北京
AI正在科学领域取得非凡进展。它帮助研究人员预测蛋白质结构、改进天气预报、发现新材料、加速药物研发以及改善医疗健康水平。研究人员取得成果的速度远超以往。曾经需要数周或数月的工作，现在几天就能完成，有时甚至几小时。在许多实验室里，AI的使用已经像模拟软件和高性能计算一样普遍。
然而更难的问题是，AI是否真的在自主发现任何东西。它是否拥有那些伟大科学家和发明家所具备的独创性或创造力？还是说，它在某种程度上仅限于识别人类终究也会发现的模式，仅仅是速度更快一些？
一篇发表在 arXiv 上的新论文认为，这两者之间存在重要区别。作者们认为，当今的AI系统正在成为极其出色的科学助手，但它们仍然缺少那些永远改变了科学的突破背后的关键要素之一。
这篇论文解释了原因，科学发现不仅仅是收集观察结果和应用逻辑，而是一个循环，科学家从现实世界的观察开始。在某个时刻，会出现一次直觉的飞跃——一个新的想法或看待问题的新方式。只有到那时，逻辑才介入，让这些想法通过实验得到检验。
论文的作者们认为，这种直觉飞跃正是当今AI仍然欠缺的地方。
我们知道，AI在归纳方面已经变得异常出色——在海量数据中发现模式。同时，它在演绎方面也越来越好——运用一套既定规则来解决复杂任务。
然而，还有第三种推理形式——而且它往往没有得到应有的关注。事实上，许多人可能甚至没听过这个术语。但作者们认为，它处于科学发明的核心位置。
这第三种形式叫做溯因推理（abduction）。
溯因推理是指当旧的解释不再成立时，提出一种新的解释。这是相对论和量子力学等突破背后的那种思维方式——这些想法彻底改变了科学家理解宇宙的方式。这些理论之所以出现，是因为有人用不同的眼光看待熟悉的证据。
论文指出，这种"用不同的眼光看事物"的能力，正是当今AI仍然缺失的。
我们知道，大语言模型（LLM）非常擅长在现有数据中发现关联。这极具价值。但发明一个全新的科学框架则是完全不同的问题。
历史表明，最重大的科学突破往往发生在证据混乱或不完整的时候。在某些情况下，证据甚至是相互矛盾的。如果让AI自行决策，在那种情况下它会怎么做？
当现有理论不再成立时，做出更好的预测并不总是足够的。有时科学需要一种全新的思维方式。一种它没有被训练过的东西。一种它没有过往数据可以依赖的东西。
这一切并不意味着AI在科学领域已经撞墙。恰恰相反。论文提到了像 AlphaFold 这样已经改变了结构生物学的系统，以及AI在化学、材料科学、天文学和气候研究中日益增长的作用。研究人员之所以能取得更快的进展，是因为AI可以筛选海量信息、测试更多可能性，并更早地排除死胡同。
作者们并不是在说AI不能做出发现。他们的观点更为微妙。
目前，AI似乎最擅长帮助科学家做出发现，而不是自己提出全新的理论。它是一位出色的助手，但还不是一位伟大的科学家。
这种情况是否会改变，仍然是一个悬而未决的问题。
这是一篇观点性论文而不是实验研究。它并没有断言AI永远无法达到下一个阶段。论文只是提出了一个问题：当前的AI研究路径是否真的在引领我们走向那里？
更大的模型、更多的数据和更强的算力，在过去几年中推动了显著的进步。但如果科学发明依赖于某种比日益复杂的模式识别更深层的东西，那么仅仅扩大当今系统的规模可能无法让我们到达终点。
这是一个发人深省的论点，尤其是在科学AI持续加速发展的当下。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
