AI离获得诺贝尔奖还有多远？一份免疫学实验报告给出的惊人答案

编辑、整理丨BioArt编辑部

在今天的实验室里，你很可能会看到这样一幅景象：一位研究员一边喝着咖啡，一边和屏幕上的聊天窗口讨论着复杂的科学问题。这位不知疲倦、学识渊博的 “ 同事 ” ，正是像 ChatGPT 这样的大型语言模型（LLM）。我们对这些 AI“ 合作者 ” 寄予厚望，期待它们能加速科学发现的进程。

但这引发了一个关键问题：这些 AI 代理在提出真正原创的科学假说方面，真的能与浸淫领域数十载的人类科学家相提并论吗？它们是真正的创意伙伴，还是只是一个超级高效的图书管理员？

近日， Science Immunology 发表一个有趣的研究：

AI immunologists are here: Are they ready for prime time?

AI 是个出色的实习生，但还不是PI

实验结果首先肯定了 AI 的强大能力。在 “ 创造力游戏 ” 中，像 ChatGPT-4o 这样的顶尖模型在回顾相关文献、生成看似合理的假说，甚至建议验证实验等方面都表现 “ 出色 ” （ admirably ）。它能迅速整理信息，提出有理有据的初步想法，就像一个顶尖的博士生。

然而，它的核心局限也暴露无遗。尽管AI能熟练地运用“众所周知”的知识，但在生成真正意义上的“原创材料”（ original materials ），比如一个前所未有的假说或一种创新的实验程序时，它就显得力不从心了。例如，在分析固醇调节元件结合蛋白（ SREBPs ）时， AI 可以完美地 “ 反刍 ” 文献中已知的关于 SREBPs 在免疫中的功能，但对于解释疫苗反应中代謝調控的深層 “ 機制性見解 ” （ mechanistic insights ） —— 一個需要真正洞察力的任務 —— 它卻束手無策。

正如研究人员在论文中指出的那样：AI目前能帮你把已有的点连接起来，但还无法发现那些地图上尚未标出的新大陆。

想让 AI 更有创意？提问的方式得 “ 粗线条 ” 一些

我们都知道， LLM 对我们输入提示词（ Prompt ）的微小变化都极为敏感，有时多一个空格 都可能产生 “ 蝴蝶效应 ” ，导致结果大相径庭。但当目标是激发创造力时，一个反直觉的现象出现了。

这项 研究发现， AI 假说的生成存在一个 “ 新颖性 - 可验证性权衡 ” （ novelty-verifiability trade-off ）。令人惊讶的是，触发更高创造力的策略，恰恰是提供更少的信息。

• “ 零样本 ” 提示（ Zero-shot prompts ） ：当研究人员不给 AI 任何具体的例子，只是提出一个开放性问题时， AI 反而能产生更具创造力、更大胆的假说。

• “ 五样本 ” 提示（ Five-shot prompts ） ：相反，如果给 AI 提供五个相关的上下文示例，它产生的假说虽然更 “ 接地气 ” 、更符合现有文献，但也因此失去了新颖性，创造力大打折扣。

这个发现颠覆了我们的常规认知。我们通常认为，给 AI 提供更丰富的上下文信息会让它表现得更好。然而，在追求科学创新的道路上，有时候“少即是多”。给AI留出更多“想象空间”，似乎更能激发它的创造潜能。

评估 AI 创造力的最大障碍，可能就是人类专家自己

这个发现或许最具争议性。 Rodriguez 等人在研究中特别强调了 “ 人类监督 ” （ human oversight ）的局限性。当我们请领域内的专家来评估 AI 生成的假说是否 “ 有创意 ” 时，一个悖论出现了：专家的评估标准本身，可能就成了创新的绊脚石。

原因在于，专家的深厚知识和经验建立在现有的科学范式之上。因此，他们在评估时可能会不自觉地偏爱那些符合 “ 传统科学智慧 ” （ conventional scientific wisdom ）的想法，而对那些跳出既定框架、看似 “ 离经叛道 ” 的创新想法给予低估或直接忽略。这就像让一位古典音乐大师去评判一场前卫的电子音乐会，他可能会因为不符合传统乐理而给出差评。这凸显了一个迫切的需求：我们需要开发一套一致的、量化的评估指标，来客观衡量 AI 的认知能力和创意的 “ 新颖性 ” 。像 “ 相对邻居密度算法 ” （ Relative Neighbor Density algorithm ）这样的工具正在朝这个方向努力，它试图通过算法来识别那些处于知识网络稀疏区域的 “ 创新 ” 想法。

AI 科研的未来不是独行侠，而是 “ 机器人团队会议 ”

如果说单个 AI 的表现还不足以独当一面，那么最有前途的未来方向，似乎是组建一个 AI 团队。这种 “ 多代理 ” （ multiagent ）方法，不再是让一个 AI 与人类互动，而是让多个 AI 代理（各自被赋予不同角色）相互协作、辩论，并与人类研究员共同工作。

这就像组建一个虚拟实验室团队。一个名为 “ 虚拟实验室 ” （ The Virtual Lab ）的项目就是绝佳例证。在这个项目中，一个 AI 扮演首席研究员（ PI ），它根据人类设定的目标，组建了一个由 AI 免疫学家、 AI 计算生物学家和 AI 机器学习专家组成的团队。在整个互动过程中，一个惊人的数据显示：超过 98% 的文字是由 LLM 代理生成的。这个 AI 团队最终设计出了 92 种纳米抗体，其中两种经真实实验证明有效。

另一个名为 “CellForge” 的多代理系统也展示了这种趋势。这些系统证明，通过模拟跨学科的团队合作， AI 能够完成从数据整理到模型构建再到结果分析的复杂科研工作流。当然，目前的局限也很明显：它们的核心任务仍然是 “ 计算性的 ” （ computational in nature ），如何与真实世界的湿实验形成反馈闭环，将是 “ 关键的下一步 ” 。

结论

所以，AI免疫学家准备好迎接黄金时代了吗？答案是：单个的AI或许还没有，但一个由AI专家、AI批评家和人类科学家组成的跨学科“AI团队”，正展现出解决复杂科学问题的巨大潜力。它们不再仅仅是知识的提取器，而开始成为知识的创造者。

随着这些 AI 团队与真实世界的实验室数据和实验反馈实现闭环，未来的问题或许不再是它们 能否 做出突破性发现，而是当它们做到时，我们又该如何自处？

https://www.science.org/doi/10.1126/sciimmunol.aea8735

制版人： 十一

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

近期直播推荐

点击主页推荐活动

关注更多最新活动！