心智 | 科學探索也能被機器取代嗎？

弗朗西斯·培根 洞悉了這樣一個事實：科學發現的過程本質上是演算法。

「志在學習真理的人，在研讀科學家的著作時，當如入敵陣，發起全面的詰攻。為了不當刻薄者，也不當老好人，審視書本時，他應時刻保持自省。」

——海什木（Ibn al-Haytham）(公元 965 - 1040 年）

01

科學正陷入數據危機之中。2016年，生物醫學領域發布了一百二十多萬篇新論文，經過同行審議的生物醫學論文總數也超過2600萬。但平均而言，一個科學家每年能讀完的只有大概250篇。科研論文的質量已經在下降了。最近有很多研究表明，其中大部分生物醫學論文的結論都無法復現（譯者註：一般而言成功的科學實驗是可以重複的，不同的實驗者在前提一致，操作步驟一致的情況下，能夠得到相同的結果）。

數據太多，質量太低——這兩個問題源於人腦有限的處理能力。科學家構建假說所依賴的知識越來越片面和局限，他們不是提出越來越多錯誤的問題，就是在問許多已經被解決的問題。人們的創造行為日益變成過去經驗的隨機組合，以致於只有具備特定經驗的科學家，才能注意到別人忽視的事件。雖然一直以來，運氣都在科學發現中佔有一席之地，但目前它所佔的比例實在太高了。

對科學探索而言，有一種方式能夠克服當前的危機：將計算機與人工智慧結合。比之人腦，計算機的存儲能力和計算能力都更強。科學的自動化將極大加速科學發展的速度，甚至會帶來一場新的科學革命。但這背後隱藏著一個更大的問題：科學發現真的能被自動化嗎？

我相信這是可能的，17世紀英國哲學家和科學先驅——弗朗西斯·培根，早就在他的作品裡回答了這個問題。

早在培根之前的幾個世紀，以海什木（Ibn al-Haytham）為代表的穆斯林思想家們，就論述過這種強調經驗主義和實驗方法的科學觀。然而是培根將其正式確定，並使之成為一種學說的。

在他的《新工具》（Novum Organum）中，他提出了科學發現的模式，即所謂培根方法（Baconian method）。他反對在構建科學理論時使用三段論，這種方法在他看來並不可靠。反之，他提出對現象要系統、周密地觀察，並以歸納法進行客觀分析，以產生可推廣的結論。在他看來，只有排除不完全的前提假設，才能發現真理。

培根方法將構建科學基礎和完善科學理論的過程分別勾勒，以去除觀察和概念構建過程中的邏輯偏見。他的想法是，讓觀察者大量搜集關於自然現象的信息，並將其歸為一個統一架構，以便歸納分析。在《新工具》中，他寫到：「經驗主義者像螞蟻，不斷囤積（知識)，不斷使用。而理性主義者像蜘蛛，不斷編織（理論）。但最好是做蜜蜂，取二者之間，歸納整理現有材料並拿來使用。」

因為費時費力，培根方法現今很少被使用，它的技術應用也不太明朗。然而在當時，這種想法極富革命性。因為在此之前，科學研究是形而上學，屬於出身貴族的少數學者的特權。但培根拒絕了古希臘思想的權威，他描繪了科學發現的步驟，他的藍圖使得任何背景的人都有可能成為科學家。

培根的洞察也揭示了一個潛在事實：科學發現的過程本質上是演算法——重複執行有限步驟，直到發現有價值的結論。培根明確使用了「機械化(machine)」 這個詞來描述他的想法。他的科學發現演算法有三個組成部分：

a.所有搜集到的觀察要統一在一個知識體（corpus of knowledge）里；

b.新的觀察可以產生新的假說；

c.所有假說需要通過精心設計的實驗驗證。

02

如果科學本質是演算法，那麼它一定有被自動化的可能。這個「幻夢」困擾了計算機專家數十年，主要是因為科學發現涉及三個層面：感官觀察現象，心智構建假說，機械化地實驗。而科學自動化需要嵌入每個層面，並使得三者互相對接而不產生摩擦。目前還沒有演算法能結合這三個方面。

不過，實驗層面最近進展顯著。比如，製藥業通常使用自動化高吞吐量平台進行藥物設計。加州的初創企業 Transcriptic 和 Emerald Cloud Lab 建立的系統，能自動完成生物醫學專家要做的大多數體力活。科學家上傳實驗方案，實驗方案隨即被轉化為代碼，輸入機器人平台，以進行一系列生物學實驗操作。這些解決方案尤其適用於那些需要進行密集實驗的學科，比如分子生物學和化學工程。類似方法同樣可應用在其他重數據的領域，甚至能拓展到理論研究中。

另一方面，自動構造假說則相對落後，但 Don Swanson 在上世紀八十年代的工作取得了一些突破。他證明了某些不相關的科學思想間有潛在的關聯，通過用簡單的邏輯演繹，他能將來自不同領域且互不交叉的文章聯繫起來。比如，無需經過任何實驗，或者必須精通哪個領域，他就能預判瘦身魚油和雷諾氏綜合征（Reynaud』s Syndrome）之間存在某種聯繫。

最近的一些研究，比如 Andrey Rzhetsky 在芝加哥大學的工作和 Albert-László Barabási 在東北大學（Northeastern U）的工作，他們在數學模型和圖論的基礎上，將已有知識資料庫映射為一個網路，節點代表概念，聯接代表概念間的關係。這樣，未知的聯接節點可能代表新的假說。

科學自動化里的最大難題在於，如何大規模搜集可靠的科學觀察。目前在觀測層面上，還沒有一個統一的資料庫儲存著人類的所有科學知識。儘管自然語言處理技術已經大大發展，不僅能夠挖掘科研論文之間的關係，還能獲取它們的背景資料。但幾家主要科學出版商對挖掘他們的出版物文本有嚴格限制。更大的問題是，論文不但總會被科學家自身的偏見（或概念誤用）所影響，也包含了大量複合概念與方法論，難以被提取和量化。

雖然困難重重，但最近計算科學和網路資料庫的發展，讓培根方法有史以來第一次變得實用。即使科學發現不能完全自動化，一旦還原論的使用達到極限，培根方法也會變得重要起來。

在這個數據量愈發龐大的時代，人類心智無法重建極其複雜的自然現象。現代的培根方法結合了還原論和數據挖掘技術，並通過基於歸納的計算模型來分析信息，使得我們對自然界的理解能夠得到提升。這種方法能自動地產生一些很有前景的假說並進行驗證，以此來加速我們的知識迭代。

它也提供了一個科學探索應有的模樣：追尋真理，不畏權威，崇尚自由。

作者：Ahmed Alkhateeb

哈佛大學醫學院的一名癌症分子生物學家，致力於開發能夠改進醫藥學科研究效率的分析平台。

文章首圖/尾圖：Edward Hopper

文章來源：aeon

翻譯： 華夏

文字編輯：於翮 子川

版式設計：童畫 姜如月

插圖編輯：付安琪

校對：付安琪 武權

歡迎打賞譯者～

wxp://f2f0-0V5cSASSAq0Y-h9KQZ9GBiACqLABP46 (二維碼自動識別)