第30章 AI 成为科学工具
天气预报、蛋白质结构和数学定理看起来毫不相干，却共享一个困难：可能性太多，而可靠答案太少。
一个蛋白质可以折叠成复杂的三维形状；一种新材料要在巨大的原子组合空间中寻找；数学家需要从无数候选构造里找到可证明的一个。传统科学方法仍然有效，但实验、模拟和推导的速度常常跟不上搜索空间的增长。
机器学习提供了一种新的压缩方式：从已知数据中学习“哪些候选更像答案”，把昂贵的实验和计算优先用在更有希望的地方。它可以预测、生成、近似模拟、选择下一次实验，也能在形式系统里搜索程序和证明。
但科学工具与聊天工具有一个根本区别。科学结论不能因为模型说得流畅就成立。预测必须回到独立实验、严格计算、观测或形式证明中接受检验。
AI 在科学流程中扮演哪些角色
把“AI 发现了某某”拆开看，模型通常承担以下一种或几种工作：
- 测量与识别：从显微图像、光谱或传感器数据中提取对象与信号；
- 预测：由序列、结构或初始状态预测性质和未来；
- 代理模拟：近似一个昂贵的物理模拟器，以更低成本反复计算；
- 候选生成：提出分子、材料、程序、实验条件或数学构造；
- 实验选择：根据已有结果决定下一次最值得做的测量；
- 文献与知识组织：检索证据、连接概念并提出待检验假设；
- 控制：把选择传给自动化实验设备，再读取真实结果。
这些角色的证据强度不同。识别一张图像不等于解释机制；预测一个分子可能有效不等于药物已安全；生成一条证明草稿不等于每一步都正确。
科学发现可以看成搜索与验证
一个简化流程是：先定义目标和约束，再产生候选，用便宜的近似方法筛选，最后把少量候选交给昂贵而可信的验证器。
模型的价值常常不是替代最后一步，而是提高验证资源的命中率。若一百万个候选只能实验一百个，把真正有用的候选排到前面就很重要。
核心机制：模型缩小搜索空间，外部验证建立科学证据
AI 从历史数据、理论约束和模拟结果中学习候选的分布或评分，再把有限的实验与计算预算集中到更有希望的区域。模型输出首先是待检验的预测或假设；只有独立实验、观测、高可信模拟或形式证明才能把它提升为相应强度的科学证据。
从序列预测蛋白质三维结构
蛋白质由氨基酸序列组成，但它的功能与三维形状密切相关。传统实验测定结构可以非常可靠，却往往昂贵且耗时。计算方法则要面对序列与空间构象之间巨大的组合复杂度。
AlphaFold2 结合多序列比对、残基之间的成对表示和几何结构模块，从蛋白质序列预测三维结构，并在 CASP14 盲测中显著提高了许多目标的预测精度。(Jumper 等 2021年) 它展示的不是“读懂一个蛋白质的全部生物学意义”，而是把一类极难的结构预测问题推进到新的实用水平。
模型的输入可以包括目标序列、相关序列中的进化信息和结构模板；输出包括原子坐标以及对局部、整体误差的估计。置信度很重要，因为不同区域的可靠性可能完全不同。
AlphaFold3 进一步建模蛋白质、核酸、小分子和离子等生物分子相互作用。(Abramson 等 2024年) 这扩大了可预测对象，但也没有把药物发现变成一个按钮。结合姿态可能有多种，细胞环境复杂，药效还涉及吸收、代谢、毒性、剂量和临床差异。
最稳妥的表述是：结构模型可以给实验研究提供高价值假设，改变筛选顺序，并帮助解释部分结果；它不能让结构预测自动等于生物机制或临床有效性。
药物发现不是只生成一串分子
候选药物需要同时满足多项要求：能作用于目标、选择性合理、容易合成、性质稳定、能到达需要的位置，并具有可接受的安全性。这是多目标、强约束、证据逐级升级的问题。
机器学习可以预测分子性质、筛选化合物库或生成新结构。Stokes 等人用深度学习模型筛选具有抗菌潜力的化合物，并通过后续实验验证候选活性，展示了模型筛选与实验验证结合的路线。(Stokes 等 2020年)
这里“发现”的含义必须精确。模型可能发现了一个值得测试的候选，细胞实验可能发现了体外活性，动物和临床研究才回答更后面的安全与疗效问题。每一层的输入分布、终点和失败原因都不同。
模型还可能利用数据中的捷径：某类分子骨架在训练集里经常被标为活性，它就高估相似结构；测量协议与实验室来源也可能泄漏标签。若随机拆分让近似分子同时进入训练集和测试集，测试成绩会比面对真正新骨架时乐观。
材料搜索需要预测“能存在”与“值得制造”
新材料探索要考虑元素组成、晶体结构、稳定性和功能性质。穷举所有组合不可能，于是模型可以从已知晶体中学习能量与结构关系，快速扫描候选。
GNoME 工作使用图网络扩大稳定无机晶体候选的搜索，并通过高精度计算进一步筛选。(Merchant 等 2023年) 这样的结果可以显著扩充计算候选库，但“预测稳定”不等于“已经合成”。实验还要处理原料、温度、压力、反应路径、杂相和测量误差。
因此应明确三种数量：模型提出多少候选，高精度计算确认多少，实验真正合成并表征多少。把第一种直接写成“发现了多少种新材料”，会混淆预测、计算验证和现实证据。
技术深潜：不确定性驱动的候选选择
设实验输入为 \(x\)，真实但昂贵的结果为 \(y=f(x)+\epsilon\)。已有数据为：
\[ \mathcal D_t=\{(x_i,y_i)\}_{i=1}^{t} \]
代理模型根据 \(\mathcal D_t\) 给出预测均值 \(\mu_t(x)\) 和不确定性 \(\sigma_t(x)\)。下一次实验不是简单选择预测最高的点，而是使用采集函数 \(a_t(x)\) 平衡两种目标：
- 利用：测试 \(\mu_t(x)\) 很高、当前看起来有希望的候选；
- 探索：测试 \(\sigma_t(x)\) 很大、可能带来新信息的区域。
一种直观形式是置信上界：
\[ a_t(x)=\mu_t(x)+\beta_t\sigma_t(x) \]
\(\beta_t\) 控制探索强度。系统选择 \(x_{t+1}=\arg\max_x a_t(x)\)，做真实实验，得到 \(y_{t+1}\)，再更新模型。
数据流因此是：候选空间与约束进入代理模型，模型输出预测和不确定性，采集函数输出下一批实验，设备输出观测，观测再写回训练集。
这个方法依赖几个重要假设：不确定性估计与未知误差有关系，候选表示保留了决定性质的因素，实验条件在迭代中可比较，目标函数也没有漏掉安全、成本或可制造性。若模型在分布外区域仍过度自信，采集函数会把预算集中到错误位置。
评估不能只报告“最佳候选有多好”，还要报告达到目标用了多少次实验、不同随机初始数据是否稳定、失败实验是否完整记录，以及与随机搜索和领域专家策略相比节省了多少预算。
天气模型学习大气怎样演化
传统数值天气预报把物理方程离散到网格上，从当前大气状态向未来积分。它依赖观测同化、物理建模和大量计算。机器学习天气模型则从历史再分析资料中学习状态随时间的转移。
GraphCast 用图神经网络预测全球中期天气，在论文设定的许多变量和时效上相对一个高分辨率业务系统表现出竞争力，并能快速生成预报。(Lam 等 2023年) Pangu-Weather 使用三维神经网络和分层时间聚合，也展示了全球中期预报能力。(Bi 等 2023年)
模型输入不是几张天气图片，而是覆盖经纬度和气压层的大量变量，例如温度、风、湿度和位势高度；输出是未来网格状态。滚动预测再把上一步输出当作下一步输入，因此小偏差会随预报时长传播。
数据驱动模型学到的是训练资料中的大气统计和动力学规律。观测系统改变、气候分布变化、极端事件稀少，都可能影响泛化。业务预报还需要集合预报、不确定性、数据同化、极端风险解释和持续值守，不能只比较一张平均误差表。
物理约束可以进入学习过程
某些任务已有明确的守恒定律或微分方程，但直接数值求解很慢，或方程中存在未知参数。物理信息神经网络把方程残差加入训练目标，用观测与物理约束共同限制函数。(Raissi 等 2019年)
假设要学习 \(u_\theta(x,t)\)，而已知它应近似满足：
\[ \mathcal N[u](x,t)=0 \]
损失可以组合数据误差、方程残差和边界条件：
\[ \mathcal L=\lambda_d\mathcal L_{data}+\lambda_p\mathcal L_{physics}+\lambda_b\mathcal L_{boundary} \]
这并不保证模型严格服从物理。有限采样点上的小残差不等于整个连续区域都满足方程；不同损失项尺度不平衡也会让训练偏向某一部分。对于刚性、多尺度或混沌系统，优化仍可能很难。
“加入物理”因此要说明约束写在哪里、是软约束还是硬约束、在哪些区域检查，以及与可信数值解法相比误差和成本如何。
数学发现拥有一种特殊验证器
实验科学的验证可能昂贵且带噪声，数学却可以在明确定义的形式系统中检查证明或程序。这使“生成器 + 验证器”的组合尤其自然。
AlphaTensor 把矩阵乘法算法搜索表示为游戏，用强化学习找到若干新的或改进的分解方案；发现的算法可以通过实际张量等式与运行测试验证。(Fawzi 等 2022年)
FunSearch 让语言模型提出程序，由自动评估器运行并打分，再把高分程序反馈给后续搜索，在组合数学与算法问题上得到可验证结果。(Romera-Paredes 等 2024年) AlphaGeometry 则组合神经语言模型与符号推理引擎，生成辅助构造并完成几何证明。(Trinh 等 2024年)
这些系统的关键不只是模型“会推理”，而是候选能被可靠程序检查。形式验证能判断候选是否满足给定规则，却不能保证研究问题本身重要，也不能自动证明检查器、形式化定义和实现没有错误。
技术深潜：搜索预算、假阳性与证据升级
设生成器从分布 \(q_\theta(z\mid c)\) 产生候选 \(z\)，上下文 \(c\) 包含问题、约束和已有结果。便宜评分器给出 \(s(z)\)，昂贵验证器返回 \(V(z)\)：
\[ z_1,\ldots,z_N\sim q_\theta(\cdot\mid c),\qquad \mathcal C=\operatorname{TopK}_{z_i}s(z_i) \]
\[ V(z)=\begin{cases} 1,&z\text{ 通过规定的验证}\\ 0,&z\text{ 未通过} \end{cases} \]
扩大 \(N\) 可以提高搜到好候选的机会，也会增加计算与多重比较问题。若评分器对某种伪特征有偏好，Top-K 会把偏差进一步放大。
验证器也有层级。分子规则检查、快速模拟、高精度计算、体外实验、动物研究和临床研究回答的不是同一个问题。前一层通过只能决定是否值得进入后一层，不能继承后一层的结论。
如果验证器是模型生成的测试、另一个语言模型的评分或与生成器共享训练数据，它们的错误可能相关。两个模型同意不等于独立证据。更强的验证器应尽量依据不同机制，例如形式检查、盲测数据、物理测量和外部复现实验。
报告结果时至少需要说明：候选总数与筛选流程、评分器和验证器各自的输入、通过标准、失败候选、人工选择环节，以及测试是否在看到结果后改变。否则无法判断成功来自普遍方法，还是大量搜索后的选择性展示。
自动化实验室把预测接入现实闭环
当机器人、实验设备和模型连接起来，系统可以配制样品、测量结果、更新代理模型并选择下一次实验。移动机器人化学家展示了在实验室中自主导航、执行并优化光催化实验的系统。(Burger 等 2020年)
这与上一章的机器人闭环相似，但目标从“抓到杯子”变成“最大化产率或信息增益”。系统仍需处理设备校准、样品污染、传感器漂移、失败实验、批次效应和安全联锁。
闭环自动化能提高吞吐量，却也可能高速重复一个错误。若测量仪器偏了、目标函数写错了，优化器会非常有效地追逐错误指标。实验日志、对照组、盲样、设备校准和人工审查因此不是旧时代的负担，而是闭环可信度的一部分。
相关性不能自动回答因果问题
模型发现“输入 \(X\) 与结果 \(Y\) 一起变化”，通常首先是统计关联。科学问题往往还要问：主动改变 \(X\)，是否会使 \(Y\) 改变？
例如，一个医疗模型可能发现某种治疗记录与死亡率相关，但重症患者更可能接受这种治疗。疾病严重程度同时影响治疗选择和结局，观察相关性不能直接得出治疗有害。
因果推断需要明确干预、混杂因素和可识别假设。随机对照实验通过随机分配减少一类混杂；观察研究则需要设计与领域知识。Pearl 的因果模型系统化区分了观察条件与干预问题。(Pearl 2009年)
大模型可以从文献中提出因果假设，却不能靠语言确信度建立因果关系。模型给出的解释或自我报告也不等于其内部真实计算过程，更不是机制证据。证据来自研究设计、测量、对照、可重复分析和能够排除替代解释的实验。
科学 AI 最容易在哪些地方失败
- 目标错位：容易测量的代理指标代替了真正科学目标；
- 数据偏差：成功实验更容易发表，失败条件和阴性结果缺失；
- 泄漏：同源蛋白、近似分子或同一实验批次跨越训练与测试；
- 分布变化：新仪器、新实验室、新气候状态或新化学空间超出训练覆盖；
- 不确定性失真：模型在陌生区域仍给出尖锐预测；
- 验证器不足：快速模拟或模型评分被误写成现实验证；
- 选择性报告：只展示大量候选中的最佳成功，不报告总预算和失败；
- 不可复现：数据、代码、实验协议或随机种子不完整；
- 因果越界：把预测相关性包装成可干预的机制结论。
科学工作的标准不应因为使用 AI 而降低。恰恰相反，大规模候选生成让完整记录、预注册、独立测试和误差分析更加重要。
学习路径：复现一个小型科学闭环
实践继续后置，可以先选择计算成本低、验证器明确的任务：
- 选择一个公开表格或小分子性质数据集，明确预测目标和数据来源；
- 按时间、材料族或分子骨架拆分数据，而不只做随机拆分；
- 训练简单基线和一个非线性代理模型，输出预测与不确定性；
- 用随机选择、只选最高预测和兼顾不确定性的策略模拟逐轮实验；
- 每轮只揭示少量隐藏标签，记录达到目标所需查询数；
- 加入一个分布外候选区，观察模型置信度是否仍可信；
- 保存所有失败候选，并区分模型筛选、计算验证与实验验证的结论。
进阶读者可以选择可自动检查的组合问题，让生成程序提出候选、确定性测试器验证，再比较增加搜索预算究竟提高了什么。
本章小结
- AI 可以识别、预测、近似模拟、生成候选、选择实验和控制自动化设备，但每种角色对应不同证据强度。
- AlphaFold 推进了结构预测；结构准确不自动等于功能、机制、药效或临床安全。
- 药物和材料发现是多阶段筛选，模型候选、高精度计算、实验合成和临床结论不能混写。
- 学习型天气和物理模型可以大幅降低部分计算成本，但仍受初始数据、分布变化、极端事件和约束实现影响。
- 数学与程序搜索受益于明确验证器；生成能力与验证可靠性应分开评价。
- 闭环实验用新测量更新模型并选择下一次实验，同时也会放大错误目标和设备偏差。
- 预测相关性不是因果机制，科学结论必须依靠匹配问题的研究设计和外部证据。
思考问题
- 为什么“模型提出十万种候选”不能直接等价为“发现十万种新材料”？
- 代理模型的预测均值很高与不确定性很大，分别给实验选择提供了什么信息？
- 数学程序通过自动测试以后，还有哪些东西没有被证明？
- 当模型、评分器和验证器共享相似数据时，为什么它们的一致可能高估可靠性？
延伸阅读
- AlphaFold2 与 AlphaFold3 论文适合比较结构预测对象、输入表示和证据边界。(Jumper 等 2021年; Abramson 等 2024年)
- GraphCast 与 Pangu-Weather 适合观察学习型天气预报的状态表示、滚动预测和评测方式。(Lam 等 2023年; Bi 等 2023年)
- GNoME 和深度学习抗生素筛选案例展示了候选生成怎样接入计算与实验验证。(Merchant 等 2023年; Stokes 等 2020年)
- AlphaTensor、FunSearch 与 AlphaGeometry 展示了生成器和明确验证器结合的三种路线。(Fawzi 等 2022年; Romera-Paredes 等 2024年; Trinh 等 2024年)
- 物理信息神经网络和机器人化学家工作适合继续理解理论约束与自动实验闭环。(Raissi 等 2019年; Burger 等 2020年)