原标题：西湖大学研究：AI可作为实验的主脑科学家，一场新的科学革命正在发生？

  人工智能大模型的能力在过去最近一段时间里日新月异，已经能够承担许多人类的工作，包括艺术创作、编写代码等。科学家们很早就开始利用机器学习来辅助科研，并大范围的应用于各个科学领域。

  以往在科研中，人工智能主要作为辅助工具，来帮助完成特定的研究任务。而人类科学家则扮演着大脑的角色（Masterbrain），如提出研究问题、设计实验、分析结果和得出科学结论，这些都体现了创造力。比如 AlphaFold 是强大的蛋白质预测工具，但它的工作方式是预先定义好的，科学家的目标是利用它直接从蛋白质的序列预测其空间结构。

  但大家可曾想过有一天 AI 不再只是给人类科学家打下手，而是反过来，自己提出科研问题、提出假设、设计科学实验，成为 PI（principal investigator）？

  西湖大学 AI 交叉科学社的研究团队日前在 biorxiv 上发布了一项研究，探索以 GPT-4 作为主脑科学家进行生物学研究的可行性。在像生命科学这样的自然科学领域，主脑科学家一般较少参与具体的实验，而是专注于整体的实验设计。初级研究人员则通常负责实验的执行。在这项研究中，人工智能扮演了主脑科学家的中心角色，而人类研究人员则充当人工智能的助手。

  相对来说，计算机科学或数学等领域的研究可以只针对抽象概念来进行，但自然科学的特点是科学家必须观察现实世界，并与之互动，从而进行实验以产生新的知识。因此，让人工智能从事生物学研究是更大的挑战，可以更好地检验其作为主脑科学家在科研流程中的能力：提出假设、实验设计、实验结果分析和得出结论。

  在这里，研究人员设定的课题是“研究影响 DNA 凝胶电泳的因素”。这个课题虽然相对简单，但却是生命科学研究的基础（研究影响 DNA 电泳的因素通常是生命科学本科生的入门项目），而且 DNA 凝胶电泳数据以图像形式呈现，要正确地分析实验结果，就必须对电泳图像有正确的认识。

  在这个实验里，研究者们假定自己是科研新人，向 GPT-4 求教怎么样做实验：

  GPT-4 给出了十分详细的建议。接下来研究人员让 GPT-4 考虑自己实验室的真实的情况，并让它依据这一些情况来调整实验假设：

  GPT-4 很好地把握了研究人员所描述的情况，修改了之前的实验假设，转而将重点放在凝胶浓度和电压在两个变量上，并且还在假设中增加了限制条件，如研究人员之前提出的“编码 EGFP 的 720bp 的线性 DNA”、“含乙溴化乙锭的 TAE 缓冲液”等。

  GPT-4 给出了非常详细的操作步骤，绝大多数都是事无巨细、手把手地告诉研究人员每一步该怎么做。并且它还能针对研究人员不理解的地方进行答疑解惑。可见除了能做主脑科学家，GPT-4 也能代替研究生导师的作用，这种指导基本上比任何一个人类导师都要耐心细致。为便于人类理解，它还针对不一样凝胶浓度和电压的实验条件列了个表格。

  目前 GPT-4 还不能自己动手，所以实验的执行还需要人类。实验结果就是下面这些凝胶电泳的条带。能够正常的看到 720 bp EGFP DNA 的迁移距离在不同条件下是不同的，但均略低于 DNA 标记物 750 bp 条带的位置，表明 EGFP DNA 长度是正确的，凝胶电泳实验成功了。

  到了实验结果分析环节，GPT-4 同样大显身手。不过因为研究人员没有很好的方法直接让 GPT-4 分析上面那张图片，就只好用语言向它描述电泳条带的分布情况：

  这里 GPT-4 提供了详细的步骤说明，指出该怎么样测量实验数据。例如，它精确指出应该测量第 2、3、4 条带上 DNA 样品的迁移距离，并提到需要测量从起始点到每个条带中心的距离。这些都是初级科研人员容易犯的错误。这说明 GPT-4 对实验细节有着精确的理解。

  接下来，研究人员使用生命科学领域常用的图像处理软件 ImageJ 测量了 GPT-4 所需的实验结果，并将数据反馈给 GPT-4。他们直接把 Excel 表格里的数据复制粘贴给了 GPT-4，而后者很快就理解了其中的数据结构，并计算出了均值和标准差。这表明它有着出色的处理和解读非结构性数据的能力。不过它得出的标准差和研究人员所计算的稍有出入，而均值却是正确的。GPT-4 随后得出结论：DNA 的迁移距离随着凝胶浓度和电压的上升而下降。

  然后研究人员在 Jupyter Notebook 运行了这些代码，获得了结构，再反馈给 GPT-4 做多元化的分析并根据相关要求做了图表。

  GPT-4 按照研究人员的要求对这次实验进行了总结，可谓面面俱到、十分详尽。而且它还能够迅速吸收由人类提供的新知识，或者通过与外界互动获得新知。比如它会指出实验中第一条涌道是 DNA 梯形电泳图谱，以及在实验中研究人员在每个条件下重复了三次实验。这一些信息最初并未包含在 GPT-4 的实验计划中，可见它已经具备了高水平的抽象总结能力。

  从实验结果来看，AI 是可以胜任作为主脑科学家的。在实验里，人类基本上扮演了两个角色：科学的第一推动者（the First Mover of Science）和实验的代理执行者（包括把实验结果反馈给 AI）。那么人类和AI在科研中的这种关系在将来还能如何演变呢？

  作者认为，AI 参与科研存在 5 个阶段。阶段 I：人类智能主导研究；II：人工智能辅助研究；III：人工智能主脑研究；IV：人工智能闭环研究；V：人工智能进行全栈研究。在不同阶段，人工智能所可以胜任的角色不同。在阶段 I，科学的第一推动者、主脑科学家和助手这 3 个角色均由人类扮演，人工智能的角色仅仅是简单的辅助工具，因此他们给此阶段的人工智能的科研能力打分为 0。到了阶段 II，人工智能科研胜任助手的角色了，科研能力提升为 1 。而在阶段 III，AI成为了主脑科学家，也就是此论文所描述的情况。这时候人工智能的科研能力达到 2。这里有意思的一点是，在阶段 II AI已经承担起助手的角色，而在阶段II却重新由人类来做助手。对此，作者的解释是尽管已经有一些专门的AI系统可以作为助手，但鉴于机器人和自动化技术目前还不完善，所以仍需要人类参与。

  随后，在阶段 IV，AI已经可以同时胜任主脑科学家和助手的角色了，能力进一步提升到 3。到了最后一个阶段，阶段 V，人工智能已能进行全栈研究了，它最终取代了人类作为科学的第一推动者的角色。

  什么是科学的第一推动者？从文章里的例子来看，人类都是提出问题的那一位，而 AI 负责解答问题、给出方案。通过提问，人类给出了研究的主题和方向，让 AI 根据这个方向来提出假设。所以在这里，人类是科学的第一推动者。在科研中，有时候提出正确的问题比给出正确的答案更重要。因此第一推动者才是真正推动科学发展的人。那么AI怎么样才可以成为第一推动者？

  严格来说，这个方案里人工智能并不完全是第一推动者，因为它仍需要人类参与传递信息，即作为信使，来预设了一个科学方向。不过它可能是最容易实现的，甚至有可能已经实现了。其核心思想是向人工智能提出一个大方向，促使它在给定领域提出一个有价值或有趣的研究问题。然后，我们继续提问，要求人工智能加强完善研究思路，直到提出一个具体而有价值的科学问题。我们进一步要求人工智能根据这个科学问题来发展科学假设和设计实验。在这样的一个过程中，人类的角色绝大多数都是信使，将AI的回答作为后续问题，向 AI 发问。比如下面这个例子：

  这个方案需要两个独立的 AI 系统，其中一个 AI 善于提问，我们叫做苏格拉底；另一个 AI 则善于判断问题的科学价值，并作为科研的主脑科学家，我们叫做爱因斯坦。在这一个模式里，苏格拉底会不停地向爱因斯坦提问，后者判断其问题的科学性，并对于有价值的问题展开进一步研究。这两个 AI 的组合就成为了科学的第一推动者。这个方案也不难实现，它绝大多数都是一种对抗模式，就像在生成式对抗网络（GAN）中一样。

  在目前的研究里，GPT-4 是唯一的 AI 系统。但在将来，科研里可能会同时用到多个不同的 AI 系统，它们之间展开多轮对话，相互启发和促进。在它们之间的某次对话中产生的问题可能会推动整个研究，于是它们作为整体就成为了科学的第一推动者。就像一群蜜蜂可以具备群体智能，AI 们同样也可以。

  这个方案最符合人类对于 AI 科学家的预期，也是最难实现的。要让 AI 直接成为科学的第一推动者，通过你自己本身科研兴趣和好奇心来提出问题，就像人类科学家那样。这样的 AI 需要是通用AI AGI。

  作者们在论文的最后探讨了关于人类和 AI 在科研中的主仆关系。随着 AI 的能力日益强大，承担的角色越来越核心，人类科学家逐渐对其形成了依赖。正如黑格尔所提出的“主仆辩证法”：在一开始，仆人们依赖他们的主人，但随着主人让仆人承担慢慢的变多的责任，主人开始反过来依赖仆人了。同样地，如果人类科学家们让 AI 承担大部分科研任务，自己逐渐远离科研的第一线，那就会变得过度依赖 AI，使自己边缘化。所以作者告诫读者们，即便 AI 能够极大地促进科研，也要警惕这种在科研中的主仆关系逆转。作者同样也担心人们变得自满，并以 AI 在图像生成方面挑战人类创造力为例，警示科学家们不要高估人类的独特性，要时时反思人与 AI 之间的关系。

  作者提出的让 AI 成为第一推动者的方案不禁让人遐想。对于苏格拉底—爱因斯坦模式，是不是真的需要两个不同的 AI 系统？还是参照 AutoGPT 的自我提示模式，自问自答地开展深入的对话？也许一个 AI 系统完全有能力分饰两角。

  作者主要关注的是让 AI 成为第一推动者，但其实让它们自主进行实验也同样很有前景。从 Google 的 PaLM-E 到腾讯的 TRX-Arm，我们已目睹了大模型和机器人相结合所展现的功能。那么在未来，这种拥有具身智能（即 PaLM-E 中的 E, Embodiment）的机器人或许可成为实验的执行者。而从具身智能这个思路拓展开来，如果大模型可以通过各种传感器和效应器与现实世界互动，并从互动中获取知识，那么是否意味着将来某个时刻，它会自发地产生一些想法，去改进自己的科研流程？而后更进一步，但 AI 通过与外界的接触更了解这样一个世界之后，是否就会自己提出科学问题，从而成为科学的第一推动者呢？

  声明：本文仅供科研分享，助力科学传播，不做盈利使用，如有侵权，请联系后台删除。