似的研究還會有很多。”張林峰說，現階段AI4S應用的廣度，取決于現實問題能否有效抽象成AI可以學習和處理的形式，以及現實世界是否存在足夠多的真實數據來訓練深度學習網絡。
除了摘取“低垂的果實”，AI還能幫助解決哪些科學難題？
“接下來AI涉獵的問題可能是那些物理原理非常清楚，但過去由于我們表示復雜高維函數的能力有限，很難充分挖掘利用已有物理規律的問題。”張林峰認為，隨著AI更深層次地被用于科研活動的多個環節，智能計算系統和智能實驗系統有望進一步有效耦合。屆時，科學發現有望從“小作坊式”切換至“系統性發現”模式。
“AI4S將進入類似‘ChatGPT時刻’的階段。”張林峰表示，接下來的重點是全力打造基于AI4S的基礎設施，為下一步賦能更多產業和領域建設具有全棧能力和開放生態的科研新范式體系。
對于AI在科學研究領域的作為，科學家們有太多寄望。
李國杰提出，近幾年科研范式正在發生的重大變化，主要動力來自“駕馭復雜性”。他認為，科學語言和科學方法適合處理精確問題，具有局限性和相對性；隨著簡單的物理學問題被解決，包含隨機性和不確定性的復雜問題成為遺留難題，而AI“適合處理這種難以精確描述的問題”。
“物理、化學、生物學研究都要靠AI來應對指數爆炸。”李國杰說，考慮到人的大腦難以想象三維以上的東西，目前應對“維數災難”只有兩條出路：一是機器學習，二是復雜性科學。他還指出：“中國這兩個領域的學者聯系不多，今后應加強溝通合作。”
AI潛能無限？人機協作的主導者是人
盡管圖景誘人，但目前AI的局限也真實存在。
“絕大多數學者都承認，智能不是一個有與無的問題，而是一個程度的問題。”美國天普大學計算機與信息科學系副教授王培表示，當前AI領域最火的是機器學習，機器學習非常有效地總結了人類迄今為止的經驗，但它“成也統計學習、敗也統計學習”。
“統計學習本身有其局限性，比如，它要求對數據有統一、穩定性的假設。而這個‘假設’并非在所有領域都可接受，如有的領域本身環境變化很快，數據很快會失效。”王培認為，就模型本身理論而言，所有超出基本預設的東西，都會變成模型的局限性——即便創造這些基礎大模型的公司此后還會迭代出更強的版本，“但這個基本約束甩不掉”。
浙江大學人工智能研究所所長、求是特聘教授吳飛認為，當前以深度學習為代表的AI主要是在模仿人腦，但現階段人們對大腦的理解還只是“管中窺豹”。AI今天所遇到的“天花板”，也在于人們還沒有解開人類大腦的終極秘密。
“如果要讓AI代替人類完成大多數任務，那就必須要對人類如何完成這些任務的機制機理或可計算的模型進行精確的描述。”吳飛引用北京大學人工智能研究院院長朱松純的觀點說道：“人腦是小數據、大任務，并非依賴于海量數據；相反，AI雖掌握了海量數據，卻不能舉一反三或者解決邏輯推理的問題，更不用說涌現靈感、情感。”
這也提醒著人們，在簇擁著AI進入物理、化學、生物等學科之際，科學家們不應忽視的一點是，AI不是萬能的，在人機協作的科研工作中，主導者應是科學家自己。
“人+機器能起到的效果，是1+1遠遠大于1，但大家不能過高估計AI的貢獻、低估人的作用。”北京郵電大學人機交互與認知工程實驗室主任劉偉說，他堅持認為現階段的“人機協同”中，占主導地位的是人，而非AI。
劉偉表示，當前人們多多少少對AI有些期待過高，忽視了它其實仍處于初級發展階段的事實。比如，OpenAI創始人兼首席執行官薩姆•阿爾特曼曾提出，OpenAI的產品要經歷5個發展階段：交互、推理、調用、創新、組織。但現在，它們卡在了“推理”階段。
“原因是什么？丁肇中先生曾說過，人類掌握的物理知識才10%不到，人們對90%以上的物理還不了解其基本機理，機器的推理也就卡在了這里。”劉偉說，排在推理后面的調用、創新、組織等能力，AI跟人的差距還很大。
在吳飛看來，目前來看，靠數據、知識與環境的交互，AI都無法實現對人類智能活動的模擬。唯有向生命科學、心理學、復雜系統的優化學習，AI才有可能解開人類智能的終極奧秘。
“在這個奧秘被揭示之前，我們要善于利用AI工具，把人類智能和機器智能都發揮到極致，完成人類自身或機器單獨不能完成的任務。”吳飛說。
至于AI的未來，李國杰很樂觀：“AI的突飛猛進，預示人類已經處在進入智能時代的前夜。目前的技術離實現真正的通用人工智能還有一定距離，再經過10~20年的努力，大概率會出現基于重大科學突破的基礎發明，為人類進入智能時代打下堅實的基礎。”
悄然發生的變化
最近，2021年諾貝爾化學獎獲得者本杰明•李斯特（Benjamin List）關于AI4S的觀點具有一定的代表性。
“AI將對我研究的化學表面和催化領域產生多大的影響，我目前還不知道。但直覺告訴我，影響可能很大。即便AI可能做很多事情，我們也不應該放棄自身的創造力。”
李斯特以自身為例說道：“我現在處于職業生涯的中期，我相信自己的智慧和創造力，我更喜歡憑借它們作出判斷，而不是依靠那些由計算機得出的結果。如果計算機向我展示了一些我自己想不到的東西，我會很興奮，然后接著發揮我的智慧和創造力去做其他更深入的事情。”
基礎生物學家、中國科學院院士顏寧說過類似的話。她將AlphaFold、冷凍電鏡革命等技術進步視為“將結構生物學家從技術掙扎中解放出來”的契機，并認為這些工具能力的提升，將使結構生物學家能夠更專注于結構帶來的生物學發現本身。
“生命是地球上最神奇的存在，有那么多未知要探索，任何一次技術進步都是契機。”顏寧說，“該考慮的是如何把新技術為我所用，去問出、去探索更有意思的問題。”
先進工具解放雙手和大腦，去做更具創造力的事情，這是人類文明進階所一以貫之的。但AI給科學家們帶來的一些影響和改變，有時是在悄然間發生的。
比如，學科專業之間的壁壘，或許正因為AI的介入而逐漸消弭。
李國杰注意到，近百年來，學科越分越細，但他在看了欣頓獲獎后的發言后有些感慨。
欣頓在獲獎后的采訪中說：“我覺得我是一個不知道自己在哪個研究領域的人，但想弄清楚大腦工作原理，然后在研究中協助發明了一項效果驚人的技術。”
“欣頓不經意的回答透露了獲得重大科學突破的奧秘：不要在自己頭上戴上哪個學科的‘帽子’，要做不知道屬于哪個領域的交叉科學研究。”李國杰有感而發。
AI還將與科學探索有什么樣的互動？沒人能說得清。唯一能確定的是，AlphaFold絕不會是最后一個震撼科學領域的AI工具，更多的AI工具會繼續涌現，而最棒的科學家與這些工具配合，將會做出什么樣的創舉，值得更多期待。■