人工智能準備好獲得諾貝爾獎了嗎？

在世界各地的實驗室中，人工智能工具一直在幫助研究人員整理數據、模擬反應，甚至生成看似合理的假設。剛開始是助手，然后是合作者；現在，界限越來越模糊。機器正在學習提出自己的問題，在某些情況下，還會設計自己的實驗來回答這些問題。

《自然》雜志最近的一篇文章將這種緊張關系重新聚焦，提出了一個大膽的問題：人工智能能獲得諾貝爾獎嗎？我們終于到了這個著名獎項授予機器或軟件的階段了嗎？好吧，這似乎不再像幾年前那樣難以置信了。

從預測化學反應到揭示生物途徑，人工智能模型正朝著自主發現的方向邁進。一些研究人員表示，一臺機器產出獲得諾貝爾獎的作品只是時間問題。唯一不太清楚的是，我們是否準備為它的工作頒發諾貝爾獎。

與這個問題相關的最矚目的舉措之一是諾貝爾圖靈挑戰賽。該計劃由索尼人工智能首席執行官Hiroaki Kitano于2016年推出，為人工智能在科學領域的未來設定了雄心勃勃的目標。它提出了我們現在問的同一個問題：我們能否建造一個可以因自己的發現而獲得諾貝爾獎的人工智能？不是作為助手，甚至不是作為合作者，而是作為整個科學過程背后的主要架構師。

為了取得成功，這樣一個系統必須確定自己的研究問題，設計和進行自己的實驗，理解結果，并發現真正的新東西。這需要是一個完全獨立的發現，基于即使是人類研究人員也沒有預料到或理解的新想法或途徑。到目前為止，這還沒有發生。

然而，據一些人說，這一時刻比我們所知道的更近。劍橋大學人工智能研究員、比賽組織者之一Ross King說：“人類水平的繪畫是一個挑戰。”他認為，科學突破也是如此。這可能需要幾十年的時間，也可能會更早到來。

人工智能的進步令人印象深刻。雖然目前還沒有人工智能獲得諾貝爾獎，但這一想法的早期形態已經在今天的研究實驗室中可見。2024年，諾貝爾化學獎授予了AlphaFold的創造者，該系統對蛋白質如何折疊成三維進行了極其準確的預測。該項目背后的人類獲得了獎項，但取得突破的是人工智能。那一刻標志著一個轉變。這表明機器可以做的不僅僅是提供幫助。他們可能會回答困擾科學家幾十年的問題。

其他案例正在迅速出現。在卡內基梅隆大學，研究人員開發了Coscientist系統，該系統利用LLM（大型語言模型）與機器人實驗室設備規劃和執行復雜的化學反應。在斯坦福大學，人工智能模型正在RNA數據中發現生物模式，這些模式即使是最有經驗的研究人員也無法發現。

在FutureHouse等初創公司中，團隊正在構建一個人工智能代理的模塊化系統，每個代理都針對特定的科學任務進行了調整，例如構建實驗數據、規劃研究或查找相關論文。他們正在訓練人工智能系統提出自己的科學問題，并試驗人工智能在沒有人類指導的情況下可以自己做什么。

當然，這些可能只是小步，但它們暗示了更大的東西。人工智能不再只是加速發現。它開始自己思考，以一些非常真實的方式，這可能已經足以從根本上改變發現的方式和發現者。

盡管如此，即使取得了所有這些進展，真正獨立的“人工智能科學家”仍然遙不可及。艾倫人工智能研究所的研究人員最近測試了數十個系統，發現雖然大多數系統可以完成小而明確的任務，但幾乎沒有一個系統可以從頭到尾進行完整的研究。他們可以預測模式，模擬反應，甚至寫報告，但當被要求對整個發現進行設計和推理時，成功率會急劇下降。換句話說，人工智能可以更容易地模仿科學成果，而不是創造真正原創的東西。

這種差距可能歸結為機器尚未實現的東西：人類經驗。正如亞利桑那州立大學的Subbarao Kambhampati所指出的那樣，人工智能只能通過數據學習。人類科學家生活在他們研究的世界中，受到好奇心、直覺，有時甚至失敗的引導。

“我非常支持人工智能可以加速科學的說法，”Kambhampati說。“但你說不需要人類科學家，這臺機器就會做出一些值得諾貝爾獎的發現，聽起來只不過是炒作。”

南加州大學的Yolanda Gil花了數年時間思考人工智能需要什么樣的智能才能真正像科學家那樣推理。她認為，關鍵在于教會系統要反思自己的思維，而不僅僅是處理更多的數據。盡管如此，她承認，隨著LLM搶走了人們的眼球，朝著這個方向的工作已經淡出了人們的視線。她告訴《自然》雜志：“使用生成式人工智能技術可以獲得許多令人興奮的結果，但還有很多其他領域需要注意。”

不可否認，人工智能在科學研究和開發方面越來越好。但即使人工智能確實取得了值得獲獎的發現，諾貝爾委員會也會面臨一個問題：規則仍然規定獎項必須頒給一個人。也許這才是現在真正的問題。不是一臺機器能否獲得諾貝爾獎，而是當它最終創造出自己的有價值的發現時，我們是否準備好給予它相當的榮譽。

與 Ai 時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。歡迎掃碼加入我們！