在人工智能(AI)以令人生畏的速度改变我们生活各个方面的同时,科学技术领域的变化也不例外。AI共同研究者在研究工作中扮演着越来越大的角色。AI共同研究者不只是替代人的机器人科学家。在研究的常规流程——定义问题、为解决问题提出假设、研究设计、实验、解释、验证假设,以及反复循环这些步骤——中,它扮演与人一同提升研究速度与精度的同伴角色。AI共同研究者的核心能力可归纳为两点:将巨大基础模型按领域数据进行调整、以少量样本也能实现泛化的能力;以及把实验自动化与主动学习整合起来的自主研究循环系统。未来随着AI技术发展,预计还能整合更强的能力。
在定义某个问题后建立假设时,从海量信息中快速提取依据明确的假设极为重要。随着可以对论文、专利以及自有实验结果与信息运用“检索增强生成技术”,建立更准确、基于事实的假设成为可能。若由人逐一查找完成,不仅效率极低,甚至根本谈不上研究竞争力。在实验设计中,也可将热力学、物质与能量平衡及守恒定律、所需工艺约束等,作为损失函数或搜索约束条件注入,使模型无法违反物理化学规律。
通过这种方式,AI共同研究者已在分子设计、生物领域的蛋白质结构设计及新药开发等方面发挥重要作用。在实际实验中,它也可与生物铸造厂式的液体处理设备、传感器及分析仪等机器人自动化系统相连,实现超高速执行。对这些结果的评价与控制,由人类研究者参与并作出判断十分重要。当然,也可以让AI共同研究者基于结果提出下一步实验,甚至不止于建议,而是自动反复直至达成目标。此时需要结果管理的标准,并且把模型作出判断的依据自动记录到电子研究笔记中以便日后再现,也很重要。
例如材料与催化剂领域,通过生成模型与高速合成、表征设备的结合,可大幅缩短发现新材料与新催化剂的时间。在笔者所研究的生物领域,从制造具备所需功能的蛋白质,到设计用于生产某种有用化合物的代谢途径这类复杂问题,都能高效求解。在实际细胞培养中,也可通过数据采集与AI分析预测底物浓度变化、氧传递及放热等,用于培养优化。随着上述AI技术迅速发展,由AI共同研究者发挥主导作用的自主实验室也已出现并快速扩散。在自主实验室中,自动化设计与实验规划、机器人系统自动执行、在线分析、主动学习这四个阶段一天24小时、一年365天毫无怨言地运转。
这一过程中需要注意的是,大规模语言模型可能把相关误判为因果,并输出看似合理的虚构内容。因此在实验设计时运用规范的检索增强生成技术并进行优化十分重要,同时必须彻底检视伦理问题、知识产权、数据偏见问题乃至能源成本。在所有这些过程中,最重要的是人的提问决定成败。好的提示词能同时包含需求与约束、成功标准与失败标准,从而获得好的答案。
总之,AI共同研究者能够基于人难以想象的庞大信息与数据实现假设、设计与实验设计,也使过去不可能的分析成为可能。要成为优秀的AI共同研究者,好的基础模型固然重要,但只有当共同研究的人类研究者提问敏锐、假设广泛,并把设计做到失败时也耗费较少时间与成本时,效果才能最大化。人类研究者与AI共同研究者的协作,在具备科技竞争力方面已不再是选择,而是必需。






