编辑 | 白菜叶
几个世纪以来，科学方法由两个支柱定义——理论和实验。现在，我们生活在人工智能时代，这增加了重要的第三个支柱。根据领先的科学机构的说法，如果没有先进的计算，过去十年的发现，例如发现希格斯玻色子；发现新药如 halicin，它可以杀死对所有已知抗生素有抗药性的细菌菌株；或者观察引力波，「本来是不可能的」。
但是，尽管取得了这些进步，但今天的科学创新往往是由现有技术的新用例或改进以前的进步来定义的，而不是创造全新的发现领域。
在日常生活中，人工智能在我们的家中无处不在，从 Alexa 用一个简单的命令购买我们的杂货，到 Netflix 预测将通过算法独创性招待我们什么。但当前的实验室需要更多的信息——为了公共利益推动科学向前发展，并帮助我们解决这个时代最棘手的问题，从气候变化和贫困到医疗保健和可持续能源。
这只能通过加速下一次全球科学革命来实现——通过支持将人工智能技术广泛而深入地纳入科学和工程研究。因为虽然人工智能创新是实质性的，但它在科学和工程研究中的应用并不普遍、快速或跨学科。
为什么尽管人工智能取得了显著进步，但它并没有帮助我们不断取得突破，从而扩大我们的知识前沿，加速科学发现的进程？
有两个主要原因。首先，虽然大量资金已经涌入大学的人工智能项目，但这些资金往往被分配给特定学科，例如用于计算机科学的人工智能，而不是用于在自然科学、计算机科学和工程之间架起桥梁的工作。
目前，人工智能工具在科学和工程研究生态系统中的使用仍处于早期采用阶段，而不是研究人员工具包的默认部分。我们不能指望科学家在没有适当培训的情况下接受人工智能的能力。
希望使用人工智能的研究人员不仅需要深入了解特定问题（例如抗生素耐药性），还需要了解哪些数据，以及该数据的什么表示形式，对于训练 AI 模型来解决它很有用。
其次，对年轻科学家进行真正大胆研究的动机根本不存在。大部分博士后资金都与特定的研究资助和学科范围内的预期结果相关联，因此博士后通常没有完全的自由来冒险使用新技术。
那么可以做些什么来改变现状呢？相关人员认为，科学领域的 AI 培训、对 AI 工具的公平访问以及负责任的、合乎道德的应用应该支配任何有意义的回应。
首先，我们需要对使用人工智能的年轻科学家进行严格的跨学科培训。人工智能的失败很大程度上归因于对人工智能工具的不切实际的期望、它们的使用错误以及它们开发过程中使用的数据质量差。来自不同背景的跨学科科学家将需要人工智能流畅度来防止此类失误。
博士后研究是科学家职业生涯中接受这种培训的特别机会。这听起来可能违反直觉，因为传统的学术压力要求在获得博士学位后迅速发表论文，然后再继续下一份工作。但这实际上是拓宽研究视野而不是陷入超专业化正统观念的最佳时机。与其急于快速证明自己，不如给博士后时间和支持去尝试新事物。
其次，我们必须确保公平获得人工智能工具。根据最近的国家人工智能研究资源报告，公平参与尖端人工智能研究受到在获取必要数据和计算能力方面的差距的限制。将来自历史上代表性不足和服务不足的背景的科学家排除在外「限制了纳入人工智能创新的想法的广度，并助长了偏见和其他系统性不平等。」
我们有机会预测和消除偏见，而不是加深和加深偏见。希望通过慈善努力，通过在未来几年内将人工智能工具的使用范围扩大到全球一代博士后候选人，可以为公平的人工智能奠定基础。
第三，人工智能的负责任应用应该增强人类智能，而不是取代它或重蹈覆辙。人工智能在科学领域的力量才刚刚开始被释放，但我们应该记住，像 halicin 的发现这样的突破不可能仅靠人类或人工智能来实现。有明确的证据表明，人工智能可以增强人类的分析能力，并超越传统方法进行复杂的实验。例如，发表在《自然》杂志上的研究表明，人工智能算法如何通过包含和控制用于聚变能研究的高能等离子体来帮助推进一条有希望的可持续能源之路。人工智能还可以发现数学研究前沿的定理。
但是，将人工智能应用于科学的真正令人兴奋的是在我们尚未感知的新探究领域中，这将为科学方法的历史带来新的维度。显微镜允许对早期生物学家甚至没有考虑过的全新微生物世界进行仔细检查。这台望远镜向早期的天文学家展示了宇宙在我们自己的太阳系之外是多么广阔。人工智能可以帮助我们发现人类科学家不会考虑的新现象。
改变我们从事科学工作的方式主要不是关于人工智能。这是关于人和技术带来的智慧。我们毫不怀疑，在正确的支持下，今天的早期职业科学家已经准备好开始大量新发现：更有效的药物、塑料的可再生替代品、可持续能源生产和储存以及对我们的宇宙和我们自己的生物学的更深入的了解。
相关报道：https://time.com/6227118/eric-schmidt-ai-human-intelligence/
