好点子见底了，或许该让 AI 来帮我们开新脑洞

尽管公众普遍对人工智能（AI）感到担忧，担心其带来社会风险和不公，但它在科学研究领域已展现出巨大潜力。当前，人类正面临新思想产出放缓的困境，而 AI 能够通过处理海量数据和加速实验，有效应对这一挑战。从预测蛋白质结构的 AlphaFold 到发现新材料的 GNoME，AI 正在帮助科学家解决以往难以企及的问题。未来的方向是将 AI 作为一种辅助工具，帮助科学家从繁重的工作中解放出来，专注于创新，从而推动经济增长和生活质量的提升，而不是简单地禁止或盲目崇拜这项技术。

公众对 AI 的普遍担忧

民意调查显示，大多数美国人对 AI 持怀疑和恐惧态度。许多人担心其社会风险远大于益处，并且不信任 AI 能做出公正的决策。这种情绪源于对 AI 的一些负面想象，例如：

• 窃取就业岗位： AI 可能导致大规模失业。
• 产生偏见： AI 系统可能固化和放大社会偏见。
• 制造混乱： AI 生成的低质量内容正在泛滥。
• 生存风险： 一些人甚至担心 AI 可能导致人类灭绝。

这些担忧并非空穴来风，但它们往往掩盖了 AI 在解决重大问题方面的积极作用。人们的注意力大多集中在 AI 令人不安的用途上，而忽略了它在科学等领域的巨大潜力。

科学界正面临“创意枯竭”

在讨论 AI 的好处之前，需要认识到一个严峻的现实：人类产生新思想的速度正在变慢。

经济学家 Nicholas Bloom 的研究指出，为了维持过去的增长速度，我们现在需要投入远超以往的研究人员和研发资金。换言之，我们必须更努力地奔跑，才能仅仅停留在原地。 2023 年《自然》杂志的一篇论文也发现，科学研究正变得越来越不具“颠覆性”。

造成这个问题的一个讽刺原因是，科学家们正被海量的数据和文献所淹没，没有足够的时间来解析和利用这些信息。而这恰恰是 AI 最擅长解决的瓶颈。

AI 成为科学家的得力助手

AI 已经开始在多个科学领域扮演“合作科学家”的角色，取得了突破性进展。

• AlphaFold： 这个由 Google DeepMind 开发的系统能够准确预测蛋白质的三维结构。过去，确定单个蛋白质结构需要数月甚至数年的实验工作。如今，AlphaFold 几乎为整个蛋白质宇宙提供了高质量的结构预测，极大地加速了新药、疫苗和酶的设计。

• GNoME： 同样来自 DeepMind，这个工具在材料科学领域发现了约 38 万种可能稳定的新晶体结构，而在此之前，人类历史上总共只确认了约 4.8 万种。这相当于一次性完成了数百年的发现工作，为制造更好的电池、太阳能电池和芯片开辟了新道路。

• GraphCast： DeepMind 的另一个模型，它能在一分钟内生成比传统模型更准确的全球 10 天天气预报。这最终将转化为我们日常生活中更可靠的天气预报。

在这些例子中，AI 并非取代人类，而是通过处理海量数据、识别复杂模式，帮助研究人员探索以前无法企及的可能性。这是一种 增益，而非替代。

下一步：自动化实验室与“AI 科学家”

AI 的发展甚至开始让“自动化实验”成为现实。

• Coscientist： 由卡内基梅隆大学研究人员开发的 AI“实验室伙伴”，它能够阅读设备文档、规划化学实验、编写代码并操作真实的实验仪器。这表明，科学家未来可能不必亲身待在实验室里就能进行科学研究。

• FutureHouse： 这家非营利组织致力于在十年内打造一个“AI 科学家”。他们推出了一个平台，包含多个专门的 AI 代理，用于回答科学问题、进行文献综述和规划实验流程。其核心系统 Robin 甚至可以自主提出科学假设、设计并分析实验结果。

当我们展望未来，一个合理的场景是：人类科学家更专注于提出好问题和解读结果，而一个由 AI 系统构成的无形层则负责处理阅读、规划和数据分析等繁重工作。

将 AI 用于真正重要的事情

尽管 AI 存在被误用或出错的风险，例如产生错误的科学结论或被用于开发有害物质，但正确的方向并非完全禁止。AI 的真正价值在于，它能有效增加解决难题的“头脑”数量，即使在人口增长停滞的情况下也能提高每位研究者的生产力。

这最终会转化为：

• 更便宜的药物研发。
• 使清洁能源真正廉价的新材料。
• 更准确的气候模型，以减少自然灾害带来的损失。

与其在盲目崇拜和全面禁止之间摇摆，更有意义的路径是，坚持将 AI 的强大能力用于解决健康、能源、气候等我们真正关心的核心问题，让它成为推动科学进步、改善人类生活的无形基础设施。