AI科学家走入现实:一场科研范式的变革正在发生
作者：微信文章（图源：S Sioni/CMS-PHO-EVENTS-2021-004-2/M Rayner）
想象一下这样一个未来：科学研究不再仅依赖人类的智慧和实验室的人工操作，而是由一套智能系统自动提出假设、设计实验、运行设备，最终发现全新的自然规律。
这并不是科幻小说，而是正在悄然发生的现实。人工智能，曾是科研的工具，如今正在成为科研的合作者，甚至竞争者。
从破解蛋白质折叠，到预测气候变化、发现新材料，再到撰写科研论文，AI科学家的轮廓正在越来越清晰地浮现出来。本文将带你一窥这场正在重塑科学本质的变革。
近年来，人工智能在科研领域的渗透速度之快、影响之深，几乎前所未有。十年前，它还只是某些前沿研究的辅助工具，如今却逐渐成为许多科学实验的核心组成部分。从基础科学到应用工程，从生物结构预测到天气模拟，人工智能正以前所未有的效率参与知识的生产过程，甚至正在走向“自主科研”的新阶段。
在今天SingularityHub的一篇报道中，科技作家艾德·根特指出，人工智能在科研领域的应用正进入爆发期。2012年至2022年间，在某种程度上使用人工智能的科研论文比例已增长了四倍，达到近9%。神经网络已经被用于数据分析、文献综述以及复杂过程的建模，几乎渗透到每一个科学学科。随着技术的演进，人工智能所能处理的问题类型也在快速拓展。
（图源：量子号）
AlphaFold：解决“蛋白质折叠难题”的里程碑
最具代表性的突破之一，是由谷歌DeepMind公司开发的AlphaFold。这一模型不仅是人工智能在科学界的“代言人”，其贡献也获得了极高的认可——其开发者荣获了2024年诺贝尔化学奖。AlphaFold基于“变换器”（transformer）架构，这是支撑大型语言模型的关键技术。它成功解决了困扰科学界数十年的“蛋白质折叠问题”。
长期以来，科学家一直依赖X射线晶体学和冷冻电镜等复杂成像技术来确定蛋白质的三维结构。而AlphaFold仅凭氨基酸序列即可准确预测蛋白质形状，这一能力将生物医学研究推入了快车道。AlphaFold的早期版本曾在短短两年内预测了所有已知蛋白质的结构。2024年发布的AlphaFold 3更进一步，不仅能预测蛋白质，还能建模DNA、RNA及其他生物分子的结构和相互作用。
大脑连接图与神经系统研究的新工具
谷歌的人工智能还被用于另一个生命科学的前沿方向：脑神经连接图谱的构建。谷歌研究人员与哈佛大学合作，从一个1毫米立方的人脑组织样本中切割出超薄切片，并利用AI成像技术绘制出包含约5万个神经细胞和1.5亿个突触连接的图谱。
这是迄今为止最详细的人脑连接组，其数据目前已向公众开放，为研究神经结构、连接机制及神经系统疾病提供了重要资源。研究人员表示，该图谱也有望帮助科学家探索如学习和记忆等核心认知过程的基本机制。
材料科学：发现数百万种新型晶体
在材料科学领域，人工智能也开始发挥独立价值。2023年，谷歌DeepMind公司发布了名为GnoME的图神经网络系统，预测出220万个新型无机晶体结构，其中有38万个被认为具有热力学稳定性，可能成为未来新材料的基础。
其他科技公司也加入了这一竞赛。Meta发布了基于变换器架构的材料发现模型，并将其用于训练的超过1.1亿个材料模拟数据集开源，使其他研究团队也能构建自己的AI材料模型。微软则推出了MatterGen，一个使用扩散模型（diffusion model）来生成新型晶体的系统。该工具能生成具备特定化学、力学、电子和磁性特性的材料，显示出AI生成材料结构的可控性与潜力。
预测天气与气候：超越传统模拟的智能方案
人工智能对天气和气候建模的影响也日益显著。谷歌DeepMind公司的GraphCast模型利用图神经网络，仅用一分钟便可生成未来10天的天气预报，其精度超过目前需数小时计算的传统方法。
欧洲中期天气预报中心已正式部署了自己的人工智能系统，该系统于2024年初投入使用。据报道，该模型的速度快了1000倍，能效也大幅提升，同时预测准确率提高了20%。
微软推出的“地球系统基础模型”Aurora，则使用超过100万小时的地球物理数据进行训练。Aurora在预测空气质量、海浪和热带气旋路径方面表现优于现有方案，而且所需计算资源也更少。
基础物理与天文：从粒子物理到引力波
在粒子物理领域，大型强子对撞机每秒产生数百万次粒子碰撞，数据处理是一项艰巨任务。如今，研究人员已开始使用人工智能来筛选其中可能存在新物理现象的信号。同样，在德国，科学家们也正在使用人工智能分析引力波数据，以更快识别中子星并合事件，为后续望远镜观测争取时间。
自动化科研：迈向“AI科学家”时代
也许最具颠覆性的进展在于：人工智能正在参与甚至主导实验设计与执行，逐渐成为“科学家”本身。自动化实验室设备、机器人与机器学习结合，诞生了所谓的“自动驾驶实验室”。这些系统能够接受一个高层次的科研目标（例如实现某种化学反应的特定产率），并自动运行实验直到达成目标。
2023年，卡内基梅隆大学的研究团队展示了名为Coscientist的AI系统，它基于OpenAI的GPT-4，能够自主规划并执行已知化合物的化学合成。谷歌则构建了一个多智能体系统，基于其Gemini 2.0推理模型，可协助科学家构建假设、设计实验项目。而初创公司Sakana AI开发的另一名“AI科学家”甚至成功撰写了一篇机器学习论文，并通过了权威人工智能会议的同行评审流程。
黑箱风险与技术门槛仍需重视
尽管前景令人振奋，但文章也提醒我们，人工智能带来的挑战不容忽视。神经网络模型本质上是“黑箱”，其内部机制难以解释，这可能导致研究结果不透明。加之，许多科研人员尚不熟悉这项技术，难以识别潜在的偏差与误用风险。
尽管如此，艾德·根特认为，人工智能对数据处理和建模能力的巨大提升，依然为科研带来了前所未有的工具。只要谨慎合理地使用，人工智能就可能成为推动未来知识跃迁的关键动力。🅠
参考资料："The Dream of an AI Scientist Is Closer Than Ever" by Edd Gent, Published on Jun 26, 2025 - SingularityHub
你可能还想看：
被AI智能体接管，我们真准备好了吗？
硅谷巨头豪赌人类未来，或将我们引向深渊
硅谷为AI统治下的“后人类时代”做准备
页:
[1]