AI能讓科學研究實現自動化嗎？

科學進展受限於人類思考的速度，將其外包給人工智慧或許能夠改變這一切。

撰文：Ahmed Alkhateeb

翻譯：張雪

審校：吳非

科學正陷於數據危機之中。去年，僅在生物醫學領域就有超過120萬篇新論文發表，這令同行評審的生物醫學論文總數達到了2600萬篇。然而，科學家們每年的平均閱讀量卻只有250篇左右。與此同時，科研論文的質量也在持續下降。一些最新研究發現，大量生物醫學論文不具有可重複性。

論文數量過多而質量太差，這向人類有限的神經能力提出嚴峻的挑戰。隨著人類的知識總量不斷擴大，科學家們作出的假設只是基於知識總量的一小部分，因而會提出越來越多的錯誤問題，或是已經解答過的問題。同時，人類的創造力似乎愈發取決於先前經驗的隨機性。儘管偶然性一直是科學發現中的一個因素，但它在當前扮演的角色卻顯得過於重要。

而克服當前危機的一項可行策略，就是將機器和人工智慧整合至科學進程中。與人腦相比，機器的存儲量更大、運算能力更強。如果科學研究能夠實現自動化，科學發現的速度將得以大幅提升，這甚至會成為又一次科學革命。儘管潛力巨大，但這一想法取決於一個同樣重大的問題：科學發現真的可以實現自動化嗎？

17世紀的思考

我認為可以，早在幾個世紀前我們就已深諳此道。問題的答案可以追溯到弗朗西斯·培根爵士，這位17世紀的英國哲學家、現代實驗科學的始祖。

人類首次意識到科學方法的可重複性，要追溯到上千年前的穆斯林思想家伊本·阿爾·海塞姆（965—1039），他既強調經驗論，也注重實驗方法。然而，培根才是第一位正式確立科學方法，並令其成為一門研究學科的科學家。在他的著作《新工具》（Novum Organum，1620）中，培根提出了如今被稱為培根歸納法的科學發現模型。他反對將亞里士多德提出的三段論用於科學研究。與之相反，他提出，需要採用歸納邏輯，將對特定現象的觀察進行系統的收集、列表和客觀分析，以此得出普遍的觀點。在他看來，只有思維逃離了不完整而錯誤的公理，才能夠揭示真相。

通過制定科學研究的步驟，並對每一步分別進行優化，培根歸納法試圖在觀察和概念化的過程中去除邏輯偏差。培根的想法是，通過觀察者群體來收集大量與自然相關的信息，並將其製成表格、形成可用于歸納分析的核心記錄。在《新工具》中，他寫道：「實驗家就像是螞蟻，只是收集和使用數據；推論家如同蜘蛛，只憑自己的材料結成網。最好的方法應當像蜜蜂，它們採取一條中道，從花園和田野里採集材料，並用自己的能力加以利用。」

培根歸納法在如今已經不常用了。它費時費力、耗費高昂，其在科技中的應用也不甚明朗。然而，一種科學方法的定型卻標誌著革命性的進步。在此之前，通常僅有貴族出身、學識淵博的男性才能接觸科學。培根推翻了古希臘權威並劃定了科學發現的步驟，他所創造的藍圖使得每個人無論階級背景，都有機會成為一名科學家。

培根的觀點還揭示了一個重要事實：科學發現的過程本身是具有演算法的。它經過有限步驟的不斷重複，最終生成有意義的結果。培根明確地採用「機器」（machine）這個詞來描述他的方法。他的科學演算法具有三個主要步驟：首先，收集對現象的觀察結果，並整合成一個知識總庫；其次，通過新的觀察結果，形成新的假設；最後，通過縝密的實驗來驗證假設。

進展與挑戰

如果科學具有演算法，那麼它一定具備自動化的可能性。而在過去數十年中，信息科學家和計算機科學家一直沒有涉足這個未來之夢，很大程度上是因為科學發現的三個步驟位於不同的層面上。觀察是基於感覺，生成假設是思考過程，而實驗過程則是機械行為。科學過程的自動化需要每一步都能在機器中得到有效結合，而這三步必須完美地貼合。而現在，還沒有人知道該怎麼做。

在實驗過程方面，人們已經運用機器實現了眾多進展。例如，製藥工業通常採用自動化高通量平台來進行藥物設計。美國加利福尼亞州的兩家初創公司Transcriptic和Emerald Cloud Lab正在創建系統，力爭將幾乎所有由生物醫學家操作的實驗任務自動化。科學家們可以在線提交實驗方案，而後實驗步驟被轉換為代碼，輸入機器人平台，繼而由機器人平台自動執行一連串的生物實驗。這種解決方案在需要密集實驗操作的學科中最為常見，例如分子生物學和化學工程，但是類似的方法也可應用於其他數據密集型領域，甚至進一步擴展至理論學科中。

Transcriptic公司的自動化平台

對於自動生成假設，目前的進展較少，但是Don Swanson在上世紀80年代的工作為我們指明了前進方向。他證明了科學論文中不相關的觀點之間也存在著隱藏聯繫。採用簡單的邏輯框架，他可以將來自不同領域、引用上毫無重疊的論文聯繫起來。通過這種方式，Swanson可以對魚油與雷諾氏綜合征之間的關聯提出新假設，而無需進行任何實驗或是熟知任一領域。此外，更多的最新方法依賴於數學建模和圖形理論。例如，芝加哥大學的Andrey Rzhetsky以及美國東北大學的Albert-László Barabási對大型資料庫進行了整合，這些資料庫中的知識被構建成一個網路，其中的節點就是概念，而連接則是概念間的關係。新的假設將作為節點間未被發現的連接呈現。

科學自動化過程中最具挑戰性的一步，就是大規模收集可靠的科學觀察。目前還沒有中心資料庫能夠容納人類所觀察到的所有科學知識。自然語言處理已經發展到可以從科學論文中自動提取相互關聯甚至是上下文的程度了。然而，主要的科學出版社都對論文挖掘設置了嚴格的限制。更重要的是，論文本身偏向於科學家的解釋，其中包含了綜合的複雜概念和方法，而這是很難做到提取和量化的。

儘管如此，計算和網路資料庫的最新進展令培根歸納法在歷史上第一次實現了實際應用。即使科學發現還不能實現自動化，當純粹的還原論超出適用範圍時，接受培根歸納法也是有意義的。

在大數據時代，僅僅依靠人類自身的思維，無法足夠有效地重建起高度複雜的自然現象。現代培根歸納法在數據挖掘中融合了還原論思想，隨後採用歸納計算模型來分析這些信息，這種方法將改變我們對自然世界的理解方式。它令我們得以生成可靠性極高的新假設並對其進行驗證，從而填補人類知識的空白；它還不斷提醒著我們科學的本質：尋求真理，自由無限。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！