AI 助力科学需依赖推理而非仅靠数据
本文指出 AlphaFold 模式难以复制，AI 智能体通过推理与工具使用，或将为科学带来更广泛的加速。
AlphaFold 的成功依赖数十年积累的蛋白质数据库，但多数科学领域缺乏此类数据。AI 智能体通过模拟科学家推理与实验过程，或将成为更普适的科研加速工具。
正文摘录
每隔几十年，就有人宣告科学已经走到了尽头。1903 年，备受尊敬的物理学家阿尔伯特·迈克尔逊 [写道](https://archive.org/details/lightwavestheiru00michrich/page/22/mode/2up)，"物理科学的事实已被全部发现。" 20 世纪 80 年代，斯蒂芬·霍金 [预言](https://www.nationalacademies.org/read/10375/chapter/16::text=Stephen%20Hawking%20is%20fond%20of,far%20away%20over%20the%20horizon.) 理论物理学可能在世纪末终结。随着人工智能的爆炸式到来，这种情绪再次弥漫开来——这一次还伴随着一个诺贝尔奖。 2024 年，Google DeepMind 的 Demis Hassabis 和 John Jumper 因神经网络 AlphaFold 获得了诺贝尔化学奖的一部分。AlphaFold 通过从数千个实验测量的结构中学习，预测蛋白质的三维结构。这个棘手的难题曾让系统性攻关在半个世纪里屡屡受挫；AlphaFold 似乎一劳永逸地解决了它，世界也因此聚焦于这种方法的前景。Hassabis 和他的团队 [称](https://deepmind.google/blog/alphafold-five-years-of-impact/) AlphaFold 是"AI 将整个科学加速到数字速度的模板"。一批为生物学、化学和材料发现构建基础模型的初创公司，在 DeepMind 成功的鼓舞下筹集了数十亿美元。AlphaFold 证明了 AI 与充足数据的结合可以带来突破性发现（即使我们并不理解其中的底层机制），似乎再一次，一条通往科学其余疆域的道路已经铺展在我们面前。