“科學(xué)家不應(yīng)相信任何東西”，專訪諾獎(jiǎng)得主邁克爾·萊維特

“優(yōu)秀的科學(xué)家 99% 的時(shí)間都會(huì)犯錯(cuò)。”這句話出自 2013 年諾貝爾化學(xué)獎(jiǎng)得主邁克爾·萊維特（Michael Levitt）教授。在這位投身科學(xué)界超過半個(gè)世紀(jì)，橫跨計(jì)算化學(xué)、生物學(xué)乃至計(jì)算健康和 AI 領(lǐng)域的科學(xué)先驅(qū)看來，真正的科學(xué)精神內(nèi)核不在于追求絕對正確，而是勇于試錯(cuò)。

圖 | 諾貝爾獎(jiǎng)官網(wǎng)對萊維特教授的簡介（來源：諾貝爾獎(jiǎng)官網(wǎng)）

萊維特教授因“為復(fù)雜化學(xué)系統(tǒng)創(chuàng)立多尺度模型”而獲得諾獎(jiǎng)，同時(shí)他也是一位擁有 60 年編程經(jīng)驗(yàn)、如今依舊每天高強(qiáng)度使用所有主流 AI 模型的前沿技術(shù)擁護(hù)者。他與中國有著深厚的聯(lián)系，對中國科技生態(tài)的觀察亦十分敏銳。

在這篇深度對話中，萊維特教授以一種罕見的坦誠，將他畢生秉持的試錯(cuò)哲學(xué)與當(dāng)下最火熱的 AI 革命進(jìn)行了碰撞。他直言，在 AI 時(shí)代，大語言模型的出現(xiàn)比 AlphaFold 更讓他震撼，但也坦承AI 目前仍不夠好——“時(shí)而聰明，時(shí)而愚蠢”。

本文的核心精神，便是在這位智者“我不知道”的謙遜與“允許犯錯(cuò)”的智慧中展開。他探討了 AI 的局限性、科學(xué)的偶然性、技術(shù)背后的哲學(xué)思辨，以及為什么在一個(gè)人人追求效率和完美的時(shí)代，我們反而更需要賦予年輕人失敗的權(quán)利。

以下是我們與這位跨領(lǐng)域科學(xué)家的完整對話。為便于閱讀，內(nèi)容經(jīng)過必要整理，但最大程度保留了他的原始論述與思維脈絡(luò)。

（來源：https://www.nobelprize.org/prizes/chemistry/2013/le）

談與中國結(jié)緣：第二任妻子曾在北大教書，二人多次來華

DeepTech：我注意到您曾多次到訪中國，參與過很多活動(dòng)，您這次中國之行的感受如何？

Michael Levitt：感受很棒。8 年前，與我結(jié)婚近 50 年的第一任妻子中風(fēng)去世。半年后我偶然遇見了現(xiàn)在的伴侶 Shoshan，她在北京大學(xué)教了 5 年書，與中國有很深的聯(lián)系。認(rèn)識她之前我曾來過中國一兩次，因?yàn)樗挠绊懳襾淼酶l繁了。

之后我們多次一起過來，我也在這里建立了不少聯(lián)系。我非常喜歡在中國生活，雖然我認(rèn)識的中文不多。我認(rèn)為在中國真正關(guān)鍵的是會(huì)用手機(jī)，但我對計(jì)算機(jī)（之類的電子產(chǎn)品）很熟悉，所以適應(yīng)得很快，生活完全沒障礙。

疫情前，我們每年會(huì)在中國待三四個(gè)月，疫情期間有一半時(shí)間也在這里。這次行程和以往差不多，我們已經(jīng)在中國待了將近六周。我在這里主要做咨詢工作，合作對象包括復(fù)旦大學(xué)和浙江大學(xué)，也會(huì)到處做演講。

我拿過諾貝爾獎(jiǎng)，成為了所謂的“有名氣的科學(xué)家”，因此除了自己的研究工作，我覺得自己還有義務(wù)向年輕人展示科學(xué)的魅力。雖然我的背景是計(jì)算化學(xué)和計(jì)算生物，現(xiàn)在反而更多在做計(jì)算健康。

每次來中國都會(huì)再次感受到這里的不可預(yù)期。我常開玩笑說，在中國開會(huì)，議程通常在會(huì)后兩天才真正明確。最開始我會(huì)因?yàn)椴恢澜酉聛頃?huì)發(fā)生什么而緊張，但現(xiàn)在我完全接受并享受這種不確定性，通常結(jié)果都不錯(cuò)。中國人在臨場應(yīng)變和最后時(shí)刻把事情做成方面確實(shí)很強(qiáng)。

我的本職工作仍在斯坦福，是全職科學(xué)家，在中國是訪問和咨詢的角色。我出生于南非，在英國劍橋大學(xué)工作過，也在以色列和美國工作過。現(xiàn)在我和中國的一些機(jī)構(gòu)保持聯(lián)系，這些經(jīng)歷塑造了我的跨國理解框架。

另外我想強(qiáng)調(diào)的是，我在 2022 年 11 月 ChatGPT 3.5 發(fā)布后就開始深入研究 AI，幾乎每天都在用所有主流模型，不局限于一個(gè)引擎。這樣持續(xù)、高強(qiáng)度使用 AI 的人并不多。而且我現(xiàn)在仍在寫代碼，已經(jīng)寫了 60 年代碼了，這讓我看待問題能夠擁有較為長期的技術(shù)視角。

（來源：https://life.fjnu.edu.cn/9e/ad/c9671a368301/page.ht）

DeepTech：您已經(jīng)接觸過中國的科技產(chǎn)業(yè)生態(tài)系統(tǒng)，與西方國家相比，您如何看待中國在科學(xué)和 AI 領(lǐng)域的發(fā)展？

Michael Levitt：我一直都有一個(gè)習(xí)慣，那就是不輕易做對比。別人問我 A 和 B 哪個(gè)更好，我的回答永遠(yuǎn)是：A 加 B 比 A 或 B 更好。我倡導(dǎo)包容，而不是對立。

在科研和技術(shù)上，中國算是比較新的力量。現(xiàn)代意義上的中國科技發(fā)展真正起步、真正系統(tǒng)性的投入也就幾十年。過去一年，我看到中國對生物技術(shù)的關(guān)注度大幅提升，這在某種意義上是意外的，因?yàn)樯锛夹g(shù)十分復(fù)雜。中國把重點(diǎn)放在人類健康上，這是新變化，我非常贊賞。這應(yīng)該是人類最容易達(dá)成共識的一點(diǎn)：沒有什么比人類福祉更重要。

至于 AI 技術(shù)，在 DeepSeek 出現(xiàn)之前，中國用戶要真正地接觸到高質(zhì)量大模型其實(shí)很不容易。我非常高興看到 DeepSeek 橫空出世，它是一個(gè)重要轉(zhuǎn)折。因?yàn)槲易约嚎梢越佑|到所有大模型，所以我深知能否使用 AI 工具對科研和創(chuàng)新意味著什么。DeepSeek 的出現(xiàn)讓中國用戶能真正接觸并利用先進(jìn) AI，而且現(xiàn)在已經(jīng)被廣泛使用，這是非常好的事。我也很高興看到中國進(jìn)入這個(gè)賽道，與硅谷競爭。

在科學(xué)方面中國仍在學(xué)習(xí)。但從各種引用指數(shù)和出版趨勢來看，中國的科學(xué)產(chǎn)出正在快速上升，這是一件好事。

我常強(qiáng)調(diào)一點(diǎn)，真正優(yōu)秀的科學(xué)往往由年輕人完成，但獲得認(rèn)可卻要等到很多年之后。因此優(yōu)秀科學(xué)的“被看見”與“被認(rèn)可”之間總存在長長的滯后。我是 2013 年獲得的諾貝爾獎(jiǎng)，而對應(yīng)的研究是在 1960 年代末到 70 年代初完成的，中間隔了 45 年。

談自己得諾獎(jiǎng)和最新諾獎(jiǎng)得主

DeepTech：2013 年諾貝爾化學(xué)獎(jiǎng)表彰了您和其他兩位科學(xué)家“為復(fù)雜化學(xué)系統(tǒng)創(chuàng)立了多尺度模型”，這項(xiàng)工作在過去 10 多年有什么新進(jìn)展嗎？

Michael Levitt：我想先把這項(xiàng)工作的重點(diǎn)講清楚。1960 年代末，我很幸運(yùn)參與了最早的一批蛋白質(zhì)和 DNA 的計(jì)算研究。這些都是生命分子的基礎(chǔ)，它們由一連串原子構(gòu)成，但本質(zhì)上可以看作由許多“小分子模塊”組成。那時(shí)我研究的是小分子之間的相互作用力，后來意識到自己寫的小分子計(jì)算程序，只要稍作修改就能直接用于大分子。

我應(yīng)該是第一個(gè)把蛋白質(zhì)“放進(jìn)電腦里”并從能量學(xué)角度去研究它的人。任何系統(tǒng)要研究運(yùn)動(dòng)、變化，都需要一個(gè)能量函數(shù)，也就是在任意原子排列下系統(tǒng)的能量是多少。當(dāng)時(shí)我們建立了最早的能量函數(shù)體系，這套方法后來引出了許多重要突破。

生命之所以迷人，就在于它依賴這些長鏈分子發(fā)揮功能：一種是像文字一樣儲(chǔ)存信息的 DNA；另一種是蛋白質(zhì)，能折疊成極其精確的三維結(jié)構(gòu)。人體大概有 25,000 種不同的折疊形狀。這些蛋白質(zhì)以不同方式組合，形成機(jī)器、結(jié)構(gòu)，像樂高積木一樣構(gòu)成人體，只是每個(gè)“樂高塊”都是由一根分子鏈折疊出來的。尺度小于 1 納米，精確度遠(yuǎn)高于任何芯片。

60 年來，結(jié)構(gòu)生物學(xué)不斷累積數(shù)據(jù)。我剛做蛋白質(zhì)研究那會(huì)，全世界只有兩個(gè)結(jié)構(gòu)。今天已超過幾十萬，是靠無數(shù)科學(xué)家的艱苦工作取得的成果。相關(guān)成果帶來了許多諾貝爾獎(jiǎng)。

如今的 DeepMind AlphaFold，是把幾十年所有結(jié)構(gòu)知識集中起來的一次整合。2024 年獲得諾獎(jiǎng)的德米斯·哈薩比斯（Demis Hassabis）和約翰·江珀（John Jumper）帶領(lǐng)團(tuán)隊(duì)把所有結(jié)構(gòu)數(shù)據(jù)庫、各類方法論和前人提出的能量函數(shù)思路，全部匯聚進(jìn)一個(gè) AI 系統(tǒng)里。這個(gè)系統(tǒng)可以基于序列家族給出可信的結(jié)構(gòu)預(yù)測。它其實(shí)是我在過去推進(jìn)的那條研究路線的某種終點(diǎn)，能走到這一步令人驚嘆，也常被視為 AI 在科學(xué)領(lǐng)域的第一次真正意義上的重大應(yīng)用。

AlphaFold 并不是憑空創(chuàng)新，而是在一個(gè)成熟框架上，用 AI 讓規(guī)模、方法和數(shù)據(jù)量都擴(kuò)大了幾個(gè)量級，同時(shí)在網(wǎng)絡(luò)結(jié)構(gòu)、注意力機(jī)制、Transformer 的設(shè)計(jì)上有關(guān)鍵突破。這些都是在大模型出現(xiàn)之前實(shí)現(xiàn)的真正開創(chuàng)性工作。

從計(jì)算能力的角度看，我自己做過一些比較。現(xiàn)在一部普通智能手機(jī)的算力，其實(shí)相當(dāng)于 1997 年全球最強(qiáng)的超級計(jì)算機(jī)。而我開始做研究的時(shí)間比那還要早二十年，那時(shí)候的計(jì)算機(jī)算力大概又比 1997 年弱上很多倍。

這種巨量算力帶來的變化直接推動(dòng)了 AI 的質(zhì)變。AI 讀完一千本書仍然很笨，但讀到一百萬本它就會(huì)變聰明。我們在科學(xué)中不斷遇到這種閾值，當(dāng)數(shù)據(jù)量積累到足夠大時(shí)，不只是性能變好，而是直接從“做不到”跳躍到“能做到”。這是理解 AI 與現(xiàn)代科學(xué)的關(guān)鍵點(diǎn)。

（來源：https://digitalpaper.stdaily.com/http_www.kjrb.com/）

DeepTech：您對 2025 年諾貝爾化學(xué)獎(jiǎng)有什么看法？

Michael Levitt：諾貝爾獎(jiǎng)總能夠吸引所有人的注意，也同樣會(huì)吸引其他諾貝爾獎(jiǎng)得主的關(guān)注。今年的化學(xué)獎(jiǎng)非常令人印象深刻。我其實(shí)兩年前在上海見過奧馬爾·M·亞吉（Omar M. Yaghi）。雖然我不是化學(xué)家，但他給我留下了深刻的印象，尤其是他在研究中對 AI 的使用。因此聽到他獲獎(jiǎng)，我真的很高興。

化學(xué)家們在設(shè)計(jì)新材料方面越來越強(qiáng)，他們正在做的事情讓我覺得非常有趣。他們不再從原子層面出發(fā)，而是從“組件”的角度來思考——我們已經(jīng)能造出 A、B、C、D 這些基礎(chǔ)組件，然后通過聰明的組合方式把它們搭建起來。這些組件能夠以不同方式連接，從而產(chǎn)生完全新的結(jié)構(gòu)。

我認(rèn)為金屬有機(jī)框架（MOF，Metal-Organic Framework）的關(guān)鍵，在于把金屬和有機(jī)分子結(jié)合起來。有機(jī)分子會(huì)把金屬原子彼此“撐開”。最常用的有機(jī)結(jié)構(gòu)往往是六元環(huán)，比如苯環(huán)由六個(gè)碳原子構(gòu)成的平面環(huán)狀結(jié)構(gòu)。這個(gè)環(huán)可以在兩端與金屬結(jié)合，因?yàn)樗且粋€(gè)薄而平的結(jié)構(gòu)，就像放入一片薄板，把金屬原子推得更遠(yuǎn)，從而形成孔洞。

正是這些孔洞，使得這種材料擁有極其巨大的比表面積，因?yàn)椴牧蟽?nèi)部充滿微孔，小分子可以進(jìn)入其中。這類材料因此具有重要的性質(zhì)，就像海綿或泡沫因?yàn)閮?nèi)部結(jié)構(gòu)而具備獨(dú)特的宏觀性能一樣。

在化學(xué)領(lǐng)域，我們將看到 AI 帶來的巨大進(jìn)展。化學(xué)本質(zhì)上是組合科學(xué)，原子的組合、分子的組合、片段的組合。組合空間增長得非常快。如果你有 20 個(gè)組件，任意取 3 個(gè)排列組合，就產(chǎn)生超過 6,000 種可能的組合。取 5 個(gè)，就會(huì)超過 100 萬種。

AI 能夠探索這些龐大的空間。而且如今人們已經(jīng)在建立自動(dòng)化實(shí)驗(yàn)室，由機(jī)器人來執(zhí)行化學(xué)實(shí)驗(yàn)。機(jī)器人一天能完成的實(shí)驗(yàn)數(shù)量是人的一千倍，它們特別擅長系統(tǒng)化地進(jìn)行混合與試驗(yàn)。我相信在這個(gè)方向，我們會(huì)看到令人難以置信的突破。

談 AI：AI 知道答案，你要做的是找到正確的問題

DeepTech：所以您看到的科技進(jìn)步更多的是飛躍式的、變革式的，而非一點(diǎn)點(diǎn)漸進(jìn)的？

Michael Levitt：對我來說，AlphaFold 當(dāng)然令人印象深刻。而大語言模型哪怕只是 ChatGPT 3.5 的語言能力，都完全超出了我的預(yù)期。它真正震撼了我，我完全無法相信，一臺機(jī)器突然能夠在語言上幾乎通過圖靈測試，而且之后只會(huì)變得越來越強(qiáng)。

所有這些進(jìn)展完全是意料之外的，它們的意義在于：一個(gè)小小的芯片現(xiàn)在可以聽懂人。它們還不能真正“說話”，但后續(xù)的影響還沒完全顯現(xiàn)。我相信有一天，我們可以跟任何設(shè)備對話，都能得到回應(yīng)。

整個(gè)發(fā)展完全出乎意料，就像 DeepSeek 在中國的出現(xiàn)一樣。科學(xué)的世界里，充滿這種意想不到的躍遷。

DeepTech：您覺得 AI 會(huì)遇到哪些瓶頸或局限性，甚至發(fā)展到無法繼續(xù)前進(jìn)的地步？

Michael Levitt：我不知道。現(xiàn)在的情況是，AI 有時(shí)非常聰明，有時(shí)又愚蠢到難以理解，而且你常常無法提前判斷。我一直用它寫代碼。有時(shí)候，它一次就能寫出一段很復(fù)雜的代碼，而且能正常運(yùn)行，但有時(shí)候它會(huì)被一個(gè)很低級的 bug 卡住，怎么都找不到問題。所以現(xiàn)在的情況是，它的表現(xiàn)不夠穩(wěn)定。

另外，人類在做事情時(shí)，總是在試錯(cuò)。AI 也需要具備這種自己嘗試的能力。但現(xiàn)在我經(jīng)常感覺是我在替 AI 工作，而不是 AI 在替我工作。AI 應(yīng)該變得能夠自己說：“我先試方案一，我會(huì)測試它；兩小時(shí)后我告訴你成不成。不成功的話我再繼續(xù)嘗試。”我認(rèn)為未來我們會(huì)先在這一點(diǎn)上看到突破。

AI 寫代碼確實(shí)在進(jìn)步，但我沒法完全依賴一個(gè)模型，Claude、Gemini、ChatGPT 和 DeepSeek 我都在用，整個(gè)過程就像在和團(tuán)隊(duì)合作。所以我們需要的是，AI 引擎能自動(dòng)完成這種多方討論，你只需要說一句“請你們討論，最后給我一個(gè)討論后的最終答案”。

還有一個(gè)我在所有事情上都堅(jiān)持的原則：科學(xué)家不相信任何東西。這聽起來可能有些奇怪，但科學(xué)家的基本假設(shè)是“一切都是錯(cuò)的”。因?yàn)閷?shí)驗(yàn)結(jié)果常常會(huì)誤導(dǎo)你，常常是不準(zhǔn)確的。所以我們認(rèn)為所有東西都是錯(cuò)的，直到有了確鑿的確認(rèn)。

我覺得這是一種非常有益的態(tài)度，適用于所有事情。

至于未來可能遇到的瓶頸，未來總是充滿未知。很多人和我聊起 AGI，但對我來說 AGI 仍然是一件非常模糊、沒有定論的事情。

當(dāng)然，如今的 AI 有時(shí)確實(shí)像我在斯坦福最優(yōu)秀的研究生一樣聰明，但有時(shí)它又會(huì)特別愚蠢。不過，我的學(xué)生也會(huì)犯蠢，我自己更是常常犯錯(cuò)。科學(xué)家出錯(cuò)是很正常的，甚至某種意義上，好的科學(xué)家就應(yīng)該經(jīng)常出錯(cuò)。如果你從不出錯(cuò)，說明你沒有在挑戰(zhàn)真正困難的問題。而只有在處理那些足夠難的問題時(shí)，你才會(huì)從錯(cuò)誤中學(xué)習(xí)。我相信未來的 AI 也應(yīng)該具備這種“從錯(cuò)誤中成長”的能力。

展望未來，我最期待的是 AI 真正進(jìn)入現(xiàn)實(shí)世界。有一天，我們會(huì)看到由 AI 控制的機(jī)器人替我們完成實(shí)際任務(wù)。現(xiàn)在的 AI 世界主要還是互聯(lián)網(wǎng)，它對真實(shí)世界的理解只來自網(wǎng)上的信息，但這種狀況終將發(fā)生改變。至于會(huì)怎樣發(fā)展，我們還得繼續(xù)觀察。

DeepTech：你相信我們總有一天會(huì)實(shí)現(xiàn)這一點(diǎn)嗎？

Michael Levitt：我也不確定。我常對別人說：無論 AI 多聰明，人類加上 AI 總是更聰明的。真正的力量來自多樣性。這一點(diǎn)在生物學(xué)中體現(xiàn)得極其明顯。

我認(rèn)為 AI 也是同樣的道理，我們需要多樣性。我相信 AI 最終也會(huì)認(rèn)識到這一點(diǎn)：有些事情是人類特別擅長的，而 AI 不一定做得好；反過來亦然。所以對我來說，共生協(xié)作至關(guān)重要。

我對 AI 的看法有點(diǎn)像我們與智能手機(jī)的關(guān)系。相比于 1997 年世界上最強(qiáng)大的計(jì)算機(jī)，現(xiàn)在的手機(jī)就有那樣的能力，而且?guī)缀跞巳硕寄軗碛校@是非常驚人的。一個(gè)不用智能手機(jī)的人遠(yuǎn)不如一個(gè)使用智能手機(jī)的人聰明，而一個(gè)擁有更聰明手機(jī)的人會(huì)變得更聰明。

所以我始終認(rèn)為，未來依然是關(guān)于“我們”的。我們都會(huì)變得更聰明，雖然我們的基因沒有進(jìn)化，我們的先天智商也沒有變高，可是我們的“文化智力”（cultural intelligence）、我們的“群體智力”（community intelligence），也就是我所說的 CI，卻讓我們變得異常聰明。

從最早的語言、傾聽長輩的經(jīng)驗(yàn)、記住故事，到文字、互聯(lián)網(wǎng)、智能手機(jī)，這些東西不斷擴(kuò)展著我們的認(rèn)知能力。現(xiàn)在，世界上 80% 的人能夠接觸到幾乎所有的書籍，這是過去完全無法想象的事情。

但我們適應(yīng)了這種變化，并且在其中繁榮發(fā)展。無論是兒童死亡率、極端貧困人口比例、營養(yǎng)狀況還是整體生活質(zhì)量，世界都比以往任何時(shí)候都好。而與此同時(shí)，我們也在變得更聰明。

因此，我認(rèn)為我們可以借此對未來做一些推測，但同時(shí)必須承認(rèn)，未來本質(zhì)上是不可預(yù)知的。很多人擔(dān)心 AI 會(huì)帶來生存威脅，但我更擔(dān)心那些我們已經(jīng)知道、真實(shí)存在的生存威脅，比如火山噴發(fā)、核武器、大型隕石撞擊地球等等。

這些才是真正的生存威脅。至于 AI，我不知道。我覺得科學(xué)中一個(gè)非常重要的詞就是“我不知道”，因?yàn)橛刑嗍虑槭俏覀儾恢赖模３诌@種謙遜非常重要。

DeepTech：那么您認(rèn)為 AI 將在未來 5-10 年內(nèi)對生物和化學(xué)的發(fā)展產(chǎn)生什么影響？

Michael Levitt：我并不能完全確定未來會(huì)怎樣，但我相信這場影響會(huì)非常深遠(yuǎn)。回想我的一生，我們經(jīng)歷過好幾次真正的技術(shù)革命。最早是計(jì)算機(jī)革命，然后是個(gè)人電腦的普及，后來出現(xiàn)了互聯(lián)網(wǎng)革命，而后又是智能手機(jī)革命。現(xiàn)在，我認(rèn)為 AI 又是一場新的革命，只是要判斷它最終會(huì)扮演什么角色依然很難。然而某種意義上，AI 的潛力甚至可能超過之前所有的技術(shù)變革，因?yàn)樗屢粋€(gè)小小的芯片變得“足夠聰明”，能夠和你進(jìn)行真正的交流。

舉個(gè)例子，我看到你的采訪提綱里的有關(guān)有機(jī)金屬化合物的問題，我就去問了 AI，只用了五分鐘我就得到了所有想知道的內(nèi)容。不是它把答案塞給我，而是我基于它提供的信息不斷追問，再結(jié)合自己的理解，把答案引向我想要的方向。這樣的交互方式已經(jīng)完全改變了獲取知識的方式。

我認(rèn)為 AI 的影響絕不僅限于結(jié)構(gòu)生物學(xué)或化學(xué)建模，它會(huì)深刻改變教育、醫(yī)療、外交、政府運(yùn)作，以及心理學(xué)、精神醫(yī)學(xué)等領(lǐng)域。AI 最有趣的地方之一，是它讓這些專業(yè)意見以一種近乎免費(fèi)的方式變得觸手可及，過去你可能得花很多錢請專家才能得到同樣的建議。

比如說，你拿到一份法律文件，想知道有沒有問題。AI 當(dāng)然不會(huì) 100% 正確，但它確實(shí)能幫你指出潛在風(fēng)險(xiǎn)。如果你不滿意 DeepSeek 的回答，你可以換成 Kimi 再問一遍，如果還不滿意，那就去問 Gemini。這種多重視角的即時(shí)獲得，在過去是不可想象的。

現(xiàn)在，人們可以用一種驚人的方式學(xué)習(xí)任何領(lǐng)域的知識。正因如此，我認(rèn)為 AI 對各個(gè)領(lǐng)域都會(huì)產(chǎn)生影響。它之所以具有變革性，是因?yàn)樗倪m用范圍極其廣泛，幾乎什么問題都能回答。

我曾在我的一頁幻燈片上寫著：“AI 知道答案，你要做的是找到正確的問題。”下一行是：“保持八歲孩童的好奇，和八十歲老人的智慧。”八歲的孩子總在問問題，我們也要變得像他們一樣。

DeepTech：AI 的應(yīng)用總是會(huì)伴隨著黑盒決策和可解釋性的顧慮，您如何看待這種顧慮？

Michael Levitt：人們常討論可解釋性，但可解釋性本身也可能是一種幻覺。我經(jīng)常舉一個(gè)例子：液態(tài)水。水是最簡單的系統(tǒng)之一，我們都知道水分子是 H?O，一個(gè)氧原子，帶著兩個(gè)氫原子，像一個(gè) V 字形。

可當(dāng)你把大量這樣的水分子放在一起時(shí)，它們竟然表現(xiàn)出非常復(fù)雜的性質(zhì)，比如冰會(huì)浮在水面上，水的熱性質(zhì)也非常奇特。和其他液體相比，水其實(shí)是很復(fù)雜的。

人們試圖解釋這些性質(zhì)已經(jīng)很久了，也提出過許多理論。問題是，這些工作并沒有真正“解釋”水。它只是告訴我們，通過數(shù)學(xué)和模擬，我們可以得到這些性質(zhì)，但為什么會(huì)這樣，我們依然說不清。

幾周前，我問 ChatGPT 能不能解釋一下為什么水會(huì)有一些特性？最后它給出的答案仍然是那套理由：V 字形、氫鍵網(wǎng)絡(luò)、張力。都是一些很模糊的解釋。

有些事物就是復(fù)雜的，而真正復(fù)雜的現(xiàn)象往往很難解釋。

我非常喜歡《三體》這本書，里面有很多啟發(fā)性的內(nèi)容。在《三體》里，描述了三體運(yùn)動(dòng)的物理本質(zhì)，而三體問題的理論幾乎都是由龐加萊在 19 世紀(jì)奠定的。它告訴我們，即使物理定律是精確的，系統(tǒng)也會(huì)出現(xiàn)不確定性。我們常把“不確定性”歸因于量子力學(xué)，但其實(shí)在量子力學(xué)出現(xiàn)之前，僅僅因?yàn)閿?shù)學(xué)結(jié)構(gòu)本身的性質(zhì)，三體系統(tǒng)就已經(jīng)出現(xiàn)了這種不確定性。

在某種意義上，我們現(xiàn)在正處在一種需要“思考三體式問題”的時(shí)代。眼下很多事情發(fā)展得非常快，世界看起來比過去更混亂，但問題是：我們究竟應(yīng)該如何應(yīng)對混亂？也許對付混亂的方式本身就需要某種“混亂”。

如果你期待用完全有序、線性的方式處理混亂，那往往是行不通的。我們習(xí)慣的很多治理與決策框架，前提都是事物是“可預(yù)測的”。可在真正的混亂面前，也許制造一點(diǎn)不可預(yù)測性反而是策略之一。

我前陣子去上海參加一個(gè)會(huì)議，由世界頂尖科學(xué)家協(xié)會(huì)（World Laureate Association）組織的。會(huì)上有人提出，今天的軟件已經(jīng)復(fù)雜到連現(xiàn)有的代碼里都藏著大量無法預(yù)見的漏洞。演講者是牛津大學(xué)的一位年輕學(xué)者，阿米爾·戈哈爾沙迪（Amir Goharshady）。他展示了當(dāng)下有多少代碼本質(zhì)上是“不可解釋”的，不僅人類寫的代碼如此，由 AI 生成的代碼在解釋性上也同樣成問題。

而這些軟件錯(cuò)誤造成的損失已經(jīng)達(dá)到數(shù)萬億美元的規(guī)模。這是一個(gè)非常驚人的數(shù)字，大概和材料失效造成的損失相當(dāng)。軟件失效已經(jīng)是一個(gè)嚴(yán)重的問題，所以未來我們必須認(rèn)真去思考可解釋性，也必須思考責(zé)任歸屬。

DeepTech：對 AI 的監(jiān)管和規(guī)范，您有什么想法？

Michael Levitt：最近我一直在想一個(gè)場景：假設(shè)未來有越來越多的智能機(jī)器人在替我們做事，那么機(jī)器人要不要交稅？如果機(jī)器人能創(chuàng)造價(jià)值、能賺錢，那它當(dāng)然也應(yīng)該納稅。那么問題來了，它們?nèi)绾伪蛔R別？

我覺得未來我們必須給一切東西建立身份標(biāo)識。軟件需要有自己的 ID，公司需要有 ID，每一張照片也需要有 ID。現(xiàn)在所有東西都在被復(fù)制，我們希望知道原始版本是什么、是誰拍的、是哪個(gè)系統(tǒng)生成的。所以我相信，我們最終會(huì)需要一種“全鏈路 ID”體系，能標(biāo)注每一個(gè)內(nèi)容、每一個(gè)模型、每一段軟件，甚至生成它們的硬件。

有人認(rèn)為這樣的 ID 是個(gè)壞主意，因?yàn)樗鼤?huì)讓所有東西都變得可追蹤，失去隱私。我覺得確實(shí)有道理，所以我們必須在隱私與身份標(biāo)識之間找到平衡。

這其實(shí)不是一個(gè)技術(shù)問題，而是一個(gè)哲學(xué)問題。我認(rèn)為哲學(xué)今后會(huì)變得非常重要。各種悖論、各種哲學(xué)概念都會(huì)重新變得關(guān)鍵。我們正學(xué)著用從未有過的方式去理解世界、處理問題，這一點(diǎn)前所未有。

我覺得各國政府必須認(rèn)真思考，在全球化企業(yè)的時(shí)代，我們該如何應(yīng)對。很多問題不僅僅是科學(xué)問題，而是跨越法律、經(jīng)濟(jì)、社會(huì)的復(fù)雜議題。

舉個(gè)例子，中國人坐火車時(shí)要刷身份證或護(hù)照，你的行蹤都能查到。對于沒有習(xí)慣使用身份證的西方人來說，這可能很難理解。但另一方面，正因?yàn)橛袊?yán)格的身份體系，中國的犯罪率非常低。生活在幾乎沒有犯罪的環(huán)境中，會(huì)讓人覺得很安全。

這里涉及到隱私和安全之間的平衡，自由和責(zé)任之間的平衡。這些問題非常深?yuàn)W，不可能用一個(gè)原則就解決。我覺得一些在西方非常重要的制度比如民主依然非常關(guān)鍵，但民主本身并不足夠，還需要配合其他機(jī)制才能真正發(fā)揮作用。

在現(xiàn)實(shí)中，有些人可以通過向立法機(jī)構(gòu)捐款獲得遠(yuǎn)比他人更多的影響力。這還是民主嗎？形式上是，但它真的總是最公平的嗎？我認(rèn)為并非如此。我們必須認(rèn)真思考這些問題，因?yàn)槲覀冋跇?gòu)建一個(gè)新世界。

談做科研：年長的科學(xué)家必須主動(dòng)把年輕人推到前面

DeepTech：您剛才提到了科學(xué)家總是會(huì)犯錯(cuò)，您在以前的采訪中也說過：“優(yōu)秀的科學(xué)家 90% 的時(shí)間都會(huì)犯錯(cuò)，而真正優(yōu)秀的科學(xué)家 99% 的時(shí)間都會(huì)犯錯(cuò)。”我們應(yīng)該如何理解這句話？它對您的工作有何影響？

Michael Levitt：犯錯(cuò)是一個(gè)非常有意思的話題。我仍記得自己剛獲得諾貝爾獎(jiǎng)的那段時(shí)間。我經(jīng)歷了許多事，不斷的采訪、媒體邀約、各種活動(dòng)，生活就此改變。我意識到一件事，我已經(jīng)不是獲獎(jiǎng)前的自己了，因?yàn)槲页闪艘粋€(gè)象征。

諾貝爾獎(jiǎng)有一種儀式感，它會(huì)讓你意識到自己與眾不同了。頒獎(jiǎng)典禮的整個(gè)流程都是刻意安排的，因?yàn)閺哪且豢唐穑悴辉僦皇悄阕约海愠蔀榱丝茖W(xué)的“公眾象征”。你的時(shí)間不再完全屬于自己，它屬于與公眾溝通、屬于科普、屬于責(zé)任。

我年輕的時(shí)候非常幸運(yùn)，很早就接觸到了很多著名科學(xué)家。我的叔叔和嬸嬸住在倫敦，本身就是很有名的科學(xué)家。在 25 歲之前，我就已經(jīng)遇見了大量非常頂尖的科學(xué)家。

那時(shí)的我突然意識到，讓年輕人見到著名科學(xué)家是非常重要的，并不是因?yàn)樗麄兌嘤忻麣猓且驗(yàn)槟銜?huì)意識到，他們也是真實(shí)的人。就像有人會(huì)想見搖滾明星一樣，但見到科學(xué)家會(huì)讓你意識到他們也是普通人，只是做出了不普通的工作。

也因?yàn)檫@樣，我見到了很多諾貝爾獎(jiǎng)得主。幾乎所有人都同意，他們最重要的突破，往往來自長期的失敗。他們會(huì)告訴你，某個(gè)實(shí)驗(yàn)他們試了兩年、三年、無數(shù)次，一直失敗，直到有一天突然抓住了那個(gè)缺失的關(guān)鍵點(diǎn)。

在某種意義上，科學(xué)探索就像是螞蟻尋找食物。螞蟻會(huì)不斷亂走，嘗試各種方向，純粹靠隨機(jī)漫步去尋找。一旦找到食物，它就會(huì)留下信息素，讓其他螞蟻能夠跟著過去。科學(xué)就是這樣，本質(zhì)上是機(jī)緣、是試錯(cuò)、是堅(jiān)持。

你永遠(yuǎn)不知道下一次重大突破會(huì)來自哪里，但你必須堅(jiān)持下去。而當(dāng)你犯錯(cuò)時(shí)，你要繼續(xù)嘗試。這也是為什么我說，一個(gè)真正的優(yōu)秀科學(xué)家 99% 的時(shí)間都是錯(cuò)的。如果你真的在做困難的事，你就會(huì)經(jīng)常犯錯(cuò)。

如果有人對我說：“你可以做任何你想做的研究，但你絕對不能失敗。只要你失敗，就會(huì)失去所有經(jīng)費(fèi)。”那我一定會(huì)去做一件非常安全、非常簡單的事情。我不會(huì)冒任何風(fēng)險(xiǎn)。可是科學(xué)家恰恰需要有犯錯(cuò)的空間，才能真正從事有意義的探索。

我也跟中國學(xué)生說過，你們一路走來一直被教導(dǎo)要正確，要考高分，要在高考中不能失敗，要做你擅長的事情，總之就是盡量不犯錯(cuò)。但現(xiàn)實(shí)生活恰好相反，你要去做你不擅長的事情，而不是永遠(yuǎn)停留在舒適區(qū)。

最重要的是，你必須學(xué)會(huì)如何去犯錯(cuò)。我甚至去問了 AI：人要怎么學(xué)會(huì)犯錯(cuò)？結(jié)果我發(fā)現(xiàn)，工程學(xué)里其實(shí)已經(jīng)有不少這樣的課程。班上一部分學(xué)生會(huì)設(shè)計(jì)一個(gè)帶有隱藏缺陷的系統(tǒng)，另一部分學(xué)生則負(fù)責(zé)找出那個(gè)缺陷。你能不能“學(xué)習(xí)”去犯錯(cuò)？我認(rèn)為這是人生中必須掌握的一件事，但我們現(xiàn)在做得還遠(yuǎn)遠(yuǎn)不夠。

其實(shí)，能進(jìn)入斯坦福、劍橋、牛津、哈佛、清華、北大這些頂尖大學(xué)的學(xué)生，大多數(shù)人可能從來沒有真正“錯(cuò)過”。他們寫出完美的文章，做出完美的作業(yè)，按部就班地成功。但要想在未來真正做出非凡的事情，他們需要學(xué)習(xí)如何面對錯(cuò)誤。你必須學(xué)會(huì)接受失敗，你不可能把“犯錯(cuò)”做得很完美，關(guān)鍵是接受它、擁抱它。

我非常相信，年輕人是推動(dòng)科學(xué)前進(jìn)的真正力量。可惜的是，今天的科學(xué)體系變得越來越頭重腳輕，由大量資深科學(xué)家主導(dǎo)。年長的科學(xué)家必須主動(dòng)把年輕人推到前面。我們這些資深科學(xué)家有話語權(quán)，但我們必須意識到新的突破往往來自那些“不知道自己不知道什么”的年輕人。

過去三十年真正改變我們生活的人是誰？你會(huì)發(fā)現(xiàn)，幾乎所有人都是年輕人，而且很多人根本沒有完成學(xué)業(yè)。他們年輕、有強(qiáng)烈的創(chuàng)造力，根本等不及“完成全部學(xué)業(yè)”就要改變世界。

這給科學(xué)界一個(gè)非常明確的啟示：年輕人很強(qiáng)大。我們應(yīng)當(dāng)告訴年輕人，去研究真正困難的問題。因?yàn)橹卮笸黄苼碜蚤L時(shí)間的失敗，而不是一次正確。這件事在科學(xué)界做得還遠(yuǎn)遠(yuǎn)不夠。

DeepTech：您還有什么想對年輕科學(xué)家說的寄語嗎？

Michael Levitt：第一，你得相信自己。因?yàn)槿绻悴幌嘈抛约海筒粫?huì)有人真正相信你。第二，做你真正熱愛的事情，不要去做你以為重要的事情。你熱愛什么，你最終就會(huì)堅(jiān)持什么。第三，要準(zhǔn)備好犯錯(cuò)。第四，也是最后一點(diǎn)，看似簡單但非常關(guān)鍵：做一個(gè)善良的人。樂于給予，愿意幫助別人。科學(xué)需要互相扶持，需要彼此成就。

我覺得這些品質(zhì)都非常重要。科學(xué)在過去 30 年與整個(gè)世界深度綁定，比以前任何時(shí)候都更深。如今科學(xué)家也能獲得許多財(cái)富。過去是“富人一類、科學(xué)家一類”，現(xiàn)在這兩個(gè)身份能融合在一起。

這意味著科學(xué)家肩上的責(zé)任也變成了雙倍的。科學(xué)家過去住在象牙塔里，現(xiàn)在象牙塔外面還鍍了一層金。這不是一件好事，我們必須主動(dòng)走出那座塔，讓自己更平易近人，更能理解那些沒有我們這么幸運(yùn)的人。

身為科學(xué)家，我們必須意識到，每個(gè)人都有自己的價(jià)值，每個(gè)人值得被尊重，沒有任何人是無用的。這一點(diǎn)特別重要。

最后我還有一些思考：我們看待事情的時(shí)候，不能用非黑即白的眼光。很多事情是復(fù)雜的、混亂的、沒有絕對的對錯(cuò)的。有時(shí)候看起來正確的路，未必真的是正確的。

舉一個(gè)來自《三體》的例子：（羅輯的）那個(gè)荒唐到讓人難以置信的面壁者計(jì)劃，看起來很不靠譜，反而成了最后的答案。

我認(rèn)為美國今天的撕裂、嚴(yán)重的兩極分化，部分原因是學(xué)術(shù)界和當(dāng)權(quán)者并沒有足夠意識到他們自己有多幸運(yùn)，他們以為這些是自己“應(yīng)得的”。可事實(shí)上，沒有什么是應(yīng)得的。我常說，我只是運(yùn)氣很好，而真正驅(qū)動(dòng)成功的，往往就是運(yùn)氣。如果你成功了，就必須明白自己有多幸運(yùn)，這樣你才能理解有些人有多么不幸。

運(yùn)營/排版：何晨龍