诺奖得主给年轻人的AI生存指南：AI时代，好问题的价值正在超过好能力

2013年诺贝尔化学奖得主迈克尔·莱维特

出品｜搜狐科技

作者｜常博硕

10月17日，第二届国际人工智能科学家大会（ICAIS 2026）在北京中关村举行，本届大会值达特茅斯AI 70周年之际，以“溯源AI初心、拓界科学探索”为主题。会上，2013年诺贝尔化学奖得主、斯坦福大学结构生物学与计算机科学教授迈克尔·莱维特（Michael Levitt）以《七十年后：来自人工智能未来前沿的报告》为题发表了演讲。

从用ChatGPT写代码，到让AI智能体接管电脑、整理数十年的健康记录，再到让多个AI模型共同探索尚未解决的科学问题，迈克尔·莱维特回顾了AI如何改变自己的研究工作，并预测了未来科研的变化。

“物理学用了50年，机器学习只用了5年”

莱维特对计算机并不陌生。 “1967年，我20岁，开始把蛋白质放进计算机。”迈克尔·莱维特回顾道。1975年，他与同事发表了早期蛋白质折叠计算机模拟研究。这条研究路线此后发展了数十年，也成为理解人工智能如何推动科学进步的一个重要案例。

蛋白质是氨基酸长链折叠而成的，最终形成具有特定功能的三维结构。DNA存储着生命的遗传信息，但生命活动最终发生在三维物质世界中。如何从一串信息预测出复杂的蛋白质结构，长期以来都是计算生物学面临的难题。

全世界的实验物理学家和晶体学家用了50年陆续解出约20万个蛋白质结构、测定约2000万条序列。“而生命实际使用的不同结构，可能不超过1000种”，莱维特说，“物理学奠定了基础，但机器学习完成了任务。”

机器学习只用了5年，就吃下了50年实验积累的全部信息，催生了AlphaFold系统，并在2024年直接催生了两项诺贝尔奖。

2024年，诺贝尔化学奖授予大卫·贝克，以及德米斯·哈萨比斯、约翰·江珀，以表彰他们在计算蛋白质设计和蛋白质结构预测方面的贡献。诺贝尔物理学奖则授予约翰·霍普菲尔德和杰弗里·辛顿，以表彰他们在利用人工神经网络进行机器学习方面的基础性发现。

迈克尔·莱维特本人也是AI的重度使用者。2022年11月ChatGPT发布的当周，他就开始使用，过去几个月，他还用智能体处理生活和工作上的各种事物。

在做研究时，他甚至会让几个智能体互相讨论，他只负责看几个AI讨论出的结果。“三年间，人工智能从帮手、变成助手、变成同事，如今它已是一整个不知疲倦的实验室。”莱维特感慨道，他现在大概有六个智能体在同时为他工作。

当做事变廉价，问题即一切

迈克尔·莱维特认为，AI对科学研究最深刻的影响是让过去因为成本过高而无法尝试的想法重新获得了被检验的机会。

科学研究通常不是从一个定义清晰的问题开始的。研究者可能只有一个模糊的直觉，不知道该使用什么方法，也无法确定最终能否得到结果。很多想法之所以停留在脑海里，只是因为验证它们需要太多时间、编程能力和实验资源。

莱维特将科学探索形容为在思想空间中的随机游走。“你可能失败十次甚至一百次，才能成功一次。”在他看来，科学进步依赖对不同路径的持续探索。研究者需要不断尝试、修正方向，再从少数成功的尝试中发现新的线索。这种过程很难被完全预先规划，也很难用短期、确定的产出衡量。

AI改变的，是这种探索能够以多大的规模展开。过去，研究者有了一个想法，可能需要先学习一门陌生的编程语言，再花几天甚至几个月编写程序。现在，AI能够在很短时间内生成可用代码，让研究者更快地进入验证阶段。

“AI几秒钟就能写出大型可用的代码，人类优秀的程序员需要几天。这种100到1000倍的速度提升，极大地降低了试错的代价。AI不是取代探索，而是让探索成倍增加。”

AI可以扩大研究者的能力范围，却不一定能替他们决定什么问题值得研究。迈克尔·莱维特说，生物学、物理学等领域的许多重要问题，并没有现成的、可以直接交给模型求解的标准答案。生命如何起源？大脑如何工作？这些问题本身就包含大量未知因素。因此，科学家需要决定研究什么、哪些现象值得关注、哪些解释可能成立，以及下一步应该沿着什么方向继续探索。

“对科学而言，做事正在变得廉价，问题才是一切。一个好问题的价值已经超过了好能力的价值。”

在迈克尔·莱维特看来，当执行一个想法的成本不断下降时，单纯拥有一个想法不再足以形成优势。真正重要的是能否提出值得验证的问题，能否设计有效的探索路径，以及能否从大量结果中识别出有意义的发现。

他进一步提出，未来可能需要建立一种关于“提问”的理论：研究者不仅要学会向AI提问，还要学会如何询问黑箱系统，如何判断系统的回答，以及如何利用问题逐步揭开复杂系统的内部规律。

给年轻人的生存指南

面对AI时代，迈克尔·莱维特乐观地认为，年龄的鸿沟正在被抹平。

莱维特预计，到2056年，借助 AI 智能体的年轻科学家，一年可能完成他这一代科学家一生的工作。他同时表示，这个预测可能还不够激进，未来的效率提升幅度可能远超30倍。

这种变化还可能影响科学家的年龄优势。莱维特指出，年长研究者拥有长期积累的知识与经验，年轻研究者则更有精力探索新领域。AI有机会缩小两者之间的差距，让经验更容易转化为实际行动，也让年轻研究者更快进入复杂的研究工作。

“一个拥有AI智能体的老年人，可能和一个没有AI智能体的年轻人一样强大。”AI给年长者注入了活力，给年轻人补充了经验。他幽默地调侃，自己70岁时决定不再带学生，但现在，AI让他迎来了科研的“第二春”。

迈克尔·莱维特并不认为技术进步意味着人类科学家将失去中心地位。

他在演讲中反复强调，科学的未来仍应以人为中心，年轻人也仍将是科学发展的重要推动者。在他看来，科学研究的能力不仅来自知识积累，也来自好奇心、冒险精神和面对失败的勇气。

“如果你研究的是困难问题，就应该做好经常犯错的准备。如果你研究的都是简单问题，你当然可以一直正确，但那可能并不值得做。”

面对充满着剧变的当今时代，迈克尔·莱维特特别强调了生物界的生存法则：“不是适者生存，而是多样者生存” 因此，AI模型的安全也依赖于多样性。在他看来，像DeepSeek、Kimi、Claude、ChatGPT等多种模型的并存，正是人类安全使用AI的保障。

当然，不同模型可能给出相似的错误，也可能在共同的知识盲区中失去判断能力。因此，莱维特特别强调了另一项能力：核查。

他认为，未来的教育需要重新考虑如何训练学生判断信息的真伪。过去的考试往往要求学生从选项中找出正确答案，但在 AI 能够迅速生成大量回答的情况下，识别错误答案同样重要，甚至可能更加重要。

在他看来，AI时代并没有让科学探索变得简单。恰恰相反，当越来越多的想法可以被快速验证，人类需要面对的未知也会随之扩大。技术能够降低探索的成本，但决定探索什么、如何理解结果，以及哪些发现真正重要，仍然是科学家必须回答的问题。

运营编辑 | 曹倩