跳到主要内容

从 20 多分到约 92 分 — AI 在科学里干的到底是哪一段活

这一章讲三件事: 科学研究的第四种做法(数据驱动)为什么直到深度学习出现才真正有力; 一份横跨生命、材料、气象、数学、天文的真实战报,以及每一份战报里 AI 干的到底是哪一段活; 这台加速器的四个刹车问题:相关不等于因果、黑箱、外推失灵、双重用途。

它在全书链条里的位置: 前面的零件(注意力、扩散、强化学习、多模态)在这里集体上岗。 下一章走向物理世界——从「帮科学家筛」走到「自己伸手抓」。

1. 科学研究的第四种做法​

开场是历史性的一天连着一天:2024 年 10 月,诺贝尔化学奖颁给蛋白质设计者与 AlphaFold 团队, 前一天物理学奖刚颁给神经网络的奠基者——AI 第一次如此醒目地进入科学最高奖项的叙事中心1。

书里把科学方法论的四次变迁排成一条线2: 经验(看星星、归纳周期表)→ 理论(几个公式预测世界)→ 计算(超级计算机数值求解) → 数据驱动的科学发现(2007 年提出:仪器产生的数据多到人力处理不完, 从数据中自动找规律成为新支柱)。 第四范式的构想提出时深度学习还没起飞,统计方法撑不起「自动发现」四个字; 过去十年深度学习的崛起,才让第四范式突然有了真正强大的工具3。

但先钉死一个贯穿全章的定位,书里说得毫无歧义:AI 最擅长的,是在巨大可能空间里 帮人类更快找到值得验证的候选答案,而不是替科学家宣布真理4。 涡轮增压器不决定车往哪开,方向盘还在科学家手里5。

2. 蛋白质折叠:五十年的老问题​

AI for Science 最著名的战功在蛋白质。背景只需要三条6:

  • 蛋白质干着生命的大部分基本活(消化、免疫、神经信号),功能由 3D 形状决定—— 钥匙形插特定锁孔,通道形让分子过膜,剪刀形切割别的蛋白;
  • 3D 形状由氨基酸序列决定——一条用 20 种氨基酸当字母写成的字符串,折叠成立体结构;
  • 难在折叠本身:同一序列理论上能折出天文数字种形状,现实中却几秒折到位。 1960 年代有个著名的悖论:若蛋白质真要随机试遍所有形状,要折到「宇宙下班」都折不完。 「序列如何决定结构」,就是困扰生物学五十年的蛋白质折叠问题7。

而过去,测定一个蛋白质的结构要几个月到几年,动用 X 射线晶体学、核磁共振或低温电镜; 已知结构库相较自然界的蛋白质总量,像图书馆只编好了一小部分索引8。

3. 主走查:从 20 多分爬到约 92 分​

1994 年起,科学界办了一场两年一度的考试 CASP:预测一批刚测出但未公开的蛋白质结构, 用 GDT 分数打分(衡量预测结构与真实结构在几何上多接近,0 到 100, 90 分算「实验级准确」)9。

  1994–2018   最好成绩从 20 多分爬到 40–50 分 —— 二十多年,像挤牙膏
  2018 CASP13  AlphaFold 1 首秀:最难的自由建模目标约 60 分,明显领先
  2020 CASP14  AlphaFold 2:许多目标接近实验精度;组织者的结论是
               「核心结构预测问题在很大范围内已被计算方法突破」
               ——当年最好成绩约 92 分,跨过 90 分的「实验级」门槛

这张图看的是一条五十年难题的松绑曲线:前面二十多年每年挤几分, 两届 CASP 连续顶破。 分数之外还有一件更狠的事:2021 年起预测结构免费公开, 数据库后来覆盖超过 2 亿个蛋白质——书里提醒,预测结构像高质量地图,能指路, 不能替代实地勘探10。 苦活的性质变了:许多困扰多年的蛋白质,现在几分钟就能得到结构预测11。

4. 它是怎么做到的​

AlphaFold 2 的核心是一台注意力机器,四个设计缺一不可12:

  输入:一条氨基酸序列(比如 20 种字母串成的 300 字符)
   ↓ ① 多序列比对:找它跨物种的「亲戚」序列一起看
       ——演化花了几十亿年替我们标出了哪些位置动不得
   ↓ ② 成对距离预测:先不猜每个原子的坐标,
       只预测「任意两个字母之间离多远」——一张距离表
   ↓ ③ 端到端:从序列直接出 3D 结构,不走传统「能量最小化」那条老路
   ↓ ④ 注意力:每个位置都能看到整条链的全貌,抓住长程依赖
  输出:3D 坐标,GDT 约 92

这张图看的是主走查的内部:单看每条设计都不新, 组合起来加上大规模训练,才产生了质变13。 书里还埋了一处给第 21 章的回响:AlphaFold 3 换用扩散模型生成原子坐标—— 同一种「从噪声中生成结构」的思想,既可以画猫,也可以帮科学家观察分子如何拥抱、推开或缠在一起14。

5. 结构预测之后:药物与蛋白质设计​

预测只是入口。一款新药从候选分子到上市常要十年左右, 大头时间花在从几百万个可能分子里筛出少数几个有希望的—— 书里的比方:像在巨型停车场找一辆没挂牌的车,AI 保证不了找到,但能先帮你把最不可能的几百万辆排除掉15。

三类用法各就各位16:给几百万候选分子快速打分(溶解度、毒性、结合强度); 预测药物和靶点蛋白怎么结合(AlphaFold 3 的主场);以及更激进的生成式设计—— 直接生成自然界未必存在过的新分子。书里的冷却剂必须保留:候选不能因为模型画得漂亮就直接进药柜, 可合成性、毒性、药效检验一样不能少;第一批 AI 辅助设计的候选药已进临床试验, 临床试验是终极考场,AI 能提高命中率,却不能替药物通过安全考试17。

蛋白质设计走的更远。贝克团队(2024 年诺贝尔化学奖第三位得主)的扩散式设计工具, 让研究者指定目标——「设计一个能结合 A 蛋白的新蛋白」——AI 生成候选序列,再用 AlphaFold 验证; 产物里有真实工作的新抗体、新酶、新传感器18。 一支有趣的插曲:把蛋白质折叠做成游戏的项目早在 2008 年就上线, 2011 年玩家们帮着解析(把结构从图像数据里拆出来)出困扰学界多年的病毒蛋白酶结构,论文把玩家列为共同作者19。

6. 从基因到大脑​

生命科学的其他层级也各有 AI 上岗20:

  • 基因组:每个人的基因组约 30 亿个碱基对、人与人之间有几百万个位点差异, 哪些致病哪些无害,靠实验一个一个验根本做不完。2023 年的变异打分工具覆盖了 约 7100 万种可能的氨基酸替换,大部分给出「可能良性/可能致病」—— 书里的定位精准:给医生多了一本详细得多的参考手册,但参考手册不是判决书21。 更前沿的 DNA 基础模型(用海量基因组序列预训的模型)试图学会「DNA 这门语言」,书里同时警告: DNA 不是英语作文,改一个字母可能没事,也可能把整段生物程序改坏22。
  • 单细胞:新技术能同时测几百万个细胞的基因表达,书里的比方是挤满人的体育场、 每个人同时小声说话——AI 的任务是从嗡嗡声里听出谁是免疫细胞、谁是神经细胞、 谁是没人注意到的新角色23。
  • 大脑:绘制「连接组」(每个神经元和谁相连)。2024 年公布的成年果蝇全脑连接组: 约 14 万个神经元、5000 多万条突触连接,背后的切片分割与重建高度依赖深度学习; 难点不在拍照片,在把细得像耳机线的神经突起在电镜切片里一根根追踪到底24。 脑机接口(在大脑与机器之间直接传信号的设备)已有真实人体试验(把瘫痪病人想说的字转出来),但书里收得克制: 信号会漂移、植入有风险,离「插上就能意念打字」很远。科学进展很了不起,但还没有魔法25。

7. 材料与化学:先筛掉不可能的那几百万​

2023 年的材料预测系统 GNoME 从已有数据库出发,生成并筛选了约 220 万种候选晶体结构, 其中约 38 万种被认为稳定性较高、值得研究——在它之前, 公开数据库里的稳定晶体总量远小于这个规模,候选清单一下扩大了近一个数量级26。 一部分候选已被自动化平台真的合成出来。书里给这类系统的统一绰号: 超级筛沙机——能把可能藏金的地方筛出来,却不能保证每一粒闪光的都是黄金27。

化学的其余战线28:催化剂(从炼油到氮肥到电池都靠它)的筛选靠开放数据集训练的模型加速; 分子动力学模拟引入神经网络学习原子间相互作用,原来只能观察几皮秒的微观过程, 有机会拉长到接近真实实验的尺度;反应预测与逆合成分析则成了化学家的 「虚拟同事」——不一定每次靠谱,但能把人的脑力留给更值得验证的方案29。

8. 气象:一条快得多的新路线​

传统数值天气预报用大气物理方程加超级计算机:准确,但每次预报要算上几小时、动用上千核30。 2022 年底到 2023 年,几个用过去 40 年历史天气数据训练的大型模型几乎同时出现, 在多项指标上达到或超过传统系统,而且推断快得多——原本较长时间的全球预报, AI 模型很短时间跑完31。

书里点出的真正变化在经济学:过去只有少数大国气象局供得起全球高分辨率预报, 现在中小国家、企业、学术团体都有机会参与32。 后续的地球系统基础模型想把天气、污染、海浪、台风放进统一框架, 但书里的提醒值得原样收下:天气预报不是考试刷榜,真正的考官是台风、暴雨、寒潮和每天等预报的人33。 至于极端天气预测,越是极端越要警惕外推失败——模型没见过的灾难, 不会因为我们很想预测,就乖乖出现在训练集里34。

9. 数学:辅助线从哪冒出来​

数学看起来离 AI 最远,战报却有两响。2024 年初的几何系统在国际数学奥林匹克历年几何题上 解出 30 题中的 25 题,接近金牌选手水平35。 几何题的要害书里说得生动:答案往往不长,难的是那条辅助线从哪冒出来。 它的架构是本拆解的老朋友们握手:神经网络负责凭直觉提出可能的辅助线, 符号推理引擎负责严格验证这些线是否引向证明——猜测与验证分了工36。 同年 7 月的后续系统在当年 IMO 真题上解出 4 题、达到银牌水平, 是 AI 首次在真实 IMO 题上拿到奖牌级成绩;边界也同时画清: 依赖形式化环境与专门训练,离能自由提出研究计划的 AI 还远37。

纯数学侧,2022 年的 AlphaTensor 把「找更快的矩阵乘法」建模成游戏, 像下棋一样搜索,重新发现了 1969 年的经典算法(2×2 矩阵 7 次乘法, 朴素要 8 次),并在一些情形找到了超越人类已知最优的新算法38。 书里谨慎加注:发现更快的乘法和证明深刻定理还不是一回事, 但它说明 AI 可以参与数学创造的某些环节39。 更长线的一支是用计算机可验证的语言重写数学证明,顶尖数学家已亲身参与; 从自然语言证明自动生成形式化代码,正在加速这个过程40。

10. 相关不等于因果​

全章最重要的刹车在这里。AI 擅长找「一起变化」,科学要的是「谁导致谁」。 书里用那个经典例子讲透41:夏天一到,冰淇淋销量上升,溺水事故也上升—— 难道冰淇淋把人推下水?真正的共同原因是高温和暑假。 科学要问的从来不是「谁和谁一起变」,而是**「如果我们干预其中一个,另一个会不会改变」**42。 所以 AI 从数据里挖出的每一条「关联」,都必须再经过因果分析与实验验证才能算科学结论; 医学数据里大量饮食-疾病的「关联」,大部分经不起严格的因果分析43。

11. 黑箱、外推与守恒律​

另外三个刹车,各一句话说透44:

  • 可解释性:AI 能预测蛋白质结构,却说不出「蛋白质为什么这样折叠」的物理机制。 应用里够准就行,基础研究里却是大事——科学要的是理解,不只是预测。
  • 数据质量与外推:AI 忠实学习实验噪声和测量偏差,结论可能只是偏差的放大; 天气模型遇到没见过的极端气候、医学模型遇到不同人群,都可能突然失灵—— 不能只问「平均准确率高不高」,要问「离开熟悉地盘之后会不会胡说八道」45。
  • 守恒律:画错一只猫顶多多根尾巴;科学模型不守恒就麻烦了。 能量、质量、电荷守恒是自然界的硬规则,好模型不能只「看起来像」, 还要「不违反基本规律」——否则它像一个会背物理公式的骗子,讲得头头是道,最后连账都算不平46。

12. 研究助理与科研驾驶舱​

AI 改变的还有「做科学的方法」本身。书里把它画成一个闭环:人提出问题、判断意义、承担责任; AI 负责搜文献、提候选、写代码、跑模拟;实验设备给硬证据47。 几条正在成形的路线48:国家级平台把 AI 接到真实科研基础设施上; 多智能体科研原型(有的想点子、有的挑刺、有的排序)已经出现, 虽然产出参差、必须人把关;机器人实验室是最硬核的一条——AI 提出下一组实验条件, 机器人执行,结果回流再决定下一步,补上「没有实验闭环,再漂亮的假设也只是猜测」这一环49。

日常尺度上,研究者已经把 AI 当**「速度惊人的实习生」**:翻文献快、写代码快、总结快, 但偶尔会把坐标轴看反,所以重要结论必须回到原文、原图和原始数据50。 更深的走向,书里给了一组分工句:人类负责「该不该做」和「做出来意味着什么」, AI 负责「能不能做」和「怎么做出来」51。

13. 双重用途​

最后一个刹车最特殊:同一项能力,既可能有益也可能危险52。 设计蛋白质能做药和疫苗,也可能被滥用于有害分子;优化化学反应能提效,也能帮助合成危险物质; 自动实验平台能加速发现,也能加速滥用。这就是双重用途问题—— 所以 AI for Science 不能只谈效率,还必须谈访问权限、审查机制和伦理边界。 书里的比方:科学的加速器如果没有刹车,速度越快,越需要知道自己正开向哪里53。

至于那个最大的悬念——通用人工智能会在科学里扮演什么角色——书里给了两种观点 (一种认为科研会被大幅自动化,一种认为科学直觉与价值判断始终依赖人), 然后诚实地写下:我们不知道谁对;可以肯定的只是, 无论到不到那一步,AI 在科学中的角色都会越来越重54。

14. 作者的判断与证据​

有证据的部分。 CASP 历年分数与两届跃迁、2 亿结构数据库、GNoME 的 220 万/38 万、 果蝇连接组的 14 万神经元与 5000 万突触、IMO 的 25/30 与银牌、变异打分的 7100 万, 全部有公开论文或数据库出处。

要分开看的四处:

  1. 「接近实验精度」不等于「替代实验」。 书里两次用「地图/勘探」的比喻压住这个误读10, AlphaFold 3 的预测也明确「仍要接受实验与药理数据的检验」14。
  2. GDT 分数有明确定义域。 它衡量几何接近程度,不是生物学功能的判据—— 折叠对了不等于功能对,书里未展开这层,我们补一句以免过度延伸。
  3. AI 天气模型赢在速度与多项指标,但业务检验仍在进行。 「不是考试刷榜」是书内原话33。
  4. 数学侧的成绩限定在几何与形式化环境。 「自由提出研究计划还远」是书内边界37, 别读成「AI 快会做数学研究了」。

判断(我们的,不是书里的):这一章所有故事共用一个句式——「AI 负责 N 里选 1,人类负责 N 是什么」。 蛋白质是「几百万分子选几个」,材料是「220 万晶体选 38 万」,几何是「无数条辅助线选对的那条」。 AI 的全部战果都发生在「选项已经摆好」的世界里;把什么摆上桌面,仍是人的问题。 这也是为什么四范式里第四范式是「补充」而非「替代」——它没有取消前三步,只是把第四步的筛子换成了钢的。 如果错,会错在: 生成式方法(扩散设计分子、模型提出假设)正在把「造选项」这一步也接过去, 「选项由人摆」的前提在被侵蚀;若十年后 AI 同时负责造选项和筛选项, 人类角色会收缩到「定目标与担责任」两点一线。

判断(我们的,不是书里的):「冰淇淋与溺水」应列为一切 AI 战报的第一道读后检查。 本章每一份漂亮数字都值得追一句:它的对照组是什么?变量隔离了吗? 还是只是「夏天到了」?科学史上经不起因果检验的关联堆积如山, 而 AI 把生产关联的成本降到了接近零——产出越便宜的东西,越需要昂贵的验证。 如果错,会错在: 若未来 AI 系统内嵌因果推断(干预建模、反事实推理)成为标配, 「AI 只会找关联」的前提会过时;但「验证必须昂贵」这条不会过时——那是科学存量的本钱。

15. 边界与局限​

  • AlphaFold 的推导层全书缺席。 注意力怎么输出三维坐标的细节,通识版只给设计思路12。
  • 临床试验数据一片空白。 AI 设计的候选药「进入临床试验」是现状的全部, 通过率、失败案例书里没有数字17。
  • 天文与物理只给了三个定格。 引力波初筛、系外行星 Kepler-90i、聚变的强化学习控制, 各一段,均无方法细节55。
  • 中文科研生态、科研评价体系的讨论止于提问(署名、贡献怎么算),没有方案56。
  • AGI(即前文说的通用人工智能)与科学的关系是开放的。 书里明确写「我们不知道谁对」54,两种前景都别当成预测。

16. 可带走的​

  1. 第四范式 = 数据驱动的科学发现;深度学习出现之前,它一直缺一件称手的工具。
  2. 定位一句话:AI 在巨大可能空间里帮你找候选,不替你宣布真理。 方向盘在科学家手里。
  3. 蛋白质折叠难在组合爆炸:折到宇宙下班也试不完所有形状。
  4. CASP 曲线:二十多年 20 多分 → 40–50 分,AlphaFold 两届顶到约 92。 90 分是实验级门槛。
  5. 四件套:亲戚序列、距离表、端到端、注意力。 单看不新,合上规模才质变。
  6. 2 亿个预测结构免费公开——是地图,不是实地勘探。
  7. 药物研发的账:十年、几百万分子、AI 先排除最不可能的几百万辆「没挂牌的车」。
  8. GNoME 一夜把稳定晶体候选清单扩大近一个数量级; 但它叫超级筛沙机,不叫点金手。
  9. AI 天气模型的价值一半在速度一半在普惠: 中小机构从此供得起全球预报。
  10. 几何题的突破是分工: 神经网络猜辅助线,符号引擎验证明——猜测与验证各司其职。
  11. 冰淇淋与溺水:一起变不等于导致。 干预一个,看另一个动不动。
  12. 科学模型的双重及格线:像,且不违反守恒律。 会背公式的骗子连账都算不平。
  13. 双重用途无解可绕: 同一手艺能做药也能做毒,加速器必须自带刹车。

17. 原文地图​

主题原书章原文位置
双诺奖开场第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:8(搜「2024 年 10 月 9 日」)· :13(搜「叙事中心」)
四范式第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:17(搜「第一范式」)· :24(搜「第四范式」)
第四范式缺工具第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:31(搜「还没有起飞」)· :33(搜「天然契合」)
筛选定位与方向盘第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:39(搜「候选答案」)· :43(搜「方向盘」)
蛋白质与锁孔第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:50(搜「消化食物」)· :51(搜「钥匙」)
序列决定结构第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:53(搜「20 种氨基酸」)· :54(搜「折叠后的」)
Levinthal 悖论第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:56(搜「Levinthal」)· :58(搜「中国结」)
测结构几个月到几年第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:60(搜「X 射线晶体学」)· :62(搜「索引」)
CASP 与 GDT第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:67(搜「CASP」)· :69(搜「20 多分」)· :70(搜「挤牙膏」)
AlphaFold 1 与 2第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:72(搜「AlphaFold 1」)· :75(搜「AlphaFold 2」)· :78(搜「突破了」)
2 亿结构地图第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:120(搜「2 亿」)· :121(搜「实地勘探」)
几分钟出结构第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:124(搜「几分钟」)
四条技术核心第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:99(搜「多序列比对」)· :105(搜「成对距离」)· :107(搜「端到端」)· :110(搜「质变」)
AF3 用扩散第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:138(搜「扩散模型」)· :140(搜「画猫」)
停车场找车第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:147(搜「十年左右」)· :149(搜「停车场」)· :150(搜「排除掉」)
三类用法与考场第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:154(搜「分子属性」)· :160(搜「药柜」)· :164(搜「终极考场」)
从头设计与 Foldit第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:173(搜「RFDiffusion」)· :178(搜「新抗体」)· :182(搜「共同作者」)
变异打分 7100 万第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:196(搜「7100 万」)· :198(搜「判决书」)
DNA 不是作文第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:199(搜「海量基因组序列」)· :202(搜「英语作文」)
单细胞体育场第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:213(搜「体育场」)· :214(搜「嗡嗡声」)
果蝇连接组第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:217(搜「连接组」)· :224(搜「14 万个神经元」)· :227(搜「耳机线」)
脑机接口没有魔法第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:230(搜「漂移」)· :232(搜「魔法」)
GNoME 数字第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:239(搜「220 万」)· :240(搜「38 万」)· :242(搜「数量级」)
筛沙机第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:248(搜「藏金」)· :249(搜「黄金」)
催化剂与分子动力学第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:258(搜「Open Catalyst」)· :263(搜「势函数」)
化学的虚拟同事第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:270(搜「RXN」)· :271(搜「虚拟同事」)
数值天气预报的贵第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:277(搜「上千核」)· :277(搜「几小时」)
三大气象模型第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:282(搜「GraphCast」)· :284(搜「40 年」)· :287(搜「很短时间」)
气象经济学第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:289(搜「中小国家」)· :290(搜「装进手机」)
不是考试刷榜第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:281(搜「Aurora」)· :293(搜「台风、暴雨」)
极端天气外推第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:303(搜「外推失败」)· :304(搜「训练集里」)
IMO 25/30第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:312(搜「AlphaGeometry」)· :314(搜「25 题」)
辅助线与分工第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:319(搜「辅助线」)· :322(搜「符号推理」)
银牌与边界第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:325(搜「AlphaProof」)· :328(搜「还远」)
AlphaTensor第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:333(搜「Strassen」)· :339(搜「4 × 5」)· :343(搜「某些环节」)
Lean 与形式化第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:346(搜「Lean」)· :348(搜「陶哲轩」)
冰淇淋与溺水第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:548(搜「冰淇淋」)· :551(搜「干预」)· :546(搜「因果分析」)
可解释性第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:553(搜「为什么」)· :567(搜「开放问题」)
外推失灵第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:574(搜「外推」)· :577(搜「胡说八道」)
守恒律与骗子第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:579(搜「守恒」)· :583(搜「骗子」)
复现与记录员第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:585(搜「随机种子」)· :590(搜「实验记录员」)
科研闭环与驾驶舱第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:409(搜「闭环」)· :454(搜「驾驶舱」)· :457(搜「飞行员」)
机器人实验室第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:459(搜「机器人实验室」)· :462(搜「猜测」)
速度惊人的实习生第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:498(搜「实习生」)· :500(搜「坐标轴看反」)
人机分工句第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:487(搜「该不该做」)· :488(搜「怎么做出来」)
双重用途第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:595(搜「双重用途」)· :600(搜「访问权限」)· :601(搜「刹车」)
AGI 未知第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:608(搜「哲学思考」)· :609(搜「不知道谁对」)
望远镜的结语第13章 AI遇上科学:加速发现的新引擎text/14-ch13-13-ai.txt:613(搜「望远镜」)· :622(搜「还算不算科学」)

Footnotes​

  1. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 8 至 13 段 (text/14-ch13-13-ai.txt:8,搜「诺贝尔化学奖」;:13,搜「叙事中心」)。 ↩

  2. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 16 至 25 段 (text/14-ch13-13-ai.txt:17,搜「第一范式」;:24,搜「Data-Intensive」)。 ↩

  3. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 31 至 33 段 (text/14-ch13-13-ai.txt:32,搜「崛起」;:33,搜「天然契合」)。 ↩

  4. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 38 至 39 段 (text/14-ch13-13-ai.txt:39,搜「候选答案」)。 ↩

  5. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 42 至 43 段 (text/14-ch13-13-ai.txt:43,搜「方向盘」)。 ↩

  6. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 50 至 54 段 (text/14-ch13-13-ai.txt:51,搜「钥匙」;:54,搜「折叠」)。 ↩

  7. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 56 至 59 段 (text/14-ch13-13-ai.txt:56,搜「Levinthal」;:59,搜「Protein Folding Problem」)。 ↩

  8. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 60 至 62 段 (text/14-ch13-13-ai.txt:60,搜「几个月到几年」)。 ↩

  9. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 67 至 71 段 (text/14-ch13-13-ai.txt:69,搜「GDT」;:69,搜「20 多分」;:70,搜「90 分才算」)。 「约 92 分」取自图中标注(text/14-ch13-13-ai.txt:82,搜「92」)。 ↩

  10. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 118 至 121 段 (text/14-ch13-13-ai.txt:120,搜「2 亿」;:121,搜「实地勘探」)。 ↩ ↩2

  11. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 122 至 124 段 (text/14-ch13-13-ai.txt:124,搜「几分钟」)。 ↩

  12. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 98 至 110 段 (text/14-ch13-13-ai.txt:99,搜「多序列比对」;:105,搜「成对距离」;:109,搜「注意力」;:110,搜「质变」)。 ↩ ↩2

  13. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 110 段 (text/14-ch13-13-ai.txt:110,搜「组合起来」)。 ↩

  14. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 138 至 141 段 (text/14-ch13-13-ai.txt:139,搜「连续数据」;:140,搜「画猫」;:135,搜「药理数据」)。 ↩ ↩2

  15. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 147 至 150 段 (text/14-ch13-13-ai.txt:148,搜「几百万个」;:149,搜「停车场」;:150,搜「排除掉」)。 ↩

  16. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 154 至 160 段 (text/14-ch13-13-ai.txt:154,搜「溶解度」;:158,搜「生成式」;:160,搜「药柜」)。 ↩

  17. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 161 至 165 段 (text/14-ch13-13-ai.txt:163,搜「临床试验」;:164,搜「终极考场」)。 ↩ ↩2

  18. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 172 至 179 段 (text/14-ch13-13-ai.txt:173,搜「RFDiffusion」;:178,搜「生物传感器」)。 ↩

  19. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 180 至 184 段 (text/14-ch13-13-ai.txt:181,搜「Foldit」;:182,搜「共同作者」)。 ↩

  20. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 188 至 190 段 (text/14-ch13-13-ai.txt:189,搜「不止于此」)。 ↩

  21. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 193 至 198 段 (text/14-ch13-13-ai.txt:193,搜「30 亿」;:196,搜「7100 万」;:198,搜「判决书」)。 ↩

  22. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 199 至 202 段 (text/14-ch13-13-ai.txt:199,搜「海量基因组序列」;:202,搜「英语作文」)。 ↩

  23. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 210 至 215 段 (text/14-ch13-13-ai.txt:213,搜「体育场」;:214,搜「免疫细胞」)。 ↩

  24. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 217 至 227 段 (text/14-ch13-13-ai.txt:218,搜「10 万个神经元」;:224,搜「5000 多万」;:226,搜「耳机线」按原文实为「缠到崩溃」处)。 ↩

  25. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 228 至 232 段 (text/14-ch13-13-ai.txt:229,搜「机械臂」;:231,搜「魔法」)。 ↩

  26. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 238 至 242 段 (text/14-ch13-13-ai.txt:239,搜「220 万」;:240,搜「38 万」;:242,搜「数量级」)。 ↩

  27. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 247 至 249 段 (text/14-ch13-13-ai.txt:248,搜「藏金」;:249,搜「黄金」)。 ↩

  28. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 255 至 264 段 (text/14-ch13-13-ai.txt:256,搜「催化剂」;:259,搜「Open Catalyst」;:263,搜「DeepMD」)。 ↩

  29. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 267 至 272 段 (text/14-ch13-13-ai.txt:267,搜「逆合成」;:271,搜「虚拟同事」)。 ↩

  30. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 275 至 277 段 (text/14-ch13-13-ai.txt:276,搜「Numerical Weather」;:277,搜「上千核」)。 ↩

  31. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 281 至 287 段 (text/14-ch13-13-ai.txt:282,搜「GraphCast」;:287,搜「准确度」)。 ↩

  32. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 288 至 290 段 (text/14-ch13-13-ai.txt:289,搜「中小国家」)。 ↩

  33. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 291 至 293 段 (text/14-ch13-13-ai.txt:292,搜「统一框架」;:293,搜「考官」)。 ↩ ↩2

  34. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 301 至 304 段 (text/14-ch13-13-ai.txt:303,搜「极端事件」;:304,搜「训练集」)。 ↩

  35. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 312 至 314 段 (text/14-ch13-13-ai.txt:313,搜「30 题中的 25 题」;:314,搜「金牌」)。 ↩

  36. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 319 至 324 段 (text/14-ch13-13-ai.txt:320,搜「辅助线」;:322,搜「符号推理」;:323,搜「严格验证」)。 ↩

  37. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 325 至 328 段 (text/14-ch13-13-ai.txt:326,搜「银牌」;:328,搜「研究计划」)。 ↩ ↩2

  38. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 331 至 340 段 (text/14-ch13-13-ai.txt:333,搜「Strassen」;:339,搜「更少乘法次数」)。 ↩

  39. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 341 至 343 段 (text/14-ch13-13-ai.txt:342,搜「深刻新定理」;:343,搜「某些环节」)。 ↩

  40. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 346 至 350 段 (text/14-ch13-13-ai.txt:345,搜「Lean」;:350,搜「发展很快」)。 ↩

  41. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 548 至 552 段 (text/14-ch13-13-ai.txt:548,搜「冰淇淋销量」;:551,搜「干预」)。 ↩

  42. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 551 至 552 段 (text/14-ch13-13-ai.txt:552,搜「会不会改变」)。 ↩

  43. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 545 至 547 段 (text/14-ch13-13-ai.txt:545,搜「因果分析」;:547,搜「怀疑」)。 ↩

  44. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 553 至 583 段 (text/14-ch13-13-ai.txt:554,搜「黑箱」;:579,搜「守恒」;:583,搜「骗子」)。 ↩

  45. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 568 至 577 段 (text/14-ch13-13-ai.txt:569,搜「偏差」;:576,搜「外推」;:577,搜「胡说八道」)。 ↩

  46. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 578 至 583 段 (text/14-ch13-13-ai.txt:580,搜「硬规则」;:581,搜「物理约束」)。 ↩

  47. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 409 至 412 段 (text/14-ch13-13-ai.txt:425,搜「硬证据」;:412,搜「涡轮增压器」)。 ↩

  48. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 444 至 458 段 (text/14-ch13-13-ai.txt:448,搜「AI Co-Scientist」;:454,搜「驾驶舱」)。 ↩

  49. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 459 至 463 段 (text/14-ch13-13-ai.txt:461,搜「mobile robot chemist」;:462,搜「实验闭环」)。 ↩

  50. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 494 至 500 段 (text/14-ch13-13-ai.txt:498,搜「实习生」;:500,搜「原始数据」)。 ↩

  51. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 485 至 488 段 (text/14-ch13-13-ai.txt:487,搜「该不该做」;:488,搜「怎么做出来」)。 ↩

  52. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 595 至 598 段 (text/14-ch13-13-ai.txt:595,搜「双重用途」;:598,搜「危险物质」)。 ↩

  53. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 599 至 601 段 (text/14-ch13-13-ai.txt:600,搜「伦理边界」;:601,搜「刹车」)。 ↩

  54. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 602 至 610 段 (text/14-ch13-13-ai.txt:606,搜「价值判断」;:609,搜「不知道谁对」)。 ↩ ↩2

  55. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 358 至 367 与 391 至 398 段 (text/14-ch13-13-ai.txt:358,搜「引力波」;:364,搜「Kepler-90i」;:392,搜「托卡马克」)。 ↩

  56. 出处:「第13章 AI遇上科学:加速发现的新引擎」第 466 至 468 与 536 至 539 段 (text/14-ch13-13-ai.txt:466,搜「署名」;:538,搜「归属」)。 ↩