2024年，37岁的约瑟夫·科茨（Joseph Coates）正准备迎接死亡。他的医疗团队告诉他，他所患的一种罕见血液疾病——会导致肾衰竭、肢体麻木和心脏扩大——是无法治愈的。然而，一位科茨和他的女友一年前在一个罕见病峰会上认识的医生通过一种人工智能模型拯救了他的生命，该模型建议了一种非常规的药物组合。
这位名叫大卫·法根鲍姆（David Fajgenbaum）的医生及其宾夕法尼亚大学的团队使用了一个模型，该模型能够筛选数千种现有药物，以找到治疗罕见疾病的意外疗法。他们为科茨提出了一种化疗、类固醇和免疫疗法的组合。利用人工智能进行药物再利用为那些患有影响相对较少患者的疾病患者带来了希望，而这些疾病对于制药公司来说是不盈利的研究目标。
像科茨这样的故事激发了关于人工智能的大胆头条：人工智能将治愈癌症、减少气候变化风险并揭开大脑的秘密。科技公司承诺一个由机器驱动发现塑造的未来，机器智能确实可以在科学研究的某些方面提供帮助。
但加速科学进步的最大障碍可能并不是技术性的。从倾向于支持渐进和专注研究而非新颖或跨学科研究的资助委员会，到奖励个人而非团队的学术体系，再到实验室缺乏自动化设备，科学研究面临的挑战在于资金、结构和指导。人工智能工具可以帮助加快一些重要的研究，但要改变科学进步的速度，还需要解决深层次的文化和制度障碍。
科学与人工智能。科学的核心在于提出问题、测试想法和构建知识。人工智能可以在这一过程的某些部分提供帮助，但不是全部。例如，DeepMind的AlphaFold几年前通过数据模式预测了蛋白质如何折叠，从而引起了轰动。这很重要，因为蛋白质的形状决定了其功能——而错误折叠的蛋白质与阿尔茨海默病和癌症等疾病有关。预测蛋白质折叠是一个科学家多年来一直努力解决的问题。AlphaFold通过数据模式解决了这个问题，但该模型并没有揭示折叠的基本规则。这类生物设计工具就像显微镜一样，帮助研究人员看得更清楚。但科学家仍需验证AlphaFold的预测——类似于一个审查药物的人工智能模型只能建议而不是测试哪些药物可能对罕见病患者有帮助。
人工智能模型也可以用于科学研究生态系统的其他部分。例如，像ChatGPT这样的大型语言模型应用程序可以阅读、总结、找到联系并撰写内容。
研究人员几乎花费了45%的时间来撰写资助申请，而不是实际进行研究。马特·埃舍（Matt Esche）表示，人工智能可以加快或替代科学中的想法生成、假设思考和理论部分，如文献综述或资助提案中的各种研究线索整合。人工智能辅助还可以作为一种工具，释放研究人员的时间，帮助准备提案。
然而，这种自动化也有其不利的一面。如果人工智能工具增加了研究提案的数量，但没有使提案更加集中，它们可能会增加评审人员的工作量——就像数字文件取代纸质文件后，“条款和条件”变得越来越长一样。埃舍说：“资助提案可能会失控，申请数量增加，提案变得冗长且不够精炼。”为了避免提案膨胀，人工智能工具需要谨慎使用，以简化工作量为目标。
一些最大的科学突破发生在不同领域的人们混合想法时。人工智能工具可以帮助解码一个领域的技术细节，以便其他领域的科学家理解。
例如，疫苗的出现是生物学和动物研究相结合的结果。mRNA疫苗借鉴了“HIV、癌症免疫疗法和RNA生物学”的研究成果。但研究提案评审者往往只非常了解一个领域，而不是两三个；跨领域项目很难达成共识。埃舍指出，人工智能工具可以帮助使跨学科研究的细节和重要性更容易被评审者理解。
人工智能可以改进资助决策。尽管美国在基础科学研究方面领先世界，但研究生产力几十年来一直在下降。有些人将这种下降归因于资助评审委员会的结构：由于共识驱动的评审过程，专注于渐进研究的资助申请比那些提出新颖研究的申请表现更好。分析显示，评审者对跨学科研究或之前未获得资助的研究者存在明显的偏见。
有时，评审者拒绝一项研究提案并不是因为这个想法真的有风险，而是因为它超出了他们的专业知识范围，他们并不完全理解它，埃舍说，“混淆了知识差距和风险差距”。人工智能可以充当翻译，解释不熟悉的术语，并可能用于根据其风险状况对提案进行分类（如“前沿探索”适用于新颖但不确定的项目，或“高风险高回报”适用于具有重大影响潜力的大胆项目）。这种分类可以帮助评审者在安全赌注和变革性长线之间平衡资助组合。“实验性地使用人工智能工具并建立相应的机构框架，可以让科学机构测试这些工具实际上如何帮助改善和加速科学资助，”他补充道。
SeedAI政策主任乔什·纽（Josh New）指出，对研究的更全面理解——例如，通过一个保持每年数百万篇研究论文更新的人工智能“科学副驾”——可以抵消科学资助中的群体思维，帮助资助者避免默认主流理论而忽视有前途的异议观点。阿尔茨海默病研究领域多年来一直专注于“淀粉样蛋白”和脑内斑块的积累理论，这条研究路线迄今为止尚未产生有用的阿尔茨海默病疗法，而其他备选方案则因缺乏资金而停滞不前。一个人工智能科学副驾可能无法阻止导致阿尔茨海默病研究问题的人际权力结构，但它本可以更快地揭示出被忽视的阿尔茨海默病病因研究线索。
即使改进了研究评审过程，通过实验室实验验证和测试想法也面临着一系列令人望而生畏的瓶颈。纽解释说，大多数实验室并不适合自动化。设备过时、分散且难以联网。采购规则模糊且经常不兼容。学术和政府实验室缺乏升级资金，而私人实验室已经开始进行自动化实验。
但科学取得重大进展的最大挑战并不是技术性的；人工智能和升级设备本身无法解决这些问题。最困难的挑战是文化性的。“我们必须作为一个国家决定优先考虑[雄心勃勃的科学]；人工智能无法解决政治意愿问题，”纽说。
人类基因组计划之所以载入史册，是因为它迫使多个领域的许多科学家进行合作。它表明，大规模团队而非单打独斗的天才往往是突破性进展的关键。但科学文化仍然奖励个人而非团队。资助授予知名人士。论文列出一位第一作者。然而，大多数发现来自跨学科团队共同解决问题。改变这种系统需要政策变化。社会如何选择资助、奖励和归功于发现，这是一个人类决策的问题，可以通过政治意愿来改变。
人机关系。人工和人类智能结合可以增强科学研究。耶鲁大学的人类学家丽莎·梅塞里（Lisa Messeri）说，当考虑到人工智能在文献综述中的作用时，人类元素变得尤为重要。人工智能应用程序可以处理大量的研究论文，但它们缺乏科学家在个人好奇心驱使下阅读时可能出现的偶然发现能力。算法可以高效地总结已知模式，但会错过推动突破性创新的意外联系。
正是这种偶然性促使宾夕法尼亚大学的医生大卫·法根鲍姆开始识别可以重新用于对抗研究不足疾病的现有药物。在医学院期间，法根鲍姆发现了一种移植排斥药物可以治疗他自己的淋巴结疾病——这是他在花费数周时间阅读医学文献并自我实验后得出的发现。现在人工智能可以加速这一过程，但不能完全取代其人类成分。
梅塞里解释说：“人工智能系统带来了一种客观性的错觉。”许多人工智能的支持者认为它比人类研究人员更中立，但这种观点误解了科学。科学探究从来都不是完全中立的，它反映了进行研究者的优先事项、问题和偏见。与其追求完美无偏的知识启蒙理想，不如让研究人员承认他们的人类视角和局限性，这样科学才能最有效地推进。梅塞里说，人工智能可能会加剧“无法推动科学边界的能力，因为它训练的是现有的工作”。人工智能可能会给人一种我们正在全面审视整个领域的虚假信心，“但实际上发生的情况是我们正在缩小到人工智能擅长的领域”，她补充道。
在科学研究中，最有效的人工智能实现可能是那些自动执行常规任务同时保留人类直觉和探索空间的实现。但这种变化可能会带来代价：麻省理工学院的一项研究表明，在更加自动化的实验室环境中，科学家的工作满意度可能会大幅下降，因为他们的工作从动手实验转向更多重复性的系统监控角色，纽解释说。不过，如果使用得当，实验室自动化可以让研究人员专注于创造力和兴趣。
大型语言模型和专门的生物设计人工智能工具已经加速了常规的科学任务。具有代理或自主能力的人工智能模型——如OpenAI的Operator，可以通过虚拟浏览器处理一些多步骤任务——可以进一步加速研究。但它们的影响取决于机构如何吸收和整合它们。核心瓶颈仍然存在：大规模验证实验、跨科学部门组织大型合作项目，以及为大胆的高风险研究建立机构框架。如果没有结构性改革，即使是变革性的工具也可能被困在优化渐进主义的系统中。
(全文结束)
