AI时代，科学进入乱纪元

本文来自微信公众号： 追问nextquestion ，作者：追问

一种根深蒂固的傲慢（Hubris），始终侵染着人类科技发展的每一个时代。这种傲慢通常化身为某些个人或机构的盲目自信：他们坚信，历经数千年的人类文化积淀与数十亿年的生物演化，我们终于揭开了现实的全部奥秘。我们正站在那个全知全能的悬崖边缘，准备解释一切。

这种自信的最新化身，是AI取代科学家成为万物解释者。人们至少承认了一个事实：凭借人类有限的记忆与信息处理能力，我们永远无法真正穷尽真理。然而，这种看似谦逊的新姿态背后，却潜藏着另一个假设：我们是唯一优越的生物物种，能够创造出那种终将穷尽真理的技术。

Google DeepMind开发的AlphaFold，代表了AI在科学领域最引以为傲的成就之一。基于超过15万个实验确定的蛋白质结构进行训练，AlphaFold 3现在可以预测超过2亿种蛋白质及其它生物分子的结构。这种规模此前难以想象。早期的数学模型只能预测蛋白质结构的一些特征，但远不能达到AlphaFold能做的程度。AlphaFold代表的乐观情绪显而易见：如果AI能够在如此规模上解决蛋白质折叠问题，它还有什么做不到的？

于是，有人预言AI将终结所有疾病，让科学家成为历史的尘埃，甚至认为超级AI将解决所有科学问题。然而，在许多人眼中，蛋白质折叠问题远未终结。AlphaFold可以预测蛋白质的三维结构，但它无法解释其背后的物理机制、折叠路径或动态构象集合。它在处理由地球生物中常见的20多种氨基酸构成的蛋白质时表现良好。但要研究陨石材料中，由数百种氨基酸构成的地外蛋白质，或设计新型的治疗性蛋白质，该模型还需要额外的输入。这一限制并非源于算法本身或其扩展性，而是源于任务所需的数据根本不存在。

这种张力揭示了科学本质中某种深刻的东西，也解释了为何科学难以被精确定义。如果我们把科学纯粹地看作一套科学方法——观察、假设、测试、分析——那么自动化似乎是历史的必然。AI算法显然能够执行这些步骤中的大部分甚至全部步骤，并且在科学家的指导下，日益精进。

但正如哲学家Paul Feyerabend在《反对方法》中所论证的，所谓普适的科学方法这一概念本身就是错误的。大多数科学家仅在撰写同行评审论文时才祭出这套方法，将其作为一种标准化手段，以确保可重复性。从历史来看，科学方法是在发现之后才被构建出来的，而不是在发现之前。

AI能否取代科学家，回答这个问题不是看AI能否执行科学方法规定的观察、假设、测试、分析等步骤，而在于科学生成知识的方式，是否在本质上蕴含着某种超越方法论的东西？

科学是建立在共识基础上的文化体系

如果科学知识的生成仅仅关乎规模（Scale），那么当前的AI已经为科学提供了一个平庸的解决方案：仅仅是因为我们拥有更大规模的模型，科学就足以更进一步。然而，人们对AI取代科学家的乐观情绪不仅仅源于自动化和模型规模扩大，还源于心智理论。像ChatGPT、Gemini和Claude这样的大语言模型已经改变了很多人对智能的看法，因为这些算法的设计使得人们能够与它们的互动，从表面看起来，就像这些大模型拥有心智。

然而，正如神经科学家Anil Seth敏锐地指出的那样，AlphaFold依赖于与大模型相同的底层Transformer架构，而没有人会将AlphaFold视为具有意识的存在。我们是否应该认为，像Transformer这样一个算法，一旦部署在硅芯片上，就会以与我们完全相同的方式理解世界，并用我们的语言与我们进行如此有效的交流，以至于能够描述我们所理解的世界？或者，我们是否应该相信，在智能经历了数十亿年的演化之后，只需要几十年甚至更短的时间尺度，我们就能自己的预测性和动态表征地图编码在硅基芯片中，这真的比我们想象的还要容易吗？

考虑你的大脑是如何构建你对现实的独特认知的。每个人的大脑中都能够生成完整的内在世界。对于其他任何实体——无论是有机生物还是无机物——我们都无法抱有同样的确定性。你的感觉器官将物理刺激转化为电信号。在视觉中，感光细胞对光线做出反应，并将信号沿视神经传递。你的大脑在专门的区域处理这些信号，分别检测边缘、运动和颜色对比，然后将这些分散的感知绑定成一个统一称为知觉（percept）的意识对象，从而形成你对世界的有意识体验。

分布式神经活动如何产生单一、连贯的意识，这一问题被称为绑定问题（Binding Problem）。与“意识的难问题”不同，绑定问题是关于我们内在体验背后的一个开放性问题，我们对它已有一定的科学见解：同步的神经活动和注意力机制协调不同脑区的信息，构建你对世界的独特心智模型。这个模型就是你对现实的全部有意识理解。

我们每个人，都是自己这个心智模型中的居民。我们每个人的有意识的经验，实际上都存在于这样一个对世界的真实物理表征中，这种体验在科学上解释起来并不简单（甚至有人认为可能无法解释）。

科学共同体也面临着类似绑定问题的认知困境。正如个体心智通过收集感官数据来构建对世界的模型一样，科学团体也通过所谓的“感知技术”来实现这一目标，这一概念由Berggruen研究所“未来人类”项目主任Claire Isabel Webb所提出。曾经的感知技术，例如望远镜揭示宇宙的深处，放射测年技术揭示地质年代，显微镜展示亚原子结构，而如今的感知技术--“AI”则在海量数据中发现模式。

丹麦天文学家第谷借助机械钟和精密的角度测量仪器进行的精确天文观测，为德国天文学家开普勒提供了实证数据，后者将其转化为椭圆轨道的数学模型。哥白尼、第谷、开普勒、伽利略等人的工作开启了一个跨越时空收集观测数据的社会，而这逐渐促成了一种统一的科学共识，即对现实的感知，可以一种描述运动和引力的理论加以呈现。

然而在上述科学共识之中，存在一个本质上的离群点，这就是你的主观体验，哲学家称之为感受质（qualia）的不可还原的私密信息。从某种意义上说，主观体验可能是我们宇宙所创造的最私密的信息，因为它与你物理存在中的独特且亲密的特征紧密相连，而这些特征无法在任何其他事物中被复制。

当你看到红色时，一种特定的体验便从你的神经架构中浮现，那是对620到750纳米波长的响应。我可以指出某个红色的事物，你也可以承认你看到的是红色，但我们永远无法将那种“红色的实际体验”从你的意识传输到我的意识中。我们无法知道彼此是否拥有相同的内在体验。我们能分享的只是描述。

这阐述了科学与经验的根本区别。经验本质上是主体间性的。如果某种事物只存在于一个头脑中而无法被分享，它就无法成为科学知识。科学要求我们验证彼此的观察结果，建立在过去的发现之上，并在代际之间达成关于现实的共识。因此，科学模型必须能够用符号、数学和语言表达，因为它们必须能够在不同的头脑之间被复制和理解。

科学本质上是不稳定的，因为它并不是现实的客观特征；相反，对科学更准确的理解是一个不断演化的文化体系，建立在共识表达的基础上，并不断适配我们新产生的知识。

当牛顿定义F=ma时，他并不是在分享他对力或加速度的内在体验。他创造的是一个形式化的表达方式，用来描述三个核心抽象概念——力、质量、加速度之间的关系，而这三个概念都是通过标准化逐步发展而来的。这个公式之所以成为普遍的文化知识，是因为任何头脑或机器都可以理解和应用它，无论它们如何在内部体验这些概念。

这揭示了科学知识最基本的问题：我们分享科学思想的主要接口是符号表征。我们传递的是对世界的模型，而不是世界本身。科学哲学家Nancy Cartwright认为科学理论是仿象（simulacra），也就是说，它们是以数学和概念形式存在的有用虚构，帮助我们组织、预测和操控现象。理论是一种文化技术。

当我们使用理想气体定律（PV=nRT）时，我们将气体建模为互不作用的质点。这并不是说真实气体实际上是完全没有体积且从不相互作用的点，而仅仅是因为理想气体定律在许多情况下都是足够有效的简化模型。这些简化的模型很重要，因为它们可以在人脑之间被理解和共享，并且可以在我们的计算设备之间被复制。

科学知识必须可共享，这一要求迫使我们在每个描述层面上都创造仿像。科学的主体间性对理论的构建施加了严格的物理限制。我们的科学模型必须能够用符号表达，并且能够在人脑之间被理解。因此，它们本质上必然是抽象的，无法完整地反映现实的全部结构。它们永远无法完全捕捉现实，因为没有任何人脑具有足够的信息处理能力和记忆来编码整个外部世界。甚至在信息处理能力上，社会作为整体也存在局限。

科学范式是混乱的、社会性的，

并且深刻地受到人类影响

AI也将在信息处理能力上有其局限性。

这些局限不仅仅体现在可用的计算能力上。当需要更多的数据处理基础设施，以支持AI以规模效应扩展时，这种局限显得尤为突出。更根本的是，当前围绕AI和通用AI所进行的乐观甚至有些自大的讨论，暗示这些算法在理解与解释世界的能力上将“超越人类”，突破一些人认为由人类生物学所设定的智能上限。

但这与计算理论的基本原理以及这些技术直接源自的人类抽象传统相矛盾。正如物理学家David Deutsch所写，如果宇宙确实是可以解释的，那么人类已经是“通用解释者”，因为我们能够理解任何计算系统所能理解的内容：从计算能力的角度来看，计算机和大脑具有等效的通用性。

计算机科学中的其他基础定理，例如物理学家David Wolpert和William Macready提出的“没有免费午餐”定理，表明当在所有可能的问题上取平均性能时，没有任何优化算法（包括机器学习算法）会比其他算法在所有情况下都更优。换句话说，如果一个算法在某一类问题上表现非常出色，必然导致它在其他问题上的表现低于平均水平。

物理世界并不包含所有可能的问题，但其中包含的问题结构会随着生物和科技的演化而变化。正如没有个体能够理解所有人类所知或将来所知的一切，也不存在一种算法（无论是AGI还是其他类型）能够永远优于所有其他算法。

更根本来看，通用计算的可能性源于一个根本性的限制；通用计算机只能描述可计算的事物，却永远无法描述不可计算的事物——这一限制是任何我们构建的计算机所固有的。这种限制对于单个人类的思维并不适用，只适用于我们通过语言所共享的内容，而这些内容正是我们生成新社会知识的关键。

科学革命往往发生在我们的共同表征地图崩溃之时；也就是说，当现有概念无法解释我们新遇到的现象，或无法解释我们试图理解的旧现象时。此时，我们必须发明新的语义表征，来捕捉旧框架无法涵盖的规律。在这些时刻，特立独行在知识创造中起着至关重要的作用。

以从自然神学向演化论的转变为例。旧的范式假设生物是由创造者设计的，物种是固定的，地球很年轻。随着我们学会通过碳测定、系统发育学以及观察物种在选择育种和灭绝过程中的变化，我们得以阅读更深层的历史，但我们也意识到，我们从未见证过在生命从无生命中自发形成。

更深层的历史记忆迫使新的描述不断涌现。演化论和地质学揭示了深时间（Deep Time）的概念，天文学引入了深空间（Deep Space）的概念，而现在，正如历史学家Thomas Moynihan所指出的，我们正进入一个揭示宇宙无限可能性的新时代。我们的世界并不会突然改变或变老，但我们的理解却在不断更新。我们不断发现自己需要创造全新的词汇和概念，以反映在探索世界过程中所发现的新意义。

科学哲学家托马斯·库恩将这些转变识别为范式转移，他指出突如其来的变化期迫使科学家重新思考我们如何看待自己的领域，提出哪些问题，使用哪些方法，以及我们所认为的合法知识是什么。随之涌现的，是描述世界的全新表征，常常包括我们以为已经理解的日常物体的全新描述。

科学，正如库恩所见，是混乱的、社会性的，并且深刻地受到人类影响。在在这个我们担忧技术创造与自身对齐的时代，科学面临的范式转变，最恰当的描述或许是如何与社会认知得到的表征对齐，我们必须找到新的方式，使我们的表征与那个在数千年文化演进中向我们呈现的、不断变化的现实结构保持同步。

范式转变揭示了科学思维的力量并不在于理论的字面真理，而在于我们识别描述世界的新方式的能力，以及我们所描述的结构如何在不同的表征体系中持续存在。科学文化有助于区分那些接近因果机制（有时称为客观现实）的仿象，以及那些引导我们误入歧途的仿象，尤其是在我们发现现实的新特征需要构建新的描述方式。例如，当现有的理论框架无法捕捉重要的现实特征时，当我们能够识别模式却无法加以表述时，科学方法将促使新的框架和表征地图必然出现。

爱因斯坦发展广义相对论就体现了这一点。在他意识到物理学需要超越狭义相对论中的线性洛伦兹变换，到最终抵达广义相对论，中间隔了整整七年。在他自己的反思中，他提到这背后的困难在于“很难将自己从‘坐标必须具有直接度量意义’这一观念中解放出来”。被当作模型强加的数学结构未能捕捉到意义：它们缺少了爱因斯坦直觉认为必须存在的特性（时空连续性）。一旦他将这种直觉编码成数学形式，它便成为了主体间性的知识，能够在不同的心智之间共享与流传。

科学思想源于共识性解读

这便引出了为何AI无法取代人类科学家的核心原因。科学界关于语言和表征的争议与辩论，并非系统的漏洞，而是社会体系决定其渴望何种模型的特性。因为我们的描述性语言，从字面意义上结构化了我们体验世界和与世界互动的方式，进而塑造了我们后代所继承的现实。

AI无疑将在“常态科学”中发挥重要作用。常态科学来自库恩，指在现有范式基础上进行技术性精炼的过程。我们的世界正变得越来越复杂，相应地也需要更复杂的模型。规模并非我们唯一需要的，但它无疑会有所帮助。

AlphaFold 3的数十亿参数表明，简洁的描述和简单的规律可能并非科学的唯一路径。如果我们希望模型尽可能紧密地映射世界，复杂性可能是必要的。这与逻辑实证主义者Otto Neurath,Rudolph Carnap以及维也纳学派的观点相一致：“在科学中没有深度，到处都是表面。”如果我们对一切都有准确且可预测的模型，也许就没有更深层的真理需要揭示。

然而，这种表面观遗漏了科学知识创造中一个深刻的特征。我们创造的仿象（Simulacra）会变化，但通过操作符号所揭示的底层模式却恒久留存，它们无法言说却独立于我们的语言而顽强存在。在科学出现之前，重力的概念对我们的物种来说是未知的，尽管在整个人类历史中我们与其有着直接的感官接触，且人类还继承了在此之前近40亿年的生命集体记忆。每个物种都意识到重力的存在，有些微生物甚至利用这种意识来进行导航。在牛顿给出数学描述之前，我们已经将它视为一种规律，而在爱因斯坦对其进行激进的重构之后，这种知识依然坚如磐石。

在牛顿时代之前，托勒密的模型是研究行星运动时最广泛采用的模型，这一模型沿用了近1500年。该模型采用了圆形轨道来描述行星的运动，并为了增强预测能力，为每个行星添加了本轮，使得每个行星在模型中既在小圆上运动，又在围绕地球在大圆上运动。为了进一步提高预测的准确性，更多的本轮被加入，这与在机器学习模型中添加节点所带来的过拟合风险颇为相似。

我们转向牛顿模型，并不是因为它有更强的预测能力，而是因为它能解释得更全面。现代引力概念正是通过这种抽象过程被创造出来，并通过将我们在地面上对重力的经验与天体观测中对重力的理解进行解释性统一而实现。我们很可能已经学会了一种抽象的方式来描述重力，因此我们的物种，更具体地说，我们的社会，将永远不会忘记重力，即使用来描述它的符号可能发生根本性的变化。

科学在构建新的社会认知过程中发现的，正是这种蕴含于理论之中的意义深度。这是那种仅关注预测性地图、缺乏深度与意义的表面观所无法捕捉的。

法国文学评论家Roland Barthes在其1967年解放性的论文《作者之死》中提出，文本包含的多重层次和意义超越了创作者的意图。这一点与Feyerabend的观点如出一辙，这是对“方法”的直接反驳。对于Barthes来说，这种对方法的反驳是对传统文学批评，在方法论层面的否定，即不再依赖作者身份能诠释文本的终极意义或真理。相反，Barthes主张放弃确定的作者意图，转而支持一种更具社会建构性和不断演变的文本意义。

同样，我们也可以认为科学家在他们的作品中已经死去。当科学家发表研究成果时，实际上是将工作提交给同行的解读、批评和使用。目前，同行评审过程正成为AI试图自动化的目标，这种趋势源于一个误解，即认为同行评审仅仅是事实核查。实际上，同行评审是同行之间进行争辩和讨论的过程，它为学者们提供了共同创造新科学成果，并以论文为载体加以呈现的机会。这种辩论和共同创造，对于科学这一文化体系至关重要。只有在同行评审之后，我们才能进入一种可重复性被允许的方法。科学思想并非仅仅源于个人的头脑，也源于对这些头脑所创造内容的共识性解读。

AI模型的输出，对于同行审评这一科学文化中的关键环节来说，是已死亡的尸体。它们的诞生过程，缺失了过去400多年习惯的科学发现模式中所包含的，经有具身化意义而促成的创造性行为。当科学家提出一个理论时，即使在同行评审之前，也存在一种有意的解释行为，这是一种与内在直觉及其表达进行内在角力的过程。相比之下，AI模型通过统计模式识别生成预测，这是一个截然不同的过程。

AI不会取代科学家

科学与AI都是文化技术；它们都是社会用来组织知识的系统。在考虑AI在科学中的作用时，我们不应该将单个AI模型与单个科学家或他们的思维进行比较，因为这些是无法比较的。

我们必须追问的是：AI技术与科学的文化体系将如何互动？科学家的“死亡”意味着其内心世界所孕育的思想的消逝，但同时也是他们创造的思想得以共享的时刻，在这一刻，辩论与争议的内在社会体系被激活。当人类科学家在他们的研究成果中“离世”时，他们便为社会创造了共享理解的可能。正是科学家不断地创造他们的思想，带来了科学的范式革命，促使社会以全新的方式理解世界，迫使我们集体看见那些潜藏在表征地图之下的新结构，那些我们此前视而不见的结构。

一个AI模型能整合前所未有地大量观测数据。它能够执行假设检验，在大规模数据集中识别模式，并在个体人类无法企及的规模上进行预测。但当前的AI只能在人类赋予它的表征框架内运作，大规模地对其进行优化和扩展。而那种创造性的行为，识别出我们的地图是不完整的，并构建全新的、社会性的和符号性的框架来描述之前无法描述的事物等创造性的行为，对当前的AI仍然是具有挑战性的，无法简化为某种方法。迄今为止，这仍然是人类独有的能力。

目前尚不明朗的是，AI将如何参与构建科学共识构建的主体间过程。也尚无人能预知，在集体裁定社会将采纳何种现实描述、何种新符号框架将取代旧框架、以及哪些模式重要到需要新语言来表达时，AI将扮演何种角色。

更深层次的问题不在于AI能否从事科学，而在于社会能否与算法建立共享的表征和共识意义？毕竟，算法缺乏那种始终作为科学解释核心的、意向性的意义创造。

本质上，科学本身正在演变，这引发了这样一个问题：在科学作为文化机构发生根本性转变的时代，未来的科学会是什么样子？我们应该思考：当我们发现人类物种在算法的实体化之外，依然渴望的意义和理解时，科学又将变成什么？

AI会改变科学吗？当然会。它会取代科学家吗？绝不会。如果我们误解了科学的本质，把方法的自动化误认为是人类为了理解现实而共同构建、辩论和精炼符号表征的过程，AI可能会预示科学的终结：我们将错失真正将AI融入科学文化体系的机会。

科学不仅仅是关于预测和自动化；历史告诉我们，它远不止于此。科学关乎解释性共识，是人类持续进行的关于我们将共同采用哪些世界描述的协商过程。这种协商，将观察结果转化为共享意义的主体间性绑定，本质上是社会性的，而且在目前看来，也具有不可替代的人类特性。