From inference to prediction: how machine learning is reconfiguring science

想象一下，科学的世界就像一座巨大且繁忙的图书馆，研究人员正在试图解开各种谜团。几十年来，图书管理员（科学家）一直遵循着一条金科玉律：要解开谜团，你必须解释你是如何找到答案的。如果你不能展示你的推导过程，那么你的答案就不作数。这是一个“推论”（Inference）的时代，目标是理解宇宙的内在运作机制，比如搞清楚为什么某种特定的化学反应会发生，或者一种疾病是如何传播的。

但最近，一个名为**机器学习（ML）*的超级智能机器人助手搬进了图书馆。这个机器人非常擅长猜测答案。它观察了数百万个线索，然后说：“我有99%的把握答案是X！”问题在于，这个机器人通常无法解释它为什么*认为那是答案。它只是知道而已。这就是“预测”（Prediction）的时代。

这篇论文研究了从1990年到2025年间惊人的490万篇科学出版物，它就像一名侦探，试图弄清楚这个机器人是如何改变这座图书馆的。以下是他们的发现，且不使用专业术语。

机器人的大脑地图

研究人员构建了一张机器人的知识巨型地图。他们发现机器人的“大脑”有一个核心区和一个外围区，有点像一座城市。

• 核心区（物理科学）： 机器人大脑的心脏位于计算机科学和工程学领域。这是机器人的诞生地，也是它居住的地方。机器人所有的工作中约有**28%**发生在这里。
• 主要街区（健康科学）： 机器人在医学领域最受欢迎，占其工作的15%。这是机器人被广泛用于解决现实世界问题的最大场所。
• 郊区： 其他领域如社会科学和生命科学处于边缘地带，正在缓慢地接纳这个机器人，但它们目前还不是主要的枢纽。

大交换：从“为什么”到“是什么”

这是论文发现的大转折。长期以来，医学和社会科学领域的科学家依赖于像线性回归和逻辑回归这样的传统工具。把它们想象成透明的、玻璃墙式的计算器。你可以看到内部每一个数字和步骤。如果一位医生使用了这种工具，他可以解释说：“我知道患者患有这种疾病，是因为这三个特定因素累加的结果。”

但大约在2015年左右，一波被称为深度学习（以及后来的大语言模型）的新工具开始接管。这些工具就像黑匣子。它们极其擅长猜对答案，往往比那些玻璃计算器更准确，但你无法看到内部。

论文发现，在那些曾经要求透明度的领域（如健康和社会科学），旧有的玻璃计算器正在萎缩。自2015年以来，这些透明工具的使用增长速度慢于科学界的整体水平，而黑匣子的流行程度却在爆炸式增长。事实上，在某些领域，旧工具甚至正在失去阵地。

两波黑匣子浪潮

论文指出，这种变化是通过两波截然不同的浪潮发生的，就像两股不同类型的雾气袭来。

第一波（2015–2021）：“动手实践”之雾
在第一波中，科学家们构建自己的黑匣子（如卷积神经网络）。他们仍然掌握着控制权。他们可以在自己的数据上训练机器人，并在论文中写下操作方法，理论上其他科学家也可以检查他们的工作。虽然它是晦涩难懂的（难以看透内部），但科学家仍然是船长。

第二波（2022年后）：“神秘盒子”之雾
到了2022年之后，情况发生了变化。增长最快的工具现在是大语言模型（比如那些能写文章或与你聊天的模型）。这些工具不再是由科学家构建的，而是由大型公司构建的。

• 症结所在： 科学家看不到训练数据，看不到代码，也看不到权重（即机器人的“大脑”设置）。他们只需输入一个问题（“提示词”），就能得到答案。
• 结果： 论文暗示，这造成了一种新型的“知识债”。科学家们正在使用那些逻辑完全对他们而言未知的系统。控制权已从科学家转移到了拥有这些模型的公司手中。

这对科学意味着什么

论文认为，这不仅仅是一次技术升级，更是关于科学如何定义什么是“真理”的变化。

• 以前： 真理关乎理解。“给我看步骤，我才会相信你。”
• 现在： 真理越来越多地关乎准确性。“给我正确的答案，哪怕我看不出你是怎么得到的。”

作者指出，这产生了一种张力。科学一直承诺要公开透明（“开放科学”的理想），但这些新工具通常是秘密且专有的。论文表明，虽然科学在预测事物方面变得越来越强，但它可能正在失去解释事物的能力，尤其是在那些“为什么”始终是最重要的领域。

总结

论文并没有说这是一场灾难，但它确实指出这是一个巨大的转变。我们正从一个科学家解释游戏规则的世界，转向一个科学家仅仅使用强大的、神秘的工具来赢得游戏的时代。论文认为，虽然这扩展了科学的“能力范围”，但它从根本上改变了知识是如何被创造、验证和信任的方式。旧的玻璃计算器并未消失，但在许多地方，它们正被那些表现更好、却守口如瓶的黑匣子所取代。