終極理論迷思：

AI成為萬物解釋者

一種根深蒂固的傲慢（Hubris），始終侵染著人類科技發(fā)展的每一個時代。這種傲慢通?；頌槟承﹤€人或機構(gòu)的盲目自信：他們堅信，歷經(jīng)數(shù)千年的人類文化積淀與數(shù)十億年的生物演化，我們終于揭開了現(xiàn)實的全部奧秘。我們正站在那個全知全能的懸崖邊緣，準(zhǔn)備解釋一切。

這種自信的最新化身，是AI取代科學(xué)家成為萬物解釋者。人們至少承認了一個事實：憑借人類有限的記憶與信息處理能力，我們永遠無法真正窮盡真理。然而，這種看似謙遜的新姿態(tài)背后，卻潛藏著另一個假設(shè)：我們是唯一優(yōu)越的生物物種，能夠創(chuàng)造出那種終將窮盡真理的技術(shù)。

Google DeepMind 開發(fā)的AlphaFold，代表了AI在科學(xué)領(lǐng)域最引以為傲的成就之一?；诔^15萬個實驗確定的蛋白質(zhì)結(jié)構(gòu)進行訓(xùn)練，AlphaFold 3現(xiàn)在可以預(yù)測超過2億種蛋白質(zhì)及其它生物分子的結(jié)構(gòu)。這種規(guī)模此前難以想象。早期的數(shù)學(xué)模型只能預(yù)測蛋白質(zhì)結(jié)構(gòu)的一些特征，但遠不能達到AlphaFold能做的程度。AlphaFold代表的樂觀情緒顯而易見：如果AI能夠在如此規(guī)模上解決蛋白質(zhì)折疊問題，它還有什么做不到的？

于是，有人預(yù)言 AI 將終結(jié)所有疾病，讓科學(xué)家成為歷史的塵埃，甚至認為超級AI將解決所有科學(xué)問題。然而，在許多人眼中，蛋白質(zhì)折疊問題遠未終結(jié)。AlphaFold可以預(yù)測蛋白質(zhì)的三維結(jié)構(gòu)，但它無法解釋其背后的物理機制、折疊路徑或動態(tài)構(gòu)象集合。它在處理由地球生物中常見的20多種氨基酸構(gòu)成的蛋白質(zhì)時表現(xiàn)良好。但要研究隕石材料中，由數(shù)百種氨基酸構(gòu)成的地外蛋白質(zhì)，或設(shè)計新型的治療性蛋白質(zhì)，該模型還需要額外的輸入。這一限制并非源于算法本身或其擴展性，而是源于任務(wù)所需的數(shù)據(jù)根本不存在。

這種張力揭示了科學(xué)本質(zhì)中某種深刻的東西，也解釋了為何科學(xué)難以被精確定義。如果我們把科學(xué)純粹地看作一套科學(xué)方法——觀察、假設(shè)、測試、分析——那么自動化似乎是歷史的必然。AI算法顯然能夠執(zhí)行這些步驟中的大部分甚至全部步驟，并且在科學(xué)家的指導(dǎo)下，日益精進。

但正如哲學(xué)家Paul Feyerabend在《反對方法》中所論證的，所謂普適的科學(xué)方法這一概念本身就是錯誤的。大多數(shù)科學(xué)家僅在撰寫同行評審論文時才祭出這套方法，將其作為一種標(biāo)準(zhǔn)化手段，以確?？芍貜?fù)性。從歷史來看，科學(xué)方法是在發(fā)現(xiàn)之后才被構(gòu)建出來的，而不是在發(fā)現(xiàn)之前。

AI能否取代科學(xué)家，回答這個問題不是看AI能否執(zhí)行科學(xué)方法規(guī)定的觀察、假設(shè)、測試、分析等步驟，而在于科學(xué)生成知識的方式，是否在本質(zhì)上蘊含著某種超越方法論的東西？

科學(xué)是建立在共識基礎(chǔ)上的文化體系

如果科學(xué)知識的生成僅僅關(guān)乎規(guī)模（Scale），那么當(dāng)前的 AI 已經(jīng)為科學(xué)提供了一個平庸的解決方案：僅僅是因為我們擁有更大規(guī)模的模型，科學(xué)就足以更進一步。然而，人們對AI取代科學(xué)家的樂觀情緒不僅僅源于自動化和模型規(guī)模擴大，還源于心智理論。像 ChatGPT、Gemini 和 Claude 這樣的大語言模型已經(jīng)改變了很多人對智能的看法，因為這些算法的設(shè)計使得人們能夠與它們的互動，從表面看起來，就像這些大模型擁有心智。

然而，正如神經(jīng)科學(xué)家Anil Seth敏銳地指出的那樣，AlphaFold依賴于與大模型相同的底層Transformer架構(gòu)，而沒有人會將AlphaFold視為具有意識的存在。我們是否應(yīng)該認為，像Transformer這樣一個算法，一旦部署在硅芯片上，就會以與我們完全相同的方式理解世界，并用我們的語言與我們進行如此有效的交流，以至于能夠描述我們所理解的世界？或者，我們是否應(yīng)該相信，在智能經(jīng)歷了數(shù)十億年的演化之后，只需要幾十年甚至更短的時間尺度，我們就能自己的預(yù)測性和動態(tài)表征地圖編碼在硅基芯片中，這真的比我們想象的還要容易嗎？

考慮你的大腦是如何構(gòu)建你對現(xiàn)實的獨特認知的。每個人的大腦中都能夠生成完整的內(nèi)在世界。對于其他任何實體——無論是有機生物還是無機物——我們都無法抱有同樣的確定性。你的感覺器官將物理刺激轉(zhuǎn)化為電信號。在視覺中，感光細胞對光線做出反應(yīng)，并將信號沿視神經(jīng)傳遞。你的大腦在專門的區(qū)域處理這些信號，分別檢測邊緣、運動和顏色對比，然后將這些分散的感知綁定成一個統(tǒng)一稱為知覺（percept）的意識對象，從而形成你對世界的有意識體驗。

分布式神經(jīng)活動如何產(chǎn)生單一、連貫的意識，這一問題被稱為綁定問題（Binding Problem）。與“意識的難問題”不同，綁定問題是關(guān)于我們內(nèi)在體驗背后的一個開放性問題，我們對它已有一定的科學(xué)見解：同步的神經(jīng)活動和注意力機制協(xié)調(diào)不同腦區(qū)的信息，構(gòu)建你對世界的獨特心智模型。這個模型就是你對現(xiàn)實的全部有意識理解。

我們每個人，都是自己這個心智模型中的居民。我們每個人的有意識的經(jīng)驗，實際上都存在于這樣一個對世界的真實物理表征中，這種體驗在科學(xué)上解釋起來并不簡單（甚至有人認為可能無法解釋）。

科學(xué)共同體也面臨著類似綁定問題的認知困境。正如個體心智通過收集感官數(shù)據(jù)來構(gòu)建對世界的模型一樣，科學(xué)團體也通過所謂的“感知技術(shù)”來實現(xiàn)這一目標(biāo)，這一概念由Berggruen研究所“未來人類”項目主任 Claire Isabel Webb所提出。曾經(jīng)的感知技術(shù)，例如望遠鏡揭示宇宙的深處，放射測年技術(shù)揭示地質(zhì)年代，顯微鏡展示亞原子結(jié)構(gòu)，而如今的感知技術(shù)--“AI”則在海量數(shù)據(jù)中發(fā)現(xiàn)模式。

丹麥天文學(xué)家第谷借助機械鐘和精密的角度測量儀器進行的精確天文觀測，為德國天文學(xué)家開普勒提供了實證數(shù)據(jù)，后者將其轉(zhuǎn)化為橢圓軌道的數(shù)學(xué)模型。哥白尼、第谷、開普勒、伽利略等人的工作開啟了一個跨越時空收集觀測數(shù)據(jù)的社會，而這逐漸促成了一種統(tǒng)一的科學(xué)共識，即對現(xiàn)實的感知，可以一種描述運動和引力的理論加以呈現(xiàn)。

然而在上述科學(xué)共識之中，存在一個本質(zhì)上的離群點，這就是你的主觀體驗，哲學(xué)家稱之為感受質(zhì)（qualia） 的不可還原的私密信息。從某種意義上說，主觀體驗可能是我們宇宙所創(chuàng)造的最私密的信息，因為它與你物理存在中的獨特且親密的特征緊密相連，而這些特征無法在任何其他事物中被復(fù)制。

當(dāng)你看到紅色時，一種特定的體驗便從你的神經(jīng)架構(gòu)中浮現(xiàn)，那是對 620 到 750 納米波長的響應(yīng)。我可以指出某個紅色的事物，你也可以承認你看到的是紅色，但我們永遠無法將那種“紅色的實際體驗”從你的意識傳輸?shù)轿业囊庾R中。我們無法知道彼此是否擁有相同的內(nèi)在體驗。我們能分享的只是描述。

這闡述了科學(xué)與經(jīng)驗的根本區(qū)別。經(jīng)驗本質(zhì)上是主體間性的。如果某種事物只存在于一個頭腦中而無法被分享，它就無法成為科學(xué)知識?？茖W(xué)要求我們驗證彼此的觀察結(jié)果，建立在過去的發(fā)現(xiàn)之上，并在代際之間達成關(guān)于現(xiàn)實的共識。因此，科學(xué)模型必須能夠用符號、數(shù)學(xué)和語言表達，因為它們必須能夠在不同的頭腦之間被復(fù)制和理解。

科學(xué)本質(zhì)上是不穩(wěn)定的，因為它并不是現(xiàn)實的客觀特征；相反，對科學(xué)更準(zhǔn)確的理解是一個不斷演化的文化體系，建立在共識表達的基礎(chǔ)上，并不斷適配我們新產(chǎn)生的知識。

當(dāng)牛頓定義F = ma時，他并不是在分享他對力或加速度的內(nèi)在體驗。他創(chuàng)造的是一個形式化的表達方式，用來描述三個核心抽象概念——力、質(zhì)量、加速度之間的關(guān)系，而這三個概念都是通過標(biāo)準(zhǔn)化逐步發(fā)展而來的。這個公式之所以成為普遍的文化知識，是因為任何頭腦或機器都可以理解和應(yīng)用它，無論它們?nèi)绾卧趦?nèi)部體驗這些概念。

這揭示了科學(xué)知識最基本的問題：我們分享科學(xué)思想的主要接口是符號表征。我們傳遞的是對世界的模型，而不是世界本身?？茖W(xué)哲學(xué)家Nancy Cartwright認為科學(xué)理論是仿象（simulacra ），也就是說，它們是以數(shù)學(xué)和概念形式存在的有用虛構(gòu)，幫助我們組織、預(yù)測和操控現(xiàn)象。理論是一種文化技術(shù)。

當(dāng)我們使用理想氣體定律（PV = nRT）時，我們將氣體建模為互不作用的質(zhì)點。這并不是說真實氣體實際上是完全沒有體積且從不相互作用的點，而僅僅是因為理想氣體定律在許多情況下都是足夠有效的簡化模型。這些簡化的模型很重要，因為它們可以在人腦之間被理解和共享，并且可以在我們的計算設(shè)備之間被復(fù)制。

科學(xué)知識必須可共享，這一要求迫使我們在每個描述層面上都創(chuàng)造仿像?？茖W(xué)的主體間性對理論的構(gòu)建施加了嚴(yán)格的物理限制。我們的科學(xué)模型必須能夠用符號表達，并且能夠在人腦之間被理解。因此，它們本質(zhì)上必然是抽象的，無法完整地反映現(xiàn)實的全部結(jié)構(gòu)。它們永遠無法完全捕捉現(xiàn)實，因為沒有任何人腦具有足夠的信息處理能力和記憶來編碼整個外部世界。甚至在信息處理能力上，社會作為整體也存在局限。

科學(xué)范式是混亂的、社會性的，

并且深刻地受到人類影響

AI也將在信息處理能力上有其局限性。

這些局限不僅僅體現(xiàn)在可用的計算能力上。當(dāng)需要更多的數(shù)據(jù)處理基礎(chǔ)設(shè)施，以支持AI以規(guī)模效應(yīng)擴展時，這種局限顯得尤為突出。更根本的是，當(dāng)前圍繞AI和通用AI所進行的樂觀甚至有些自大的討論，暗示這些算法在理解與解釋世界的能力上將“超越人類”，突破一些人認為由人類生物學(xué)所設(shè)定的智能上限。

但這與計算理論的基本原理以及這些技術(shù)直接源自的人類抽象傳統(tǒng)相矛盾。正如物理學(xué)家David Deutsch 所寫，如果宇宙確實是可以解釋的，那么人類已經(jīng)是“通用解釋者”，因為我們能夠理解任何計算系統(tǒng)所能理解的內(nèi)容：從計算能力的角度來看，計算機和大腦具有等效的通用性。

計算機科學(xué)中的其他基礎(chǔ)定理，例如物理學(xué)家David Wolpert和William Macready提出的“沒有免費午餐”定理，表明當(dāng)在所有可能的問題上取平均性能時，沒有任何優(yōu)化算法（包括機器學(xué)習(xí)算法）會比其他算法在所有情況下都更優(yōu)。換句話說，如果一個算法在某一類問題上表現(xiàn)非常出色，必然導(dǎo)致它在其他問題上的表現(xiàn)低于平均水平。

物理世界并不包含所有可能的問題，但其中包含的問題結(jié)構(gòu)會隨著生物和科技的演化而變化。正如沒有個體能夠理解所有人類所知或?qū)硭囊磺校膊淮嬖谝环N算法（無論是 AGI 還是其他類型）能夠永遠優(yōu)于所有其他算法。

更根本來看，通用計算的可能性源于一個根本性的限制；通用計算機只能描述可計算的事物，卻永遠無法描述不可計算的事物——這一限制是任何我們構(gòu)建的計算機所固有的。這種限制對于單個人類的思維并不適用，只適用于我們通過語言所共享的內(nèi)容，而這些內(nèi)容正是我們生成新社會知識的關(guān)鍵。

科學(xué)革命往往發(fā)生在我們的共同表征地圖崩潰之時；也就是說，當(dāng)現(xiàn)有概念無法解釋我們新遇到的現(xiàn)象，或無法解釋我們試圖理解的舊現(xiàn)象時。此時，我們必須發(fā)明新的語義表征，來捕捉舊框架無法涵蓋的規(guī)律。在這些時刻，特立獨行在知識創(chuàng)造中起著至關(guān)重要的作用。

以從自然神學(xué)向演化論的轉(zhuǎn)變?yōu)槔Ｅf的范式假設(shè)生物是由創(chuàng)造者設(shè)計的，物種是固定的，地球很年輕。隨著我們學(xué)會通過碳測定、系統(tǒng)發(fā)育學(xué)以及觀察物種在選擇育種和滅絕過程中的變化，我們得以閱讀更深層的歷史，但我們也意識到，我們從未見證過在生命從無生命中自發(fā)形成。

更深層的歷史記憶迫使新的描述不斷涌現(xiàn)。演化論和地質(zhì)學(xué)揭示了深時間（Deep Time）的概念，天文學(xué)引入了深空間（Deep Space）的概念，而現(xiàn)在，正如歷史學(xué)家Thomas Moynihan所指出的，我們正進入一個揭示宇宙無限可能性的新時代。我們的世界并不會突然改變或變老，但我們的理解卻在不斷更新。我們不斷發(fā)現(xiàn)自己需要創(chuàng)造全新的詞匯和概念，以反映在探索世界過程中所發(fā)現(xiàn)的新意義。

科學(xué)哲學(xué)家托馬斯·庫恩將這些轉(zhuǎn)變識別為范式轉(zhuǎn)移，他指出突如其來的變化期迫使科學(xué)家重新思考我們?nèi)绾慰创约旱念I(lǐng)域，提出哪些問題，使用哪些方法，以及我們所認為的合法知識是什么。隨之涌現(xiàn)的，是描述世界的全新表征，常常包括我們以為已經(jīng)理解的日常物體的全新描述。

科學(xué)，正如庫恩所見，是混亂的、社會性的，并且深刻地受到人類影響。在在這個我們擔(dān)憂技術(shù)創(chuàng)造與自身對齊的時代，科學(xué)面臨的范式轉(zhuǎn)變，最恰當(dāng)?shù)拿枋龌蛟S是如何與社會認知得到的表征對齊，我們必須找到新的方式，使我們的表征與那個在數(shù)千年文化演進中向我們呈現(xiàn)的、不斷變化的現(xiàn)實結(jié)構(gòu)保持同步。

范式轉(zhuǎn)變揭示了科學(xué)思維的力量并不在于理論的字面真理，而在于我們識別描述世界的新方式的能力，以及我們所描述的結(jié)構(gòu)如何在不同的表征體系中持續(xù)存在。科學(xué)文化有助于區(qū)分那些接近因果機制（有時稱為客觀現(xiàn)實）的仿象，以及那些引導(dǎo)我們誤入歧途的仿象，尤其是在我們發(fā)現(xiàn)現(xiàn)實的新特征需要構(gòu)建新的描述方式。例如，當(dāng)現(xiàn)有的理論框架無法捕捉重要的現(xiàn)實特征時，當(dāng)我們能夠識別模式卻無法加以表述時，科學(xué)方法將促使新的框架和表征地圖必然出現(xiàn)。

愛因斯坦發(fā)展廣義相對論就體現(xiàn)了這一點。在他意識到物理學(xué)需要超越狹義相對論中的線性洛倫茲變換，到最終抵達廣義相對論，中間隔了整整七年。在他自己的反思中，他提到這背后的困難在于“很難將自己從‘坐標(biāo)必須具有直接度量意義’這一觀念中解放出來”。被當(dāng)作模型強加的數(shù)學(xué)結(jié)構(gòu)未能捕捉到意義：它們?nèi)鄙倭藧垡蛩固怪庇X認為必須存在的特性（時空連續(xù)性）。一旦他將這種直覺編碼成數(shù)學(xué)形式，它便成為了主體間性的知識，能夠在不同的心智之間共享與流傳。

科學(xué)思想源于共識性解讀

這便引出了為何 AI 無法取代人類科學(xué)家的核心原因。科學(xué)界關(guān)于語言和表征的爭議與辯論，并非系統(tǒng)的漏洞，而是社會體系決定其渴望何種模型的特性。因為我們的描述性語言，從字面意義上結(jié)構(gòu)化了我們體驗世界和與世界互動的方式，進而塑造了我們后代所繼承的現(xiàn)實。

AI無疑將在“常態(tài)科學(xué)”中發(fā)揮重要作用。常態(tài)科學(xué)來自庫恩，指在現(xiàn)有范式基礎(chǔ)上進行技術(shù)性精煉的過程。我們的世界正變得越來越復(fù)雜，相應(yīng)地也需要更復(fù)雜的模型。規(guī)模并非我們唯一需要的，但它無疑會有所幫助。

AlphaFold 3的數(shù)十億參數(shù)表明，簡潔的描述和簡單的規(guī)律可能并非科學(xué)的唯一路徑。如果我們希望模型盡可能緊密地映射世界，復(fù)雜性可能是必要的。這與邏輯實證主義者Otto Neurath, Rudolph Carnap以及維也納學(xué)派的觀點相一致：“在科學(xué)中沒有深度，到處都是表面?！?如果我們對一切都有準(zhǔn)確且可預(yù)測的模型，也許就沒有更深層的真理需要揭示。

然而，這種表面觀遺漏了科學(xué)知識創(chuàng)造中一個深刻的特征。我們創(chuàng)造的仿象（Simulacra）會變化，但通過操作符號所揭示的底層模式卻恒久留存，它們無法言說卻獨立于我們的語言而頑強存在。在科學(xué)出現(xiàn)之前，重力的概念對我們的物種來說是未知的，盡管在整個人類歷史中我們與其有著直接的感官接觸，且人類還繼承了在此之前近40億年的生命集體記憶。每個物種都意識到重力的存在，有些微生物甚至利用這種意識來進行導(dǎo)航。在牛頓給出數(shù)學(xué)描述之前，我們已經(jīng)將它視為一種規(guī)律，而在愛因斯坦對其進行激進的重構(gòu)之后，這種知識依然堅如磐石。

在牛頓時代之前，托勒密的模型是研究行星運動時最廣泛采用的模型，這一模型沿用了近 1500 年。該模型采用了圓形軌道來描述行星的運動，并為了增強預(yù)測能力，為每個行星添加了本輪，使得每個行星在模型中既在小圓上運動，又在圍繞地球在大圓上運動。為了進一步提高預(yù)測的準(zhǔn)確性，更多的本輪被加入，這與在機器學(xué)習(xí)模型中添加節(jié)點所帶來的過擬合風(fēng)險頗為相似。

我們轉(zhuǎn)向牛頓模型，并不是因為它有更強的預(yù)測能力，而是因為它能解釋得更全面。現(xiàn)代引力概念正是通過這種抽象過程被創(chuàng)造出來，并通過將我們在地面上對重力的經(jīng)驗與天體觀測中對重力的理解進行解釋性統(tǒng)一而實現(xiàn)。我們很可能已經(jīng)學(xué)會了一種抽象的方式來描述重力，因此我們的物種，更具體地說，我們的社會，將永遠不會忘記重力，即使用來描述它的符號可能發(fā)生根本性的變化。

科學(xué)在構(gòu)建新的社會認知過程中發(fā)現(xiàn)的，正是這種蘊含于理論之中的意義深度。這是那種僅關(guān)注預(yù)測性地圖、缺乏深度與意義的表面觀所無法捕捉的。

法國文學(xué)評論家Roland Barthes在其 1967 年解放性的論文《作者之死》中提出，文本包含的多重層次和意義超越了創(chuàng)作者的意圖。這一點與Feyerabend的觀點如出一轍，這是對“方法”的直接反駁。對于Barthes來說，這種對方法的反駁是對傳統(tǒng)文學(xué)批評，在方法論層面的否定，即不再依賴作者身份能詮釋文本的終極意義或真理。相反，Barthes主張放棄確定的作者意圖，轉(zhuǎn)而支持一種更具社會建構(gòu)性和不斷演變的文本意義。

同樣，我們也可以認為科學(xué)家在他們的作品中已經(jīng)死去。當(dāng)科學(xué)家發(fā)表研究成果時，實際上是將工作提交給同行的解讀、批評和使用。目前，同行評審過程正成為AI試圖自動化的目標(biāo)，這種趨勢源于一個誤解，即認為同行評審僅僅是事實核查。實際上，同行評審是同行之間進行爭辯和討論的過程，它為學(xué)者們提供了共同創(chuàng)造新科學(xué)成果，并以論文為載體加以呈現(xiàn)的機會。這種辯論和共同創(chuàng)造，對于科學(xué)這一文化體系至關(guān)重要。只有在同行評審之后，我們才能進入一種可重復(fù)性被允許的方法。科學(xué)思想并非僅僅源于個人的頭腦，也源于對這些頭腦所創(chuàng)造內(nèi)容的共識性解讀。

AI模型的輸出，對于同行審評這一科學(xué)文化中的關(guān)鍵環(huán)節(jié)來說，是已死亡的尸體。它們的誕生過程，缺失了過去400多年習(xí)慣的科學(xué)發(fā)現(xiàn)模式中所包含的，經(jīng)有具身化意義而促成的創(chuàng)造性行為。當(dāng)科學(xué)家提出一個理論時，即使在同行評審之前，也存在一種有意的解釋行為，這是一種與內(nèi)在直覺及其表達進行內(nèi)在角力的過程。相比之下，AI模型通過統(tǒng)計模式識別生成預(yù)測，這是一個截然不同的過程。

AI不會取代科學(xué)家

科學(xué)與AI都是文化技術(shù)；它們都是社會用來組織知識的系統(tǒng)。在考慮AI在科學(xué)中的作用時，我們不應(yīng)該將單個 AI 模型與單個科學(xué)家或他們的思維進行比較，因為這些是無法比較的。

我們必須追問的是：AI 技術(shù)與科學(xué)的文化體系將如何互動？科學(xué)家的“死亡”意味著其內(nèi)心世界所孕育的思想的消逝，但同時也是他們創(chuàng)造的思想得以共享的時刻，在這一刻，辯論與爭議的內(nèi)在社會體系被激活。當(dāng)人類科學(xué)家在他們的研究成果中“離世”時，他們便為社會創(chuàng)造了共享理解的可能。正是科學(xué)家不斷地創(chuàng)造他們的思想，帶來了科學(xué)的范式革命，促使社會以全新的方式理解世界，迫使我們集體看見那些潛藏在表征地圖之下的新結(jié)構(gòu)，那些我們此前視而不見的結(jié)構(gòu)。

一個 AI 模型能整合前所未有地大量觀測數(shù)據(jù)。它能夠執(zhí)行假設(shè)檢驗，在大規(guī)模數(shù)據(jù)集中識別模式，并在個體人類無法企及的規(guī)模上進行預(yù)測。但當(dāng)前的 AI 只能在人類賦予它的表征框架內(nèi)運作，大規(guī)模地對其進行優(yōu)化和擴展。而那種創(chuàng)造性的行為，識別出我們的地圖是不完整的，并構(gòu)建全新的、社會性的和符號性的框架來描述之前無法描述的事物等創(chuàng)造性的行為，對當(dāng)前的AI仍然是具有挑戰(zhàn)性的，無法簡化為某種方法。迄今為止，這仍然是人類獨有的能力。

目前尚不明朗的是，AI 將如何參與構(gòu)建科學(xué)共識構(gòu)建的主體間過程。也尚無人能預(yù)知，在集體裁定社會將采納何種現(xiàn)實描述、何種新符號框架將取代舊框架、以及哪些模式重要到需要新語言來表達時，AI 將扮演何種角色。

更深層次的問題不在于AI能否從事科學(xué)，而在于社會能否與算法建立共享的表征和共識意義？ 畢竟，算法缺乏那種始終作為科學(xué)解釋核心的、意向性的意義創(chuàng)造。

本質(zhì)上，科學(xué)本身正在演變，這引發(fā)了這樣一個問題：在科學(xué)作為文化機構(gòu)發(fā)生根本性轉(zhuǎn)變的時代，未來的科學(xué)會是什么樣子？我們應(yīng)該思考：當(dāng)我們發(fā)現(xiàn)人類物種在算法的實體化之外，依然渴望的意義和理解時，科學(xué)又將變成什么？

AI會改變科學(xué)嗎？當(dāng)然會。它會取代科學(xué)家嗎？絕不會。如果我們誤解了科學(xué)的本質(zhì)，把方法的自動化誤認為是人類為了理解現(xiàn)實而共同構(gòu)建、辯論和精煉符號表征的過程，AI可能會預(yù)示科學(xué)的終結(jié)：我們將錯失真正將AI融入科學(xué)文化體系的機會。

科學(xué)不僅僅是關(guān)于預(yù)測和自動化；歷史告訴我們，它遠不止于此?？茖W(xué)關(guān)乎解釋性共識，是人類持續(xù)進行的關(guān)于我們將共同采用哪些世界描述的協(xié)商過程。這種協(xié)商，將觀察結(jié)果轉(zhuǎn)化為共享意義的主體間性綁定，本質(zhì)上是社會性的，而且在目前看來，也具有不可替代的人類特性。

譯者的話

目睹 AI for Science 的高歌猛進，當(dāng)算法在越來越多的特定任務(wù)上超越人類時，對于“科學(xué)家將是下一個被取代的職業(yè)”的焦慮在所難免。然而，本文提供了一個極具洞察力的反駁視角。

借用《三體》的隱喻：若處于恒紀(jì)元（庫恩筆下的常規(guī)科學(xué)時期），AI 憑借算力與規(guī)模，確實有能力接管大部分?jǐn)?shù)據(jù)分析與模型優(yōu)化的工作；但若置身亂紀(jì)元（范式轉(zhuǎn)移的動蕩期），科學(xué)的使命便不再是單純的計算，而是通過廣泛的對話去重建共識，去在一片混沌中重塑新的科學(xué)范式。既然我們正身處 AI 引發(fā)的歷史變革潮頭，意味著亂紀(jì)元將愈發(fā)頻繁，人類科學(xué)家作為意義構(gòu)建者的職責(zé)，非但沒有削弱，反而愈發(fā)沉重。

該文給科學(xué)工作者的另一啟示是科學(xué)的重點，將隨著AI工具的引入變得不再是數(shù)據(jù)分析，而是在更大的社會框架里去通過廣泛地溝通來構(gòu)建人與人之間的共識，氣象科學(xué)家需要的不僅僅是分析和建模，而是去和大眾宣傳環(huán)境與氣候的相關(guān)知識；腦科學(xué)家也不僅需要設(shè)計實驗，還需要更多參與科普從而破除大眾對腦科學(xué)的誤解。這些主體間性的部分，由于AI缺少身體，將注定無法完成。因此在更長的尺度上具有不可取代性，值得青年人長期投入。

https://www.noemamag.com/the-death-of-the-scientist/

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學(xué)的邊界。歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復(fù)哦~

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。