The Past and Future of AI Scientists
本文综述了集成式人工智能科学家（即能够自主生成假设、设计实验并取得新发现的系统）的演进历程与未来潜力，并指出虽然单个科学环节已可实现自动化，但关键挑战在于如何通过其集成化，以实现到2050年实现诺贝尔奖级发现自动化的“诺贝尔图灵挑战”。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
不要将科学方法仅仅视为教科书里枯燥的章节，而要将其想象成一部宏大、高风险的侦探故事。几个世纪以来，唯一的侦探都是人类：他们才华横溢，却也疲惫不堪，并受限于能阅读的书籍数量或能拿取的试管数量。他们会发现线索（观察），猜测是谁干的（假设），进行测试（实验），然后决定自己的猜测是否正确。但世界正变得过于复杂，仅凭人类的大脑已无法跟上步伐。我们正面临着气候变化和新疾病等巨大的谜团，而线索埋藏在没有任何单个人类能够读完的海量数据之中。这就是“人工智能科学家”这一概念的由来。不要把它仅仅看作一个只会计算数字的计算器，而要把它看作一个不知疲倦、超级聪明的侦探搭档。这个搭档可以在几秒钟内读完图书馆里的每一本书，构思新的理论，建造自己的机器人手臂来混合化学物质，然后观察结果以判断自己是否正确。核心问题不仅是“计算机能否做数学题？”，而是“一台机器是否真的能从事科学研究——从最初的思想火花到最后的最终证明？”
这篇题为《人工智能科学家的过去与未来》的论文，是构建那位终极侦探的路线图。作者认为，我们不再仅仅是在制造帮助人类的工具；我们正处于创造能够自主运行整个科学流程的机器的边缘。论文回顾了“发现科学”的历史，从 20 世纪 60 年代能够猜测分子结构的早期计算机程序开始，一直向前推进至今日。它重点介绍了两位著名的先驱者：“亚当”（Adam），一个通过循环猜测与实验自主发现酵母中新基因的机器人；以及“伊芙”（Eve），一个通过运行数千次测试循环来优化药物研发的系统。作者解释说，虽然我们今天拥有了惊人的工具——比如可以预测蛋白质形状或编写代码的 AI——但其中大多数仍然只是“助手”。它们需要人类来告诉它们该做什么。论文的主要发现是，构建一个真正的“人工智能科学家”的各个环节终于正在汇聚在一起：这是一个结合了阅读科学文献、生成新假设、设计实验、在物理实验室中运行实验，并根据结果修正自身信念能力的系统。
作者谨慎地指出，这目前还不是魔法。他们认为，核心问题不在于单个部分是否可以实现自动化（它们可以），而在于“集成”。这就像拥有了一位天才厨师、一本完美的食谱和一个机器人手臂，但如果它们彼此无法沟通，你就无法得到一顿美餐。论文建议，未来在于“神经符号”（neuro-symbolic）系统，这种系统将神经网络（类似于大脑）的模式识别能力与符号系统（类似于计算机程序）的严格逻辑和规则相结合。这确保了人工智能不仅仅是在瞎猜，而是在进行推理。论文明确排除了将简单的预测模型或只会写研究论文的聊天机器人视为科学家的观点。一个真正的 AI 科学家必须完成闭环：它必须能够在物理世界证明其错误时改变自己的想法。
论文还描绘了未来的景象：成千上万个这样的 AI 科学家可以协同工作，共享数据并并行运行实验，解决任何人类团队都过于复杂的难题。然而，它也敲响了重大的警钟，提醒其中的风险。如果我们赋予机器设计实验和混合化学物质的权力，我们也必须赋予它关于安全、伦理以及出错时谁来负责的严格规则。作者提出了一个“诺贝尔图灵挑战”（Nobel Turing Challenge），即到 2050 年构建出能够做出诺贝尔奖级发现的 AI 的目标。他们暗示我们正处于进度超前状态，但同时强调，这个新的科学时代将要求我们重新思考如何培养科学家、如何认定发现的功劳，以及如何确保这项强大的技术造福全人类，而非仅仅服务于少数人。最终，论文表明，虽然人工智能将改变科学，使其变得更快、更具系统性，但人类对于设定目标、提出宏大的“为什么”问题以及保持系统公正性而言，依然不可或缺。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。