--- author: Best Partners TV date: '2026-02-21' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=UEvhegxgxTI speaker: Best Partners TV tags: - ai-vs-scientist - scientific-discovery - paradigm-shift - scientific-consensus title: AI能否取代科学家？科学本质与范式转移的深度解析 summary: 本文深入探讨了AI在科学研究中的作用，指出AI虽在数据处理和模式识别（常态科学）方面表现卓越，但无法取代人类科学家。核心原因在于AI缺乏创造新表征框架、理解主观感受质、建立主体间共识以及进行意向性意义创造的能力。这些能力对于科学革命和范式转移至关重要。AI是强大的辅助工具，但科学的本质在于人类的共识构建和意义创造，这是AI永远无法实现的。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - Google DeepMind products_models: - AlphaFold 3 media_books: - 《反对方法》 status: evergreen --- 大家好，这里是最佳拍档。AI for Science的快速发展，让我们看到了算法在科学研究中展现的惊人能力。甚至有不少声音宣称，超级AI将解决所有的科学问题，终结疾病的困扰，而科学家终将成为历史的尘埃。如今，AI的算力和数据处理能力远超人类，在越来越多的科学任务上，算法的表现都超越了人类的研究者。那么，未来的科学研究真的还需要人类科学家吗？今天，我们就来深入探讨一下这个问题。 ### AI乐观论的根源与局限 首先，我们要先理解，当下这种AI将成为万物解释者的论调，究竟从哪里而来。其实，这种对技术的盲目自信，并不是AI时代独有的，而是贯穿了人类科技发展的始终，是一种根植于人类认知中的傲慢，总认为我们站在科技发展的顶峰，能够凭借着当下的技术，揭开现实的全部奥秘。而在AI时代，这种傲慢以一种看似谦逊的形式呈现：人们承认人类的记忆和信息处理能力有限，永远无法穷尽真理，但是却坚信，人类作为唯一优越的生物物种，能够创造出穷尽真理的AI技术，让算法成为接替人类的终极科学的解释者。 这种认知的诞生，离不开AI在科学领域的标志性成就。其中最具代表性的，就是Google DeepMind开发的**AlphaFold 3**。这款模型的训练基础是超过十五万个通过实验确定的蛋白质结构。依托这样的海量数据，AlphaFold 3现在能够预测超过两亿种蛋白质以及其他生物分子的三维结构，这样的规模在几年前是完全无法想象的。在AlphaFold出现之前，人类依靠数学模型只能够预测蛋白质结构的部分特征，对于复杂的蛋白质折叠问题始终难以形成完整的解决方案。而AlphaFold的出现，几乎让蛋白质结构预测难题有了突破性的进展。也正因如此，人们对AI的科学能力产生了极致的乐观：连蛋白质折叠这样的科学难题，AI都能够轻松攻克，那还有什么科学问题是AI解决不了的呢？ 但是事实真的如此吗？答案显然是否定的。在很多深耕蛋白质研究的科学家眼中，蛋白质折叠问题远远没有因为AlphaFold的出现而终结。这款模型的能力依然存在着无法突破的边界。虽然AlphaFold 3能够精准地预测蛋白质的三维结构，但是它无法解释蛋白质折叠背后的物理机制，无法还原它的折叠路径，也无法描述它的动态构象集合。它能够告诉我们蛋白质是什么样子的，却无法回答蛋白质为什么会成为这个样子。而且，AlphaFold的优异表现仅局限于地球生物中常见的、由二十多种氨基酸构成的蛋白质。一旦我们将研究视角转向陨石材料中由数百种氨基酸构成的地外蛋白质，或者是想要设计新型的治疗性蛋白质，这款模型就会立刻失效。而这种失效的原因，并不是算法本身的缺陷，也不是模型的扩展性不足，而是这类研究任务所需的基础数据，在当下的科学体系中根本不存在。 AlphaFold的案例揭示了一个核心问题：AI在科学领域的应用，始终受限于人类已有的科学认知和数据积累。而这也让我们不得不重新思考科学的本质。如果我们把科学纯粹看作是一套标准化的科学方法——观察、假设、测试、分析——那么AI的自动化操作似乎确实是历史的必然。因为当下的AI算法，已经能够在科学家的指导下，执行这些步骤中的大部分甚至是全部，而且效率和精度都远远超过人类。但是问题的关键在于，科学真的只是一套标准化的方法吗？ ### 科学的本质：共识与文化 奥地利科学哲学家**保罗·费耶阿本德 (Paul Feyerabend)**曾经在《反对方法》一书中论证，所谓普适的科学方法本身就是一个错误的概念。在实际的科学研究中，大多数科学家只有在撰写同行评审论文的时候，才会祭出这套标准化的方法，将它作为确保研究可重复性的手段。而在真正的科学发现过程中，这套方法几乎从来没有被严格地遵循过。从科学史的角度来看，科学方法从来都是在科学发现之后被构建出来的，而不是在发现之前作为指导原则。这也就意味着，科学的核心从来不是方法的执行，而是更底层的知识生成方式。所以，判断AI能不能取代科学家，根本不能看AI是不是能够执行观察、假设、测试的这些步骤，而是要追问，科学生成知识的方式，是不是在本质上蕴含着某种超越方法论的东西呢？ 而这个问题的答案，就藏在科学的本质属性之中。科学的本质，并不是现实世界的客观特征，而是一个建立在共识基础上、不断演化的文化体系。这个结论，需要我们从人类的意识认知和科学知识的传播特性两个维度去理解。首先，人类的个体意识存在着无法逾越的边界。我们每个人的大脑都会通过感官收集物理刺激，将其转化为电信号，再通过不同脑区的处理，构建出属于自己的、对现实的独特的心智模型。这种独特的心智模型，就是我们对世界的全部有意识的理解。尽管当下的神经科学已经发现，同步的神经活动和注意力机制会协调不同脑区的信息，帮助我们构建心智模型，但是分布式的神经活动是如何产生单一的、连贯的意识的呢？这个问题至今仍然是神经科学的开放性问题。 更重要的是，人类的主观体验存在着**感受质 (qualia)**的不可还原性。这是哲学家对于人类私密主观体验的定义，也是科学和个体经验的根本区别。感受质是我们宇宙中最私密的信息，它和每个人物理存在的独特特征紧密相连，无法在任何其他事物中被复制，也无法在不同的个体之间传递。举个最简单的例子，当我们看到红色的时候，这种体验是大脑对六百二十到七百五十纳米波长的光的响应。我可以指着一个红色的物体告诉你这是红色，你也会承认自己看到的是红色，但是我们永远无法将自己那种看到红色的实际体验，从自己的意识传输到对方的意识中。我们永远无法知道彼此感受到的红色是不是同一种内在体验。我们能够在个体之间分享的，只有对红色的描述，而不是红色的体验本身。 这一点，直接决定了科学知识的核心特征——**主体间性 (intersubjectivity)**。如果一种事物只存在于一个人的头脑中，无法被他人分享、验证和理解，那么它就永远无法成为科学知识。科学的核心要求，就是我们能够在不同的个体之间验证彼此的观察结果，站在过去的科学发现之上，在代际之间达成关于现实的共识。也正因如此，所有的科学模型都必须能够用符号、数学和语言来表达，因为只有这样，它们才能够在不同的头脑之间被复制和理解，才能成为人类共同的科学知识。而这也就意味着，科学模型从诞生之初，就注定是对现实的抽象和简化，无法完整地反映现实的全部结构。 在这里，我们可以引入美国科学哲学家**南希·卡特赖特 (Nancy Cartwright)**的**仿象理论 (Mimesis Theory)**。她认为，所有的科学理论本质上都是一种有用的虚构。它们以数学和概念的形式存在，目的是帮助人类组织、预测和操控自然的现象。换句话说，科学理论本身就是一种人类创造的文化技术。我们以基础的理想气体定律为例，这个定律将气体建模为互不作用的质点，但是我们都知道，现实中的气体分子并不是完全没有体积，也并不是从不相互作用。只是在大多数的研究场景中，理想气体定律的简化模型已经足够有效，能够帮助我们解释和预测气体的行为。而这种简化的核心意义，就在于它能够在人类的头脑之间被轻松理解和共享，也能够在我们的计算设备之间被复制和应用。 科学知识的可共享要求，迫使我们在每一个描述层面都创造这样的仿象。而这也让科学呈现出了不稳定的特征：它不是一成不变的客观真理，而是会随着人类新的科学发现、新的认知水平，不断演化和适配的文化体系。牛顿提出的经典力学公式F=ma，就是最典型的例子。牛顿在提出这个公式的时候，并不是在分享他自己对力或者加速度的内在体验，而是创造了一套形式化的表达方式，来描述力、质量、加速度这三个抽象概念之间的关系。而这三个概念，也是人类在长期的科学研究中通过标准化逐步发展而来的。这个公式之所以能够成为人类普遍的文化知识，核心原因就是任何人类的头脑，甚至任何的机器，都能理解和应用它，无论它们在内部如何体验这些概念。 从这个角度来看，人类的科学研究，本质上是一个通过符号和语言，将个体的主观体验转化为集体共识知识的过程。而科学的共同体，其实也面临着和人类个体意识相似的问题。就像个体心智会通过收集感官数据构建世界模型一样，科学团体则通过所谓的感知技术来实现这个目标。人类科学的发展，始终伴随着感知技术的升级。过去，我们依靠望远镜揭示宇宙的深处，依靠放射测年技术揭示地球的地质年代，依靠显微镜观察微观的生物结构。而如今，AI成为了新的感知技术，帮助我们在海量的数据中发现人类难以捕捉的模式和规律。但是无论感知技术如何升级，科学共识的构建，始终是一个人类的社会过程。 丹麦天文学家**第谷·布拉赫 (Tycho Brahe)**借助机械钟和精密的角度测量仪器，完成了精准的天文观测，积累了海量的实证数据。而德国天文学家**约翰内斯·开普勒 (Johannes Kepler)**则在这些数据的基础上，将其转化为了行星椭圆轨道的数学模型。从哥白尼的日心说到第谷的天文观测，再到开普勒的椭圆轨道、伽利略的天文实验，这些科学家的工作，共同开启了一个跨越时空收集观测数据的科学社会。而正是这些个体的研究成果，逐步促成了一种统一的科学共识：我们可以用一套描述运动和引力的理论，来解释天体的运行规律。这一过程，从来不是某一个体的独立贡献，也不是某一种技术的单独作用，而是人类科学家通过交流、验证、辩论形成的共识结果。这才是科学知识生成的核心逻辑。 ### AI的固有局限与科学革命 理解了科学的本质是建立在共识基础上的文化体系，我们就能够进一步看清，AI在科学领域的应用必然存在着无法突破的固有局限。而这些局限，不仅源于技术和算力，更源于计算理论的基本原理，以及科学范式的核心特征。科学范式，用美国科学哲学家**托马斯·库恩 (Thomas Kuhn)**的话来说，是混乱的、社会性的，并且深刻地受到人类的影响。而AI作为人类创造的技术，始终无法脱离人类的认知框架，也无法突破计算理论的基本边界。 首先，当下围绕AI和通用人工智能的乐观讨论，往往认为这些算法会在理解和解释世界的能力上超越人类，突破由人类生物学设定的智能上限。但是这个观点和计算理论的基本原理相矛盾。英国物理学家**大卫·多伊奇 (David Deutsch)**曾经明确表示，如果宇宙确实是可以解释的，那么人类本身就是通用解释者，因为人类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，计算机和人类的大脑具有等效的通用性。AI的计算能力再强，也只是在执行人类设定的逻辑和算法，无法超越人类的理解边界。 其次，物理学家**大卫·沃尔珀特 (David Wolpert)**和**威廉·麦克雷迪 (William Macready)**提出的**"没有免费午餐"定理 ("No Free Lunch" Theorem)**，更是直接否定了AI能够解决所有科学问题的可能。这个定理指出，当在所有可能的问题上取平均性能的时候，没有任何一种优化的算法，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，任何一种AI算法，只要在某一类问题上表现得非常出色，就必然会在另一类问题上的表现低于平均水平。AlphaFold 3在蛋白质结构预测上的优异表现，恰恰意味着它在其他非结构预测的生物研究问题上，会存在着天然的能力短板。这就是算法的固有属性，无法通过提升算力或者增加数据来改变。 再者，通用计算本身也存在着根本性的限制。通用计算机只能够描述可计算的事物，却永远无法描述不可计算的事物。这个限制是人类构建的任何计算机都固有的。而这个限制，对于单个人类的思维并不适用，它只适用于人类通过语言所共享的内容。人类的个体思维能够产生超越可计算性的直觉、灵感和想象。而这些内容，正是人类生成新的社会知识、推动科学革命的关键。 而科学革命的本质，就是托马斯·库恩提出的范式转移。当现有的科学概念和表征框架无法解释我们新遇到的现象，甚至无法解释我们试图重新理解的旧现象时，我们的科学共识地图就会崩溃。而此时，就需要人类创造新的语义表征和符号框架，来捕捉旧框架无法涵盖的规律。在这样的时刻，特立独行的思考、脱离既有框架的创造性，在知识创造中起着至关重要的作用，而这正是AI所不具备的能力。 在科学史中，从自然神学到演化论的转变，就是一次典型的范式转移。在旧的科学范式中，人们认为生物是由创造者设计的，物种是固定不变的，地球的年龄也相对年轻。而随着人类掌握了碳测定技术、系统发育学，并且观察到物种在选择育种和灭绝过程中的变化，我们得以阅读地球和生命更深层的历史，也意识到旧的范式完全无法解释生命的演化规律。于是，演化论应运而生。地质学揭示了深时间的概念，让我们认识到地球的年龄远超人类想象；天文学则引入了深空间的概念，让我们看到了宇宙的广阔。正如历史学家**托马斯·莫伊尼汉 (Thomas Moynihan)**所指出的，我们如今正进入一个揭示宇宙无限可能性的新时代。我们所处的世界并没有突然改变或者变老，但是我们对世界的理解在不断更新。而这种更新的核心，就是人类不断创造全新的词汇和概念，来反映探索世界过程中发现的新意义。 阿尔伯特·爱因斯坦创立广义相对论的过程，更是完美诠释了人类的创造性在范式转移中的核心作用。从爱因斯坦意识到物理学需要超越狭义相对论中的线性洛伦兹变换，到最终提出广义相对论，中间整整间隔了七年时间。爱因斯坦自己曾经反思，这个过程中最大的困难在于很难将自己从“坐标必须具有直接度量意义”这个观念中解放出来。当时的物理学界已经将某种数学结构当作模型，强加于时空的研究，而这种结构却无法捕捉到爱因斯坦直觉中认为必须存在的特性，也就是时空的连续性。最终，爱因斯坦将自己的这种直觉编码成了新的数学形式，而这套数学的形式，也成为了具有主体间性的科学知识，能够在不同的人类心智之间共享和流传，从而推动了物理学的范式革命。 从这些案例中我们能看到，科学范式的转移从来不是技术或者算法的升级，而是人类思维的突破，是人类创造新的表征体系来描述世界的过程。而这也让我们看清了科学研究的两个不同阶段：**常态科学 (normal science)**和**范式革命 (paradigm revolution)**。常态科学指的是在现有科学范式的基础上，进行技术性精炼和模型优化的过程。而范式革命，则是打破现有的框架，构建新的科学共识的过程。AI在科学研究中的价值，主要体现在常态科学的阶段，而在范式革命的过程中，AI几乎无法发挥任何的核心作用。 在常态科学的阶段，我们的世界变得越来越复杂，相应的也需要更复杂的科学模型。而AI的算力和数据处理能力，能够帮助我们在现有的表征框架内，进行大规模的模型优化和数据整合，这一点是人类个体无法企及的。AlphaFold 3的几十亿参数就表明，简洁的描述和简单的规律并不是科学的唯一路径。如果我们希望科学模型能够尽可能紧密地映射世界，那么复杂性可能是必要的。这一点也和逻辑实证主义者**奥托·纽拉特 (Otto Neurath)**、**鲁道夫·卡尔纳普 (Rudolf Carnap)**以及维也纳学派的观点相一致，他们认为在科学中没有深度，到处都是表面。如果我们对一切事物都有着准确而且可预测的模型，那么也许就没有更深层的真理需要揭示。但是这种表面观却遗漏了科学知识创造中的一个深刻特征：虽然我们创造的科学仿象会不断的变化，但是通过操作符号所揭示的底层模式，却会恒久留存。这些模式无法被简单的言说，却独立于我们的语言而顽强的存在。 在科学出现之前，重力的概念对于人类来说是未知的。尽管在整个人类的历史中，我们都和重力有着直接的感官接触，而且人类还继承了在此之前近四十亿年的生命集体记忆，每个物种都能够意识到重力的存在，甚至有些微生物会利用重力来进行导航。在**艾萨克·牛顿 (Isaac Newton)**给出重力的数学描述之前，我们已经将它视为一种客观的规律。而在爱因斯坦对它进行激进重构之后，这种关于重力的底层认知依然坚如磐石。从托勒密的行星运动模型到牛顿引力理论的转变，完美印证了这一点。托勒密的模型是研究行星运动时最广泛采用的模型，这个模型从提出到被取代沿用了大约一千五百年的时间。它采用圆形轨道来描述行星的运动，为了增强预测的能力，还为每个行星添加了本轮，让每个行星在模型中既在小圆上运动，又在围绕地球的大圆上运动。而为了进一步提高预测的准确性，科学家们还不断为模型添加了更多的本轮。这个做法和我们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。 而人类最终转向牛顿的引力模型，并不是因为牛顿模型的预测能力更强，而是因为它能够对天体运动进行更全面的解释，将人类在地面上对重力的经验和天体观测中对重力的理解进行了解释性的统一。现代引力的概念，正是通过这样的抽象过程被创造出来的，而这个概念也成为了人类科学的核心知识。我们的物种，人类的科学社会，将永远不会忘记重力的存在，即使用来描述它的符号和模型会在未来发生根本性的变化。这就是科学的深度：它不在于模型的预测能力，而在于意义的构建，在于人类通过共识性的解读，找到世界的底层模式，并且创造出能够共享的表征体系来描述这些模式。 而科学思想的诞生，本质上也源于这种共识性的解读，而不是单个科学家的独立创造。法国文学评论家**罗朗·巴特 (Roland Barthes)**在一九六七年的论文《作者之死》中提出，文本包含的多重层次和意义会超越创作者的原始意图，读者的解读和再创造才是文本意义的核心。这个观点和保罗·费耶阿本德对普适科学方法的反驳如出一辙。而将这个观点应用到科学研究中，我们也可以认为，科学家在他们的作品发表的时候就已经“死亡”了。当科学家发表自己的研究成果时，实际上是将自己的工作提交给科学共同体解读、批评和使用，而这个过程，正是科学思想生成的核心。 当下，有不少研究试图让AI自动化同行评审的过程，而这种趋势源于一个根本性的误解：认为同行评审仅仅是简单的事实核查。但是实际上，同行评审是科学家之间进行争辩、讨论和共同创造的过程。它为学者们提供了一个机会，让大家能够基于一篇论文，共同创造新的科学成果，并以论文为载体加以呈现。这种辩论和共同创造，对于科学这个文化体系来说非常重要。只有在经过同行评审的辩论和重构之后，我们才能够进入一个让研究成果的可重复性被验证的阶段。这也就意味着，科学思想从来不是仅仅源于单个科学家的头脑，而是源于科学共同体对这些头脑所创造内容的共识性解读。这是一个典型的社会过程，而不是个体的行为。 而AI模型的输出，对于同行评审这个科学文化的关键环节来说，就像是一具已经死亡的尸体。AI的生成过程，缺失了过去四百多年来的人类科学发现模式中，由**具身化意义 (embodied meaning)**促成的创造性行为。当人类科学家提出一个理论的时候，即使在同行评审之前，也存在着一种有意的解释行为。这是科学家和自己的内在直觉、与直觉的表达形式进行内在角力的过程。而这种角力，源于科学家的具身化体验，源于他对世界的主观感知和理解。相比之下，AI模型的输出，仅仅是通过统计模式识别生成的预测。它没有内在的直觉，没有对世界的主观感知，也没有和自身表达的角力过程。这是一个和人类科学创造完全不同的过程。因此，AI的输出无法成为科学共识构建的起点，因为它缺乏被解读、被批评、被重构的意义基础。 ### AI时代人类科学家的价值 为什么AI永远无法取代人类科学家呢？答案其实已经非常清晰了，总结起来，核心在于两个层面的差异：一是**表征框架的创造能力**，二是**意义创造的意向性**。 首先，从表征框架的创造能力来看，当前的AI，无论算力多强、数据多少，都只能在人类赋予它的表征框架内去运作，只能够在这个框架内进行大规模的优化和扩展，而无法识别现有框架的不完整性，更加无法构建全新的、社会性的和符号性的框架来描述那些之前无法被描述的事物。而科学革命的核心，正是构建新的表征框架。当现有的框架无法解释新现象的时候，人类科学家能够通过直觉、想象、辩论，创造出全新的符号和语义体系来捕捉世界的新规律。这是人类独有的能力，迄今为止还没有任何一种AI算法能够实现这一点。 其次，从意义创造的意向性来看，AI缺乏那种始终作为科学解释核心的、意向性的意义创造能力。科学的本质，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。而这种协商，是将个体的观察结果转化为集体的共享意义的主体间性绑定。它本质上是社会性的，需要人类的意向性，也就是人类对世界的主观感知、对意义的主动追求。而AI没有主观感知，没有意向性。它无法理解自己生成内容背后的意义，也无法参与到人类的协商过程中，更无法和人类建立共享表征和共识意义。这也就意味着，AI无法参与科学共识构建的主体间过程，而这个过程，恰恰是科学的核心。 我们需要明确的一点是，在考虑AI在科学中的作用时，不应该将单个的AI模型和单个的科学家或者他们的思维进行比较，因为这两者是完全无法比较的。AI和科学，都是人类创造的文化技术，都是人类社会用来组织知识的系统。AI是一种工具，而科学是一个由人类构成的、不断演化的文化体系。将工具和体系进行比较，本身就是一种范畴错误。我们真正需要追问的，不是AI能不能取代科学家，而是AI技术和科学的文化体系将如何互动呢？AI将在科学共识的构建过程中，又会扮演怎样的角色呢？ 目前来看，AI在科学体系中的角色依然是辅助性的。它能够整合前所未有的大量观测数据，能执行假设检验，能够在大规模数据集中识别模式，也能够在人类个体无法企及的规模上进行预测。这些能力，能够让AI在常态科学的阶段发挥重要作用，帮助人类科学家提高研究效率，优化研究模型，让人类能够将更多的精力投入到范式革命的思考中。但是AI永远无法成为科学体系的核心，因为科学的核心是人类的共识，是人类对世界的意义构建，而这一点，是AI永远无法实现的。 而我们当下所处的AI时代，正是科学的乱纪元。随着AI的发展，人类的科学认知会不断被刷新，新的现象、新的问题会不断出现，范式转移也会变得越来越频繁。在这样的背景下，人类科学家作为意义构建者和共识协商者的职责，非但没有被削弱，反而变得更加重要和沉重。AI的出现，让科学研究的重点发生了转移，从单纯的数据分析，转向了在更大的社会框架里，通过广泛沟通来构建人和人之间的共识。正如气象科学家不再仅仅需要分析数据和构建模型，还需要向大众宣传环境和气候的相关知识，推动社会形成气候行动的共识。脑科学家也不再仅仅需要设计实验和验证理论，还需要更多的参与科普，破除大众对脑科学的误解，让脑科学的研究成果被更广泛的理解和应用。而这些需要主体间性的工作，因为AI缺乏人类的具身化体验，缺乏对世界的主观感知，注定是无法完成的。 这也就意味着，在AI时代，人类科学家的价值不是降低了，而是提升了。科学家不再是单纯的数据分析师，而是成为了科学意义的构建者和科学共识的推动者。而这种能力，不仅是人类独有的，也是AI永远无法取代的。 那么，AI会改变科学吗？答案是肯定的。它会深刻重构科学研究的方式，让科学研究效率得到质的提升。但是AI会取代科学家吗？答案可能永远是否定的。因为科学的本质从来不是预测和自动化，而是人类为了理解现实，共同构建、辩论和精炼符号表征的过程，是人与人之间获得的共识。而只要人类对世界的探索从未停止，人类科学家的价值就永远无法被取代。 感谢收看本期视频，我们下期再见。