AI爆发为人类探索未知之境按下加速键

       2024年诺贝尔奖已陆续揭晓，而人工智能（AI）成为“大赢家”。诺贝尔三大科学奖项中的两大奖项与人工智能研究相关，先是物理学奖颁给了曾获图灵奖的机器学习先驱，紧接着化学奖也将一半颁给了“程序员”。

  如果说此前的AI应用主要还是针对普通人的日常生活与工作，此次AI助力诺奖级成果则表明，AI在专业性门槛极高的科研工作中彰显出巨大甚至是决定性价值。AI从赋能普通人日常生产生活到赋能科学家进行高水平科研探索，这一转变正引发一系列连锁反应，必将给人类社会发展带来长远影响。

      表象背后三大追问

  从表象看，此次诺奖事件宣告AI驱动的科学研究新范式受到了认可。这一表面现象背后，潜藏着三个值得深思的关键问题。

  一是科学研究为何需要AI新引擎？

  尽管AI功能强大，科学家们也完全可以说一句“我不需要”而弃之不用。但如果不是科学家在科学研究发展过程中遇到了只有依靠AI的强大能力才能突破的根本性困境，AI成就诺奖级成果的高光时刻势必还要推迟。由此不由得让人发问，推动科学研究发展的“内在需求”究竟是什么？

  二是AI如何成为科学研究的新范式？

  尽管AI最近几年在巨大算力与海量数据的推动下发展迅速，但其毕竟还只是部分能力达到了普通人的智识水平。AI究竟要具备怎样的能力，方能使其赋能科学家精英们的高端智力活动成为可能？

  三是AI驱动的科研范式存在哪些问题，带来哪些挑战？

  作为新生事物，这一新兴科研范式不可能完美，它存在哪些风险与问题，又会对人类社会产生怎样的长期影响，特别是负面影响，这些问题都值得人们深思并审慎回答。

      从文艺复兴到AI驱动

  自文艺复兴以来，不同于古希腊对世界的总体性把握与认知，近现代科学认知世界的方式总体上采取还原主义路线，从世界所呈现出的不同侧面来认知世界，因而发展出物理、化学、生物等自然科学以及社会学、人口学、经济学等社会科学。

  还原主义成就了现代科技文明，人类在各细分学科基础上建立起对于世界丰富而细致的专业性认知，但与此同时，人类对世界的整体性认知图景随之而被肢解得支离破碎。今天的科学家已经很难像亚里士多德那样在总体性水平上把握与认知世界。各细分学科也无力承担起重建世界整体性认知的重大使命。

       科学研究依赖于人类认知能力。而人类的认知能力（即便是其中的极少部分科学家精英）受限于其生物智能，因此不仅总体上有限，并且发展缓慢。和人相比，机器的认知能力能够随着算力与数据的增长而快速增强。通过发展机器认知，形成人机协作的认知，人类才可能完成对世界更大范围和更具深度的认知，也才能实现既具深度的专业性认知又具广度的跨学科认知。

  科学发展到今天，从还原走向综合正成为科学研究发展的根本性趋势，它要求突破人类认知能力的上限，创造能够协助人类认知世界的智能机器。

  技术发展依赖于人类实践能力。从实践角度看，传统科技发展中的的理论分析、实验验证与计算仿真等科研范式仍然难以摆脱效率低下的困境。试想，科学家们要消耗多少精力在可能的理论假设空间进行分析，发明家们要重复多少次实验才能验证一个具有目标特性的材料。

  科研效率的低下无疑拖了科技快速发展的后腿。而AI驱动的科研范式提供了大量提质提效的工具与方法，极大提升了科研效率。例如，大模型操控下的机械臂可以永不停摆地完成各种实验，预测蛋白质结构的AI工具Alphafold（谷歌旗下“深层思维”公司的德米斯·哈萨比斯和约翰·江珀因开发AlphaFold获诺奖）可凭借机器强大的计算能力预测海量的蛋白质结构。从提升效率的角度看，AI驱动科研也是势在必行。