<i id='AF6EDE34B7'><strike id='AF6EDE34B7'><tt id='AF6EDE34B7'><pre id='AF6EDE34B7'></pre></tt></strike></i> 人工智能（AI）正在以前所未有的经济方式塑造科學領域。從加速研究過程到提出新的学人学研究假設，AI 的刊文加入為科學帶來了巨大的潛力。
今年早些時候，何改現代 AI 教父之一 Yann LeCun 表示：“通過增強人類智慧，变科AI 可能會引發一場新的研究文藝複興，或許是经济啟蒙運動的一個新階段。”
如今，AI 已經可以使某些現有的刊文科學流程變得更快、更高效，何改如發現新的变科抗生素、電池和太陽能電池板的研究新材料，以及預測短時天氣、经济控製核聚變等。学人学Google DeepMind 首席執行官 Demis Hassabis 將 AI 比作一台望遠鏡，刊文認為“AI 可能帶來新的發現複興，成為人類智慧的倍增器”。
然而，AI 能否通過改變科學本身的工作方式來做得更多？
事實上，這種轉變以前便發生過。
17 世紀，隨著科學方法的出現，研究人員開始相信實驗觀察和從中得出的理論，而不再信奉古代的傳統智慧。19 世紀末，研究實驗室的建立催生了從化學到半導體再到製藥等多領域內的創新湧現。這些轉變不僅增加了科學生產力，還改變了科學本身，開辟了新的研究和發現領域。
那麽，在當時，AI 如何實現類似的變革，不隻是生成新的結果，還有生成新結果的新方式呢？
一種有前景的方法便是基於文獻的發現（LBD）。
作為一種 AI 方法，LBD 旨在通過分析科學文獻來進行新的發現。早在 20 世紀 80 年代，為尋找醫學期刊數據庫 MEDLINE 中的新關聯，芝加哥大學的 Don Swanson 博士就建立了第一個 LBD 係統。這一方法的早期成功之一體現在將雷諾氏病（一種循環係統疾病）與血液黏度相關聯，並提出魚油可能對治療有用的猜想，這一猜想後來得到實驗證實。然而，當時 LBD 係統的影響範圍有限。
如今，AI 在自然語言處理（NLP）方麵取得了顯著進展，同時科學文獻數量也大幅增加，使得 LBD 方法變得更加強大。例如，2019 年，美國勞倫斯伯克利國家實驗室的研究人員使用無監督學習技術分析材料科學文獻的摘要，並將其轉化為數學表示形式，被稱為“單詞嵌入”。這種方法允許 AI 係統獲得“化學直覺”，並提出可能具有特定性質的新材料。實驗驗證後，所有前十名的候選材料都表現出了卓越的性能。
近期，由芝加哥大學的社會學家 Jamshid Sourati 和 James Evans 在《自然·人類行為》雜誌上發表的一篇論文以一種新穎的方式擴展了這種方法。研究人員培訓了一個係統，既考慮概念又考慮作者，並取得了比之前更好的成果。此外，他們要求係統避開主流研究方向，識別出“外星”假設，這些假設在正常情況下不太可能被發現。這一方法不僅有助於加速科學發現，還揭示了新的“盲點”。
如今，LBD 係統不僅可以提出新的研究假設，還可以識別潛在的合作夥伴，促進跨學科合作。這種方法的應用正在擴展到處理表格、圖表和數據等不同類型的文獻，為科學家提供更廣泛的支持。
機器人科學家代表了另一種令人興奮的發展，它們超越了傳統實驗室自動化。它們通過數據、研究論文和專利的形式獲得有關特定研究領域的背景知識，然後生成假設、執行實驗、評估結果，最終發現新的科學知識。
亞伯大學的“Adam”是機器人科學家的先驅，它首次實現了自主發現新的科學知識，關於酵母代謝中基因和酶之間關係的實驗是一個典型案例。
更複雜的機器人科學家，如“Eve”，在計劃和分析實驗時，它使用機器學習創建“定量構效關係”（QSARs）——將化學結構與生物效應相關聯的數學模型。Eve 已經用於藥物發現，成功地發現了一種用於牙膏中的抗微生物化合物三氯生（triclosan）可以抑製引發瘧疾的寄生蟲中的關鍵機製。
曾經，人們認為機器戰勝最優秀的人類選手的前景似乎還要等上幾十年，但技術的進步比預期更快。隨著機器人科學家的能力越來越強，將未來的機器人科學家與會下棋的 AI 係統進行競賽也指日可待。
創建 Adam 的劍橋大學 AI 研究員 Ross King 表示，“如果 AI 能夠探索整個假設空間，甚至擴大這個空間，那麽它可能會顯示出人類隻是在探索假設空間的一小部分，或許是他們自己的科學偏見導致的。”
機器人科學家通過解決科學領域的效率問題，以一種獨特的方式改變了科學研究。科學研究的效率逐漸降低，難以推動知識前沿的發展，而機器人科學家可以通過 AI 驅動的係統來解決這個問題，因為機器比人類更快、更便宜、更準確地進行實驗室工作，而且可以全天候工作。此外，它們還能夠提供可重複性的實驗結果，緩解了可重複性危機。
盡管 AI 在科學中具有巨大潛力，但也麵臨著一些挑戰。
除了更好的硬件和軟件以及兩者之間更緊密的集成之外，還需要更大的實驗室自動化係統之間的互操作性，以及允許 AI 算法交換和解釋語義信息的常見標準。另一個障礙是科學家對基於 AI 的工具缺乏熟悉度。另外，一些研究人員還會擔心自動化會威脅到他們的工作。
然而，南加州大學計算機科學家 Yolanda Gil 博士表示，AI 的影響現在“深遠而普遍”。許多科學家現在正在“積極尋找 AI 合作夥伴”。對 AI 潛力的認識正在增長，特別是在材料科學和藥物發現領域，從業者正在構建自己的 AI 係統。
總的來說，科學期刊改變了科學家發現信息和相互借鑒的方式。研究實驗室則擴大了實驗規模，實現了實驗的工業化。通過擴展和結合前兩次變革，AI 的確可以改變科學研究的方式。
