到2050年要让AI凭自己的科研成果拿下诺贝尔奖！

到 2050 年，要让 AI 凭自己的科研成果拿下诺贝尔奖！

索尼计算机科学实验室首席执行官北野弘明博士，为了开发匹敌顶尖科学家头脑的 AI，提出了诺贝尔图灵挑战计划。

这是一次人工智能与自然科学领域的梦幻联动。

人类的力量太有限了，那就创造出 AI 来替人类实现无限可能。

当 AI 强大到能处理复杂现象时，就有机会探索人类科学家当下无法理解的事物。

他们计划，将 AI 的算力优势应用于无穷的科学发现中，利用强大的信息处理能力，帮助人类进行科学发现，找到新的研究突破。

AI 的优势在哪。

和人类相比，人工智能拥有的算力，可以实现对多领域，庞大信息量的快速处理，这远远超出人类对信息的处理能力。

而人类科学家常常会局限在个体的知识范围内，所以在科学探索中，存在一定的劣势。

比如导电聚合物聚乙炔薄膜，它诞生于一次实验失误，合成过程中错误地使用了比正常浓度高一千倍的催化剂。

人类科学家不会去做这种超出常理的实验，而这样的设计却可能被 AI 实现。

看似关系不大的领域，背后的联系却可以借助 AI 来抽丝剥茧，扩展更丰富的科学假设。

对这些假设的验证筛选，同样离不开机器学习训练。

基于 AI 科学家的已有发现不断探索假设空间，生成详细的证明或论据，以评估新生成假设的有效性和重要性在这样的假设验证过程中，AI 不断进行着自我强化学习

比如已经被成功应用到实际场景中的 AI 工具 Adam—Eve，就在酵母基因组学和药物开发领域发挥了重要作用。

Adam 成功预测了酵母菌新功能，找到了芽殖酵母中的孤儿酶，Eve 则发现了三氯生成分可以靶向抑制 DHFR 酶来治疗疟疾。

科学家 AI 的发展

当然，现在 AI 科学家最受质疑的，就是其本身的黑盒特性。

为了让科学 AI 系统建立并维持可信度，就要避免黑盒效应，消除数据偏见。

要让 AI 做出的科学发现被科学界接受，就必须拥有令人信服的证据，和背后逻辑清晰的推理。

类似 Adam—Eve 这类闭环实验室自动化系统，AI 能够在人类具体的指令中，完成复杂的实验，以高效的机器处理取代人类低效的实验步骤。

例如，借助 AlphaFold 预测蛋白质结构，仅仅一周时间就预测出了 98.5% 的人类蛋白质大大加速了蛋白质组学的研究进程

而利物浦大学的移动化学家，则具备了自主发现高活性催化剂的能力。

北野弘明对 AI 科学家未来的发展方向做出大胆假设伴随着系统自主性的提高，人类的指令将变得抽象，AI 科学家对要测试的假设以及要执行实验的优先级独立决策

理想中的 AI 科学系统，是一个结合了软件工具，数据访问和嵌入闭环实验体系的多重多智能体系统，具有高度交互性，互用性和可扩展性。

构成它的多个 AI 系统专注于各自领域，能够更广泛地探索假设空间，将独立领域互相结合起来。

关于 AI 科学家，另一个引起社会关注的话题，就是伦理问题。

整个发展阶段中，AI 可以一直作为工具被人类应用但是伴随着 AI 自治程度的不断提高，人类更多地充当起监督者的角色，以防止系统被滥用当然也可以允许 AI 高度自治，以产生更有突破性的科学假设

AI 参与到科学研究领域中，对于科研成果的归属界定，同样也是需要严肃对待的社会问题。

DABUS人工神经系统的开发者曾为其申请专利权，欧英美专利机构均以不是自然人为由驳回申请可是近期澳大利亚法院开创先例，做出裁决，承认了 DABUS 系统的专利发明人身份

伴随着人工智能的不断发展，相应的社会规则也应当逐步完善，为 AI 科学家提供适宜的社会环境不过，在对人类做出极大贡献的科学研究面前，发明者是人类或是 AI，似乎都不是十分重要的事了