AI時代，科學進入亂紀元

終極理論迷思：

AI成為萬物解釋者

一種根深蒂固的傲慢（Hubris），始終侵染著人類科技發展的每一個時代。這種傲慢通常化身為某些個人或機構的盲目自信：他們堅信，歷經數千年的人類文化積淀與數十億年的生物演化，我們終于揭開了現實的全部奧秘。我們正站在那個全知全能的懸崖邊緣，準備解釋一切。

這種自信的最新化身，是AI取代科學家成為萬物解釋者。人們至少承認了一個事實：憑借人類有限的記憶與信息處理能力，我們永遠無法真正窮盡真理。然而，這種看似謙遜的新姿態背后，卻潛藏著另一個假設：我們是唯一優越的生物物種，能夠創造出那種終將窮盡真理的技術。

Google DeepMind 開發的AlphaFold，代表了AI在科學領域最引以為傲的成就之一。基于超過15萬個實驗確定的蛋白質結構進行訓練，AlphaFold 3現在可以預測超過2億種蛋白質及其它生物分子的結構。這種規模此前難以想象。早期的數學模型只能預測蛋白質結構的一些特征，但遠不能達到AlphaFold能做的程度。AlphaFold代表的樂觀情緒顯而易見：如果AI能夠在如此規模上解決蛋白質折疊問題，它還有什么做不到的？

于是，有人預言 AI 將終結所有疾病，讓科學家成為歷史的塵埃，甚至認為超級AI將解決所有科學問題。然而，在許多人眼中，蛋白質折疊問題遠未終結。AlphaFold可以預測蛋白質的三維結構，但它無法解釋其背后的物理機制、折疊路徑或動態構象集合。它在處理由地球生物中常見的20多種氨基酸構成的蛋白質時表現良好。但要研究隕石材料中，由數百種氨基酸構成的地外蛋白質，或設計新型的治療性蛋白質，該模型還需要額外的輸入。這一限制并非源于算法本身或其擴展性，而是源于任務所需的數據根本不存在。

這種張力揭示了科學本質中某種深刻的東西，也解釋了為何科學難以被精確定義。如果我們把科學純粹地看作一套科學方法——觀察、假設、測試、分析——那么自動化似乎是歷史的必然。AI算法顯然能夠執行這些步驟中的大部分甚至全部步驟，并且在科學家的指導下，日益精進。

但正如哲學家Paul Feyerabend在《反對方法》中所論證的，所謂普適的科學方法這一概念本身就是錯誤的。大多數科學家僅在撰寫同行評審論文時才祭出這套方法，將其作為一種標準化手段，以確保可重復性。從歷史來看，科學方法是在發現之后才被構建出來的，而不是在發現之前。

AI能否取代科學家，回答這個問題不是看AI能否執行科學方法規定的觀察、假設、測試、分析等步驟，而在于科學生成知識的方式，是否在本質上蘊含著某種超越方法論的東西？

科學是建立在共識基礎上的文化體系

如果科學知識的生成僅僅關乎規模（Scale），那么當前的 AI 已經為科學提供了一個平庸的解決方案：僅僅是因為我們擁有更大規模的模型，科學就足以更進一步。然而，人們對AI取代科學家的樂觀情緒不僅僅源于自動化和模型規模擴大，還源于心智理論。像 ChatGPT、Gemini 和 Claude 這樣的大語言模型已經改變了很多人對智能的看法，因為這些算法的設計使得人們能夠與它們的互動，從表面看起來，就像這些大模型擁有心智。

然而，正如神經科學家Anil Seth敏銳地指出的那樣，AlphaFold依賴于與大模型相同的底層Transformer架構，而沒有人會將AlphaFold視為具有意識的存在。我們是否應該認為，像Transformer這樣一個算法，一旦部署在硅芯片上，就會以與我們完全相同的方式理解世界，并用我們的語言與我們進行如此有效的交流，以至于能夠描述我們所理解的世界？或者，我們是否應該相信，在智能經歷了數十億年的演化之后，只需要幾十年甚至更短的時間尺度，我們就能自己的預測性和動態表征地圖編碼在硅基芯片中，這真的比我們想象的還要容易嗎？

考慮你的大腦是如何構建你對現實的獨特認知的。每個人的大腦中都能夠生成完整的內在世界。對于其他任何實體——無論是有機生物還是無機物——我們都無法抱有同樣的確定性。你的感覺器官將物理刺激轉化為電信號。在視覺中，感光細胞對光線做出反應，并將信號沿視神經傳遞。你的大腦在專門的區域處理這些信號，分別檢測邊緣、運動和顏色對比，然后將這些分散的感知綁定成一個統一稱為知覺（percept）的意識對象，從而形成你對世界的有意識體驗。

分布式神經活動如何產生單一、連貫的意識，這一問題被稱為綁定問題（Binding Problem）。與“意識的難問題”不同，綁定問題是關于我們內在體驗背后的一個開放性問題，我們對它已有一定的科學見解：同步的神經活動和注意力機制協調不同腦區的信息，構建你對世界的獨特心智模型。這個模型就是你對現實的全部有意識理解。

我們每個人，都是自己這個心智模型中的居民。我們每個人的有意識的經驗，實際上都存在于這樣一個對世界的真實物理表征中，這種體驗在科學上解釋起來并不簡單（甚至有人認為可能無法解釋）。

科學共同體也面臨著類似綁定問題的認知困境。正如個體心智通過收集感官數據來構建對世界的模型一樣，科學團體也通過所謂的“感知技術”來實現這一目標，這一概念由Berggruen研究所“未來人類”項目主任 Claire Isabel Webb所提出。曾經的感知技術，例如望遠鏡揭示宇宙的深處，放射測年技術揭示地質年代，顯微鏡展示亞原子結構，而如今的感知技術--“AI”則在海量數據中發現模式。

丹麥天文學家第谷借助機械鐘和精密的角度測量儀器進行的精確天文觀測，為德國天文學家開普勒提供了實證數據，后者將其轉化為橢圓軌道的數學模型。哥白尼、第谷、開普勒、伽利略等人的工作開啟了一個跨越時空收集觀測數據的社會，而這逐漸促成了一種統一的科學共識，即對現實的感知，可以一種描述運動和引力的理論加以呈現。

然而在上述科學共識之中，存在一個本質上的離群點，這就是你的主觀體驗，哲學家稱之為感受質（qualia） 的不可還原的私密信息。從某種意義上說，主觀體驗可能是我們宇宙所創造的最私密的信息，因為它與你物理存在中的獨特且親密的特征緊密相連，而這些特征無法在任何其他事物中被復制。

當你看到紅色時，一種特定的體驗便從你的神經架構中浮現，那是對 620 到 750 納米波長的響應。我可以指出某個紅色的事物，你也可以承認你看到的是紅色，但我們永遠無法將那種“紅色的實際體驗”從你的意識傳輸到我的意識中。我們無法知道彼此是否擁有相同的內在體驗。我們能分享的只是描述。

這闡述了科學與經驗的根本區別。經驗本質上是主體間性的。如果某種事物只存在于一個頭腦中而無法被分享，它就無法成為科學知識。科學要求我們驗證彼此的觀察結果，建立在過去的發現之上，并在代際之間達成關于現實的共識。因此，科學模型必須能夠用符號、數學和語言表達，因為它們必須能夠在不同的頭腦之間被復制和理解。

科學本質上是不穩定的，因為它并不是現實的客觀特征；相反，對科學更準確的理解是一個不斷演化的文化體系，建立在共識表達的基礎上，并不斷適配我們新產生的知識。

當牛頓定義F = ma時，他并不是在分享他對力或加速度的內在體驗。他創造的是一個形式化的表達方式，用來描述三個核心抽象概念——力、質量、加速度之間的關系，而這三個概念都是通過標準化逐步發展而來的。這個公式之所以成為普遍的文化知識，是因為任何頭腦或機器都可以理解和應用它，無論它們如何在內部體驗這些概念。

這揭示了科學知識最基本的問題：我們分享科學思想的主要接口是符號表征。我們傳遞的是對世界的模型，而不是世界本身。科學哲學家Nancy Cartwright認為科學理論是仿象（simulacra ），也就是說，它們是以數學和概念形式存在的有用虛構，幫助我們組織、預測和操控現象。理論是一種文化技術。

當我們使用理想氣體定律（PV = nRT）時，我們將氣體建模為互不作用的質點。這并不是說真實氣體實際上是完全沒有體積且從不相互作用的點，而僅僅是因為理想氣體定律在許多情況下都是足夠有效的簡化模型。這些簡化的模型很重要，因為它們可以在人腦之間被理解和共享，并且可以在我們的計算設備之間被復制。

科學知識必須可共享，這一要求迫使我們在每個描述層面上都創造仿像。科學的主體間性對理論的構建施加了嚴格的物理限制。我們的科學模型必須能夠用符號表達，并且能夠在人腦之間被理解。因此，它們本質上必然是抽象的，無法完整地反映現實的全部結構。它們永遠無法完全捕捉現實，因為沒有任何人腦具有足夠的信息處理能力和記憶來編碼整個外部世界。甚至在信息處理能力上，社會作為整體也存在局限。

科學范式是混亂的、社會性的，

并且深刻地受到人類影響

AI也將在信息處理能力上有其局限性。

這些局限不僅僅體現在可用的計算能力上。當需要更多的數據處理基礎設施，以支持AI以規模效應擴展時，這種局限顯得尤為突出。更根本的是，當前圍繞AI和通用AI所進行的樂觀甚至有些自大的討論，暗示這些算法在理解與解釋世界的能力上將“超越人類”，突破一些人認為由人類生物學所設定的智能上限。

但這與計算理論的基本原理以及這些技術直接源自的人類抽象傳統相矛盾。正如物理學家David Deutsch 所寫，如果宇宙確實是可以解釋的，那么人類已經是“通用解釋者”，因為我們能夠理解任何計算系統所能理解的內容：從計算能力的角度來看，計算機和大腦具有等效的通用性。

計算機科學中的其他基礎定理，例如物理學家David Wolpert和William Macready提出的“沒有免費午餐”定理，表明當在所有可能的問題上取平均性能時，沒有任何優化算法（包括機器學習算法）會比其他算法在所有情況下都更優。換句話說，如果一個算法在某一類問題上表現非常出色，必然導致它在其他問題上的表現低于平均水平。

物理世界并不包含所有可能的問題，但其中包含的問題結構會隨著生物和科技的演化而變化。正如沒有個體能夠理解所有人類所知或將來所知的一切，也不存在一種算法（無論是 AGI 還是其他類型）能夠永遠優于所有其他算法。

更根本來看，通用計算的可能性源于一個根本性的限制；通用計算機只能描述可計算的事物，卻永遠無法描述不可計算的事物——這一限制是任何我們構建的計算機所固有的。這種限制對于單個人類的思維并不適用，只適用于我們通過語言所共享的內容，而這些內容正是我們生成新社會知識的關鍵。

科學革命往往發生在我們的共同表征地圖崩潰之時；也就是說，當現有概念無法解釋我們新遇到的現象，或無法解釋我們試圖理解的舊現象時。此時，我們必須發明新的語義表征，來捕捉舊框架無法涵蓋的規律。在這些時刻，特立獨行在知識創造中起著至關重要的作用。

以從自然神學向演化論的轉變為例。舊的范式假設生物是由創造者設計的，物種是固定的，地球很年輕。隨著我們學會通過碳測定、系統發育學以及觀察物種在選擇育種和滅絕過程中的變化，我們得以閱讀更深層的歷史，但我們也意識到，我們從未見證過在生命從無生命中自發形成。

更深層的歷史記憶迫使新的描述不斷涌現。演化論和地質學揭示了深時間（Deep Time）的概念，天文學引入了深空間（Deep Space）的概念，而現在，正如歷史學家Thomas Moynihan所指出的，我們正進入一個揭示宇宙無限可能性的新時代。我們的世界并不會突然改變或變老，但我們的理解卻在不斷更新。我們不斷發現自己需要創造全新的詞匯和概念，以反映在探索世界過程中所發現的新意義。

科學哲學家托馬斯·庫恩將這些轉變識別為范式轉移，他指出突如其來的變化期迫使科學家重新思考我們如何看待自己的領域，提出哪些問題，使用哪些方法，以及我們所認為的合法知識是什么。隨之涌現的，是描述世界的全新表征，常常包括我們以為已經理解的日常物體的全新描述。

科學，正如庫恩所見，是混亂的、社會性的，并且深刻地受到人類影響。在在這個我們擔憂技術創造與自身對齊的時代，科學面臨的范式轉變，最恰當的描述或許是如何與社會認知得到的表征對齊，我們必須找到新的方式，使我們的表征與那個在數千年文化演進中向我們呈現的、不斷變化的現實結構保持同步。

范式轉變揭示了科學思維的力量并不在于理論的字面真理，而在于我們識別描述世界的新方式的能力，以及我們所描述的結構如何在不同的表征體系中持續存在。科學文化有助于區分那些接近因果機制（有時稱為客觀現實）的仿象，以及那些引導我們誤入歧途的仿象，尤其是在我們發現現實的新特征需要構建新的描述方式。例如，當現有的理論框架無法捕捉重要的現實特征時，當我們能夠識別模式卻無法加以表述時，科學方法將促使新的框架和表征地圖必然出現。

愛因斯坦發展廣義相對論就體現了這一點。在他意識到物理學需要超越狹義相對論中的線性洛倫茲變換，到最終抵達廣義相對論，中間隔了整整七年。在他自己的反思中，他提到這背后的困難在于“很難將自己從‘坐標必須具有直接度量意義’這一觀念中解放出來”。被當作模型強加的數學結構未能捕捉到意義：它們缺少了愛因斯坦直覺認為必須存在的特性（時空連續性）。一旦他將這種直覺編碼成數學形式，它便成為了主體間性的知識，能夠在不同的心智之間共享與流傳。

科學思想源于共識性解讀

這便引出了為何 AI 無法取代人類科學家的核心原因。科學界關于語言和表征的爭議與辯論，并非系統的漏洞，而是社會體系決定其渴望何種模型的特性。因為我們的描述性語言，從字面意義上結構化了我們體驗世界和與世界互動的方式，進而塑造了我們后代所繼承的現實。

AI無疑將在“常態科學”中發揮重要作用。常態科學來自庫恩，指在現有范式基礎上進行技術性精煉的過程。我們的世界正變得越來越復雜，相應地也需要更復雜的模型。規模并非我們唯一需要的，但它無疑會有所幫助。

AlphaFold 3的數十億參數表明，簡潔的描述和簡單的規律可能并非科學的唯一路徑。如果我們希望模型盡可能緊密地映射世界，復雜性可能是必要的。這與邏輯實證主義者Otto Neurath, Rudolph Carnap以及維也納學派的觀點相一致：“在科學中沒有深度，到處都是表面。” 如果我們對一切都有準確且可預測的模型，也許就沒有更深層的真理需要揭示。

然而，這種表面觀遺漏了科學知識創造中一個深刻的特征。我們創造的仿象（Simulacra）會變化，但通過操作符號所揭示的底層模式卻恒久留存，它們無法言說卻獨立于我們的語言而頑強存在。在科學出現之前，重力的概念對我們的物種來說是未知的，盡管在整個人類歷史中我們與其有著直接的感官接觸，且人類還繼承了在此之前近40億年的生命集體記憶。每個物種都意識到重力的存在，有些微生物甚至利用這種意識來進行導航。在牛頓給出數學描述之前，我們已經將它視為一種規律，而在愛因斯坦對其進行激進的重構之后，這種知識依然堅如磐石。

在牛頓時代之前，托勒密的模型是研究行星運動時最廣泛采用的模型，這一模型沿用了近 1500 年。該模型采用了圓形軌道來描述行星的運動，并為了增強預測能力，為每個行星添加了本輪，使得每個行星在模型中既在小圓上運動，又在圍繞地球在大圓上運動。為了進一步提高預測的準確性，更多的本輪被加入，這與在機器學習模型中添加節點所帶來的過擬合風險頗為相似。

我們轉向牛頓模型，并不是因為它有更強的預測能力，而是因為它能解釋得更全面。現代引力概念正是通過這種抽象過程被創造出來，并通過將我們在地面上對重力的經驗與天體觀測中對重力的理解進行解釋性統一而實現。我們很可能已經學會了一種抽象的方式來描述重力，因此我們的物種，更具體地說，我們的社會，將永遠不會忘記重力，即使用來描述它的符號可能發生根本性的變化。

科學在構建新的社會認知過程中發現的，正是這種蘊含于理論之中的意義深度。這是那種僅關注預測性地圖、缺乏深度與意義的表面觀所無法捕捉的。

法國文學評論家Roland Barthes在其 1967 年解放性的論文《作者之死》中提出，文本包含的多重層次和意義超越了創作者的意圖。這一點與Feyerabend的觀點如出一轍，這是對“方法”的直接反駁。對于Barthes來說，這種對方法的反駁是對傳統文學批評，在方法論層面的否定，即不再依賴作者身份能詮釋文本的終極意義或真理。相反，Barthes主張放棄確定的作者意圖，轉而支持一種更具社會建構性和不斷演變的文本意義。

同樣，我們也可以認為科學家在他們的作品中已經死去。當科學家發表研究成果時，實際上是將工作提交給同行的解讀、批評和使用。目前，同行評審過程正成為AI試圖自動化的目標，這種趨勢源于一個誤解，即認為同行評審僅僅是事實核查。實際上，同行評審是同行之間進行爭辯和討論的過程，它為學者們提供了共同創造新科學成果，并以論文為載體加以呈現的機會。這種辯論和共同創造，對于科學這一文化體系至關重要。只有在同行評審之后，我們才能進入一種可重復性被允許的方法。科學思想并非僅僅源于個人的頭腦，也源于對這些頭腦所創造內容的共識性解讀。

AI模型的輸出，對于同行審評這一科學文化中的關鍵環節來說，是已死亡的尸體。它們的誕生過程，缺失了過去400多年習慣的科學發現模式中所包含的，經有具身化意義而促成的創造性行為。當科學家提出一個理論時，即使在同行評審之前，也存在一種有意的解釋行為，這是一種與內在直覺及其表達進行內在角力的過程。相比之下，AI模型通過統計模式識別生成預測，這是一個截然不同的過程。

AI不會取代科學家

科學與AI都是文化技術；它們都是社會用來組織知識的系統。在考慮AI在科學中的作用時，我們不應該將單個 AI 模型與單個科學家或他們的思維進行比較，因為這些是無法比較的。

我們必須追問的是：AI 技術與科學的文化體系將如何互動？科學家的“死亡”意味著其內心世界所孕育的思想的消逝，但同時也是他們創造的思想得以共享的時刻，在這一刻，辯論與爭議的內在社會體系被激活。當人類科學家在他們的研究成果中“離世”時，他們便為社會創造了共享理解的可能。正是科學家不斷地創造他們的思想，帶來了科學的范式革命，促使社會以全新的方式理解世界，迫使我們集體看見那些潛藏在表征地圖之下的新結構，那些我們此前視而不見的結構。

一個 AI 模型能整合前所未有地大量觀測數據。它能夠執行假設檢驗，在大規模數據集中識別模式，并在個體人類無法企及的規模上進行預測。但當前的 AI 只能在人類賦予它的表征框架內運作，大規模地對其進行優化和擴展。而那種創造性的行為，識別出我們的地圖是不完整的，并構建全新的、社會性的和符號性的框架來描述之前無法描述的事物等創造性的行為，對當前的AI仍然是具有挑戰性的，無法簡化為某種方法。迄今為止，這仍然是人類獨有的能力。

目前尚不明朗的是，AI 將如何參與構建科學共識構建的主體間過程。也尚無人能預知，在集體裁定社會將采納何種現實描述、何種新符號框架將取代舊框架、以及哪些模式重要到需要新語言來表達時，AI 將扮演何種角色。

更深層次的問題不在于AI能否從事科學，而在于社會能否與算法建立共享的表征和共識意義？ 畢竟，算法缺乏那種始終作為科學解釋核心的、意向性的意義創造。

本質上，科學本身正在演變，這引發了這樣一個問題：在科學作為文化機構發生根本性轉變的時代，未來的科學會是什么樣子？我們應該思考：當我們發現人類物種在算法的實體化之外，依然渴望的意義和理解時，科學又將變成什么？

AI會改變科學嗎？當然會。它會取代科學家嗎？絕不會。如果我們誤解了科學的本質，把方法的自動化誤認為是人類為了理解現實而共同構建、辯論和精煉符號表征的過程，AI可能會預示科學的終結：我們將錯失真正將AI融入科學文化體系的機會。

科學不僅僅是關于預測和自動化；歷史告訴我們，它遠不止于此。科學關乎解釋性共識，是人類持續進行的關于我們將共同采用哪些世界描述的協商過程。這種協商，將觀察結果轉化為共享意義的主體間性綁定，本質上是社會性的，而且在目前看來，也具有不可替代的人類特性。

譯者的話

目睹 AI for Science 的高歌猛進，當算法在越來越多的特定任務上超越人類時，對于“科學家將是下一個被取代的職業”的焦慮在所難免。然而，本文提供了一個極具洞察力的反駁視角。

借用《三體》的隱喻：若處于恒紀元（庫恩筆下的常規科學時期），AI 憑借算力與規模，確實有能力接管大部分數據分析與模型優化的工作；但若置身亂紀元（范式轉移的動蕩期），科學的使命便不再是單純的計算，而是通過廣泛的對話去重建共識，去在一片混沌中重塑新的科學范式。既然我們正身處 AI 引發的歷史變革潮頭，意味著亂紀元將愈發頻繁，人類科學家作為意義構建者的職責，非但沒有削弱，反而愈發沉重。

該文給科學工作者的另一啟示是科學的重點，將隨著AI工具的引入變得不再是數據分析，而是在更大的社會框架里去通過廣泛地溝通來構建人與人之間的共識，氣象科學家需要的不僅僅是分析和建模，而是去和大眾宣傳環境與氣候的相關知識；腦科學家也不僅需要設計實驗，還需要更多參與科普從而破除大眾對腦科學的誤解。這些主體間性的部分，由于AI缺少身體，將注定無法完成。因此在更長的尺度上具有不可取代性，值得青年人長期投入。

https://www.noemamag.com/the-death-of-the-scientist/

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、、科普視頻媒體「大圓鏡」等。