北京望京LED广告

buguanshianjianhaishijisuanjieguo，zhenrenshishiyuyinbobao，tigongjuejiadeyonghutiyan！shoujiyouxizhongdegezhongjinbi，keyizaishangdianjiesuogezhongpifu，weiyouxizengtiangengduobutongdelequ。shiyikuanhenbucuodeshoujigouwupingtai，yongyoudeshichaojiquanmiandeshangpinziyuan，zaixiangouwuhuifeichangfangbiande；shuxigezhongjingyingcelvezhidao，renyongrencaijinxinggezhongtiaopeishengzhi，conggegejiaoduquanfangweifazhangongsi。zhichihushenganggumeiguqihuoqiquanjijinhongguanwaihuidengshichangxingqing；前(qian)谷(gu)歌(ge) CEO Eric Schmidt：人(ren)工(gong)智(zhi)能(neng)將(jiang)如(ru)何(he)改(gai)變(bian)科(ke)學(xue)研(yan)究(jiu)的(de)方(fang)式(shi)

撰(zhuan)文(wen)：Eric Schmidt

來(lai)源(yuan)：麻(ma)省(sheng)理(li)工科技(ji)評(ping)論(lun)

圖(tu)片(pian)来源：由(you)無(wu)界(jie) AI工具(ju)生(sheng)成(cheng)

又(you)是(shi)壹(yi)個(ge)極(ji)端(duan)天(tian)氣(qi)的夏(xia)天，前所(suo)未(wei)有(you)的熱(re)浪(lang)、野(ye)火(huo)和(he)洪(hong)水(shui)沖(chong)擊(ji)著(zhu)(zhe)世(shi)界各(ge)國(guo)。為(wei)了(le)應(ying)對(dui)準(zhun)確(que)預(yu)測(ce)此(ci)類(lei)极端天气的挑(tiao)戰(zhan)，半(ban)導(dao)體(ti)巨(ju)頭(tou) Nvidia 正(zheng)在(zai)为整(zheng)个地(di)球(qiu)構(gou)建(jian)由人工智能驅(qu)動(dong)的“數(shu)字(zi)雙(shuang)胞(bao)胎(tai)”。

這(zhe)个名(ming)为 的数字孿(luan)生将使(shi)用(yong) 的预测。FourCastNet 是一種(zhong)人工智能模(mo)型(xing)，使用数十(shi) TB 的地球系(xi)統(tong)数據(ju)，可(ke)以(yi)比(bi)當(dang)前的预测方法(fa)更(geng)快(kuai)、更准确地预测未来兩(liang)周(zhou)的天气。

通(tong)常(chang)的天气预報(bao)系统能夠(gou)为未来一周生成大(da)約(yue) 50 个预测。而(er) FourCastNet 可以预测数以千(qian)計(ji)的可能性(xing)，准确捕(bu)捉(zhuo)罕(han)見(jian)但(dan)致(zhi)命(ming)的災(zai)害(hai)風(feng)險(xian)，從(cong)而为弱(ruo)勢(shi)人群(qun)提(ti)供(gong)寶(bao)貴(gui)的准備(bei)和疏(shu)散(san)時(shi)間(jian)。

人們(men)所期(qi)待(dai)的气候(hou)模型革(ge)命僅(jin)仅只(zhi)是一个開(kai)始(shi)。隨(sui)着人工智能的出(chu)現(xian)，科学即(ji)将变得(de)更加(jia)令(ling)人興(xing)奮(fen) -- 並(bing)且(qie)在某(mou)些(xie)方面(mian)变得難(nan)以識(shi)別(bie)。这种轉(zhuan)变的影(ying)響(xiang)将遠(yuan)远超(chao)出實(shi)驗(yan)室(shi)的範(fan)圍(wei)；它(ta)们将影响我(wo)们所有人。

如果(guo)我们采(cai)取(qu)正确的策(ce)略(lve)，通過(guo)合(he)理的監(jian)管(guan)和对人工智能創(chuang)新(xin)用途(tu)的適(shi)当支(zhi)持(chi)来解(jie)決(jue)科学最(zui)緊(jin)迫(po)的問(wen)題(ti)，AI 可以改寫(xie)科学过程(cheng)。我们可以构建这樣(yang)一个未来：由人工智能驱动的工具不(bu)仅能讓(rang)我们擺(bai)脫(tuo)无腦(nao)且耗(hao)时的勞(lao)动，還(hai)能引(yin)导我们進(jin)行(xing)创造(zao)性的發(fa)明(ming)和发现，鼓(gu)勵(li)我们实现原(yuan)本(ben)需(xu)要(yao)数十年(nian)才(cai)能实现的突(tu)破(po)。

近(jin)幾(ji)个月(yue)来，人工智能几乎(hu)成了大型語(yu)言(yan)模型，或(huo)稱(cheng) LLM 的代(dai)名詞(ci)，但在科学領(ling)域(yu)，有眾(zhong)多(duo)不同(tong)的模型架(jia)构，可能會(hui)產(chan)生更大的影响。在过去(qu)的十年裏(li)，科学领域的大部(bu)分(fen)进展(zhan)都(dou)是通过專(zhuan)註(zhu)於(yu)特(te)定(ding)问题的小(xiao)型“經(jing)典(dian)”模型取得的。这些模型已(yi)经帶(dai)来了深(shen)刻(ke)的进步(bu)。最近，开始納(na)入(ru)跨(kua)领域知(zhi)识和生成式 AI 的大型深度(du)学習(xi)模型擴(kuo)大了可能的范围。

例(li)如，麥(mai)克(ke)馬(ma)斯(si)特大学和麻省理工学院(yuan)的科学家(jia)们已使用 AI 模型来识别，以对抗(kang)被(bei)世衛(wei)組(zu)織(zhi)称为世界上(shang)对醫(yi)院患(huan)者(zhe)最危(wei)险的抗生素(su)耐(nai)藥(yao)細(xi)菌(jun)之(zhi)一的病(bing)原体。此外(wai)，谷歌 DeepMind 模型可以核(he)聚(ju)变反(fan)应中(zhong)的等(deng)離(li)子(zi)体，使我们更接(jie)近清(qing)潔(jie)能源革命。而在医療(liao)保(bao)健(jian)领域，美(mei)国食(shi)品(pin)和药物(wu)管理局(ju)已经批(pi)准了 523 个使用人工智能的設(she)备，其(qi)中 75% 用于放(fang)射(she)学。

重(zhong)新想(xiang)象(xiang)科学

从本質(zhi)上講(jiang)，我们在小学学到(dao)的科学过程将保持不变：进行背(bei)景(jing)研究，确定一个假(jia)设，通过实验进行测試(shi)，分析(xi)收(shou)集(ji)的数据，并得出結(jie)论。但人工智能有可能徹(che)底(di)改变这些组成部分在未来的面貌(mao)。

目(mu)前，人工智能已经在改变一些科学家进行文獻(xian)審(shen)查(zha)的方式。像(xiang) 和 这样的工具利(li)用 LLMs 来掃(sao)描(miao)文章(zhang)数据庫(ku)，并对现有的文献 -- 包(bao)括(kuo)引文 -- 做(zuo)出簡(jian)洁而准确的總(zong)结。

一旦(dan)文献綜(zong)述(shu)完(wan)成，科学家就(jiu)会做出有待测试的假设。LLMs 的核心(xin)工作(zuo)是预测一个句(ju)子中的下(xia)一个词，直(zhi)至(zhi)完成整个句子和段(duan)落(luo)。这种技術(shu)使 LLMs 特别适合解决科学層(ceng)次(ci)结构固(gu)有的規(gui)模问题，并能使它们预测物理学或生物学的下一个重大发现。

人工智能还可以将假设的搜(sou)索(suo)網(wang)扩大，并更快地縮(suo)小搜索网。因(yin)此，人工智能工具可以幫(bang)助(zhu)制(zhi)定更強(qiang)大的假說(shuo)，例如提出更有希(xi)望(wang)的新药候選(xuan)物的模型。现在模擬(ni)運(yun)行的速(su)度比几年前快了好(hao)几个数量(liang)級(ji)，允(yun)許(xu)科学家在进行真(zhen)实世界的实验之前在模拟中嘗(chang)试更多的设计方案(an)。

例如，加州(zhou)理工学院的科学家们使用人工智能流(liu)体模拟模型，自(zi)动设计出了一种更好的导管，可以防(fang)止(zhi)细菌逆(ni)流造成感(gan)染(ran)。这种能力(li)将从根(gen)本上改变科学发现的增(zeng)量过程，使研究人員(yuan)从一开始就能设计出最佳(jia)的解决方案，而不像我们多年来在燈(deng)泡(pao)设计中的灯絲(si)创新中所看(kan)到的那(na)样，通过一長(chang)串(chuan)逐(zhu)漸(jian)完善(shan)的设计取得进展。

进入实验步驟(zhou)，人工智能将能够更快、更便(bian)宜(yi)、更大规模地进行实验。例如，我们可以建立(li)由人工智能驱动的機(ji)器(qi)，用数百(bai)根微(wei)管日(ri)夜(ye)运行，以人类无法比拟的速度创造样品。科学家们可以使用人工智能工具来运行一千个实验，而不是限(xian)制自己(ji)只做六(liu)个实验。

擔(dan)心下一次撥(bo)款(kuan)、出版(ban)或任(ren)期进程的科学家们将不再(zai)被束(shu)縛(fu)在成功(gong)几率(lv)最高(gao)的安(an)全(quan)实验上；他(ta)们将自由地追(zhui)求(qiu)更大膽(dan)、更跨学科的假设。例如，在评估(gu)新分子时，研究人员傾(qing)向(xiang)于堅(jian)持使用與(yu)我们已经知道(dao)的分子结构相(xiang)似(si)的候选分子，但人工智能模型不必(bi)有同样的偏(pian)见和限制。

最終(zhong)，许多科学将在“自动实验室”进行 -- 自动机器人平(ping)臺(tai)与人工智能相结合。在这里，我们可以将人工智能的能力从数字领域带入物理世界。这样的自动实验室已经在 和 等公(gong)司(si)甚(shen)至出现。

最後(hou)，在分析和总结階(jie)段，自动实验室将超越(yue)自动化(hua)，并根据产生的实验结果，使用 LLM 来解釋(shi)并推(tui)薦(jian)下一个要运行的实验。然(ran)后，作为研究过程中的合作夥(huo)伴(ban)，人工智能实验室助理可以訂(ding)購(gou)用品来替(ti)換(huan)早(zao)期实验中使用的用品，并在一夜之间设置(zhi)和运行下一个推荐的实验。在实验者还在家睡(shui)覺(jiao)的时候，结果就已经准备好了。

可能性和局限性

年輕(qing)的研究人员可能会因为这个前景而紧張(zhang)地在座(zuo)位(wei)上瑟(se)瑟发抖(dou)。幸(xing)运的是，在这場(chang)革命中出现的新工作可能比目前大多数实验室工作更有创造性，且不那麽(me)盲(mang)目。

人工智能工具可以降(jiang)低(di)新科学家的准入門(men)檻(kan)，并为那些傳(chuan)统上被排(pai)除(chu)在該(gai)领域之外的人开辟(pi)机会。随着 LLMs 能够協(xie)助构建代碼(ma)，STEM 学生将不再需要掌(zhang)握(wo)晦(hui)澀(se)的編(bian)码语言，向新的、非(fei)传统的人才打(da)开象牙(ya)塔(ta)的大门，使科学家更容(rong)易(yi)接觸(chu)到他们自己以外的领域。很(hen)快，经过专门培(pei)訓(xun)的 LLMs 可能会超越提供書(shu)面工作的初(chu)稿(gao)，如資(zi)助提案，并可能被开发为与人类审查员一起(qi)提供新论文的“同行”审查。

人工智能工具有令人难以置信(xin)的潛(qian)力，但我们必須(xu)認(ren)识到人类接触在哪(na)些方面仍(reng)然重要，切(qie)忌(ji)好高騖(wu)远。例如，通过自动实验室成功融(rong)合人工智能和机器人技术并不容易。科学家在实验室里学到的很多隱(yin)性知识，很难传遞(di)給(gei)人工智能驱动的机器人技术。同样，在我们将大量的文书工作、研究和分析工作给到它们之前，我们应该认识到当前 LLMs 的局限性，尤(you)其是幻(huan)觉。

像 OpenAI 和 DeepMind 这样的公司仍然在新的突破、模型和研究论文方面處(chu)于领先(xian)地位，但目前的行業(ye)主(zhu)导地位不会永(yong)远持續(xu)。迄(qi)今(jin)为止，DeepMind 在专注于具有明确目標(biao)和指(zhi)标的明确定義(yi)问题方面表(biao)现出色(se)。它最著名的一次成功是在两年一度的结构预测關(guan)鍵(jian)评估大賽(sai)（Critical Assessment of Structure Prediction）上，该研究團(tuan)隊(dui)根据蛋(dan)白(bai)质氨(an)基(ji)酸(suan)的順(shun)序(xu)预测了蛋白质的确切形(xing)狀(zhuang)。

从 2006 年到 2016 年，在 CASP 的 1 到 100 分制中，最难类别的平均(jun)得分在 30 到 40 左(zuo)右(you)。突然，在 2018 年，DeepMind 的 AlphaFold 模型的得分高達(da) 58 分。两年后，一个名为 AlphaFold2 的獲(huo)得了 87 分，将人类競(jing)爭(zheng)对手(shou)进一步甩(shuai)在身(shen)后。

得益(yi)于开源资源，我们开始看到一种模式，即产业界达到某些基准，然后学术界介(jie)入，完善模型。在 DeepMind 发布(bu) AlphaFold 之后，華(hua)盛(sheng)頓(dun)大学的 Minkyung Baek 和 David Baker 发布了 RoseTTAFold，它使用 DeepMind 的框(kuang)架来预测，而不是 AlphaFold 最初可以处理的單(dan)一蛋白质结构。更重要的是，学术界更多地被屏(ping)蔽(bi)在市(shi)场的竞争壓(ya)力之外，因此他们可以大胆地超越吸(xi)引 DeepMind 的定义明确的问题和可衡(heng)量的成功。

除了达到新的高度之外，人工智能还可以通过解决科学的可復(fu)制性危机来帮助验證(zheng)我们已经知道的東(dong)西(xi)。大约 的科学家报告(gao)说他们无法复制另(ling)一位科学家的实验 -- 这是一个令人沮(ju)喪(sang)的数字。随着人工智能降低运行实验的成本和工作量，在某些情(qing)況(kuang)下，将更容易复制结果或得出无法复制的结论，有助于提高对科学的信任。

可复制性和信任的关键是透(tou)明度。在一个理想的世界里，科学中的一切都将是开放的，从沒(mei)有付(fu)費(fei)墻(qiang)的文章到开源的数据、代码和模型。遺(yi)憾(han)的是，由于此类模型可能带来危险，因此将所有模型开源并不总是现实的。在许多情况下，完全透明的风险超过了信任和公平的好处。盡(jin)管如此，只要我们能够对模型 -- 尤其是用途較(jiao)为有限的经典人工智能模型 -- 保持透明，我们就应该开源。

监管的重要性

在所有这些领域，必须記(ji)住(zhu)人工智能的固有限制和风险。人工智能是如此强大的工具，因为它使人类能够用更少(shao)的时间、更少的教(jiao)育(yu)、更少的设备完成更多的事(shi)情。但这些能力也(ye)使它成为了可能落入壞(huai)人手中的危险武(wu)器。羅(luo)切斯特大学的教授(shou) Andrew White 与 OpenAI 簽(qian)约，參(can)与了“”测试，可以在 GPT-4 发布前暴(bao)露(lu)其风险。使用语言模型并为其提供工具， 发现 GPT-4 可以提出危险的化合物，甚至可以从化学品供应商(shang)处订购它们。为了测试这个过程，他让人在第(di)二(er)周将一种（安全的）测试化合物运到他家。OpenAI 表示(shi)，在 GPT-4 发布之前，它利用了 White 的发现对其进行了調(tiao)整。

即使人类的意(yi)图完全良(liang)好，仍然可能促(cu)使人工智能产生不良结果。我们应该減(jian)少对创造终结者的担心，正如计算(suan)机科学家 所说，我们更应该担心的是成为米(mi)达斯国王(wang)。这位国王希望自己所接触的一切都变成黃(huang)金(jin)，正因如此，其意外的一个擁(yong)抱(bao)也殺(sha)死(si)了自己的女(nv)兒(er)。

我们没有任何机制来促使人工智能改变其目标，即使它以我们无法预料(liao)的方式对其目标作出反应。一个经常被引用的假设是要求 AI 尽可能多地生产回(hui)形針(zhen)。该模型决心完成其目标，劫(jie)持了電(dian)网，并在回形针不斷(duan)堆(dui)積(ji)时杀死了任何试图阻(zu)止它的人类。世界变得一片狼(lang)藉(ji)。人工智能卻(que)拍(pai)拍屁(pi)股(gu)走(zou)人；它已经完成了它的工作。（为了向这个著名的思(si)想实验致敬(jing)，许多 OpenAI 的员工都随身攜(xie)带着品牌(pai)回形针）。

OpenAI 已经设法实施(shi)了一系列(lie)令人印(yin)象深刻的保障(zhang)措(cuo)施，但只要 GPT-4 被安置在 OpenAI 的服(fu)務(wu)器上，这些措施就会一直存(cun)在。当有人设法复制该模型并将其放在自己的服务器上时，这一天可能很快就会到来。这样的前沿(yan)模型需要得到保護(hu)，以防止竊(qie)賊(zei)拆(chai)除其原始开发者精(jing)心添(tian)加的 AI 安全护欄(lan)。

为了解决人工智能有意和无意的不良使用，我们需要对科技巨头和开源模型进行明智的、知情的监管，这不会阻止我们以对科学有益的方式使用人工智能。尽管科技公司在人工智能安全方面取得了长足(zu)进步，但政(zheng)府(fu)监管机构目前在制定适当的法律(lv)方面准备不足，应该采取更多措施来了解最新发展。

在监管之外，政府 -- 与慈(ci)善机构一起 -- 可以支持社(she)会回报率高但经濟(ji)回报率或学术激(ji)励少的科学項(xiang)目。有几个领域尤其紧迫，包括气候变化、生物安全和大流行病的防范。正是在这些领域，我们最需要人工智能模拟和自动实验室提供的速度和规模。

在安全考(kao)慮(lv)允许的范围內(nei)，政府还可以帮助开发大型、高质量的数据集，例如 AlphaFold 所依(yi)賴(lai)的数据集。开放数据集是公共(gong)产品：它们使许多研究人员受(shou)益，但研究人员几乎没有动力自己创建它们。政府和慈善组织可以与大学和公司合作，确定科学中的重大挑战，这些挑战将受益于强大的数据库的使用。

例如，化学有一种统一该领域的语言，这似乎有助于人工智能模型轻松(song)分析。但是，没有人能够正确聚合存儲(chu)在数十个数据库中的分子特性数据，这使我们无法获得对该领域的见解，而如果我们只有一个来源，人工智能模型就可以实现这一领域的见解。与此同时，生物学缺(que)乏(fa)作为物理学或化学基礎(chu)的已知和可计算的数据，像内在无序蛋白质这样的子领域对我们来说仍然是神(shen)秘(mi)的。因此，它将需要更加协调一致的努(nu)力来理解 -- 甚至是记錄(lu)数据，以建立一个综合的数据库。

在科学领域廣(guang)泛(fan)采用人工智能的道路(lu)是漫(man)长的，我们必须做好很多工作，从建立正确的数据库到实施正确的法规，减少人工智能算法的偏见，再到确保跨境(jing)计算资源的平等訪(fang)问。

尽管如此，这是一个非常樂(le)觀(guan)的时刻。以前的科学范式转变，如科学过程或大数据的出现，都是内向型的，可以使科学更加精准有條(tiao)理。与此同时，人工智能是扩张性的，使我们能够以新穎(ying)的方式组合信息(xi)，并将科学的创造力和进步推到新的高度。返(fan)回搜狐(hu)，查看更多

責(ze)任编輯(ji)：