诺奖得主费曼：" 不要欺骗自己——而你是最容易被自己欺骗的人。"

文  |  李嘉星

什么值得选择？

" 如果我说错了，你们也要理解你们校长，很多研究工作已经没有意义，一定要清醒地认识到这一点，要真正做有意义的研究，不要再浪费自己的时间。"

说到科研，校长李路明收起了致辞的客气，露出学者的直率。 

  10 月 9 日，清华大学一场由学生 AI4S 协会发起的论坛，迎来了诺奖得主、院士和多个学科的教授，共同探讨 AI4S 的研究进展。 

  在这里，没有 IPO，没有估值，没有退出周期。只有一篇篇学术报告、一页页实验数据，以及那些尚未解决的科学问题。

在他看来，未来的科学家，不会只是操作仪器或进行合成的人。他们将越来越多地成为这样的人：" 提出重要问题、界定目标、评估证据、识别意外发现、连接不同领域的知识，并决定哪个方向值得探索。"

诺奖得主奥马尔 · 亚吉教授面对的，是一个几乎无法穷尽的材料世界。

亚吉教授的研究领域是网状化学，通过调控构筑单元的组成和几何构型等，构造不同的网状材料。亚吉教授估算，他讨论的网状材料化学空间可以达到 10 的 3000 次方。

" 我们永远不可能把它们全部制造出来，甚至不可能全部计算一遍。"

亚吉教授把问题留给了台下的年轻人，也留给自己：什么值得选择？

" 我们一直都在做选择：选择研究哪个问题、开展哪项实验，以及跟进哪一个意外观察。但这些选择，很大程度上依赖直觉。直觉可以很有力量，但它也可能带有偏见，可能不完整，也可能是错的。

当你面对十种可能性时，直觉或许能帮助你走得很远；但当你面对的是 10 的 3000 次方种可能性时，直觉就不够用了。"

他因此提出" 选择科学 "（Selection Science），研究当可能性远远超过探索能力时，什么值得追求，以及下一步应该做什么。

亚吉教授也描述了这种选择将怎样进入实验室。在清华建立的研究机构中，他的团队正在建设一个自主运行的实验室：人工智能提出材料方案，机器人系统合成并表征这些材料，实验产生可靠的数据，结果反馈到模型中，再由系统决定下一步应该开展什么实验。

这与许多人接受教育时所熟悉的实验室大不相同。

这样的体系将分布在各个科研实力雄厚的国家和地区，如意大利、西班牙、英国、北美和新加坡。

讲到这里，亚吉教授进一步描绘了他的设想。" 想象一下，有三十个这样的研究机构彼此连接，不断获取可靠数据，并将数据输入我们的人工智能模型，这样的模型将有望成为世界上最好的模型，并推动科学进步。"

在他的设想中，实验室需要关心的，也不再只是完成了多少次实验。他提出一个更值得追问的问题：" 这次实验，是否让下一次实验变得更好？"

数据，要可行，更要可信

听完几支团队的报告，我注意到，他们都花了不少篇幅讲基础数据库。

高翔宇教授是北京大学肿瘤医院的副主任医师，长期从事胃癌研究。

高教授直言道：包括我所有的学生，包括我们现在做肿瘤的同事大家都在用一个很重要的数据库——美国的 TCGA，这个数据库从上世纪 90 年代开始建以后，到现在依然每一天都在被使用。

据他在报告中的介绍，全球每年约有 100 万例胃癌新发病例，其中约 40 万例发生在中国。

" 这是我们中国自己的癌症，需要我们自己去研究。"

但在他看来，国外数据库未必能充分反映中国患者的病情。他以 TCGA 于 2014 年在 Nature 上发表的胃癌分子分型研究为例：研究将胃癌分为四种分子亚型，真正能够指导治疗的，可能主要是 MSI-H 这一部分患者。

不只在医学领域，力学、能源、地质等领域的国内研究团队，也在尝试建设自己的基础数据库。

在学术报告中我发现了一个有意思的地方：大家建设数据库的方法有所不同。

高教授用照片解释现有的数据局限：" 现在的数据库呢，大多数是一个单点，我把它叫做 snapshot，比如我今天照了一个相，在这个时刻就是这个样子，但是今天这个时刻和明天这个时刻也许就不一样了。"

实际过程也一样，患者接受治疗，病情随之变化，之后还可能经历复发、再次治疗。只留下一次检查的数据，研究者就难以看清这个过程。

" 我们现在更强调是全程化的多点取样。"

说到随访，高翔宇教授讲起自己门诊里的患者，许多人长期与他保持联系。报告中，高教授强调了团队在建立数据库中的优势：在长期诊疗过程中持续跟踪患者，积累治疗与随访记录。

这些记录最终要归到同一个人身上。他提出 " 一人一档 "，将临床信息、影像与文本、多组学数据以及随访记录关联起来。这样，研究者才能比较患者在治疗前后发生了什么变化，并寻找这些变化与疗效、预后的关系。

对于数据的动态性，徐志平教授也有同样的发现。

徐志平教授是清华大学工程力学系教授、固体力学研究所所长，主要从事理论研究。

在力学材料研究中他发现，刚开始判断材料好不好，非常简单，可以通过实验快速筛选出来。但在实际使用中，温度和载荷等因素会影响材料的性能，内部还可能逐渐产生损伤。

这位做理论的教授，一开始就说出了自己的关注：" 一个是可行，一个是可信。"

他举了蠕变实验的例子。材料在高温下的长期表现，可能需要几年甚至几十年的实验才能观察。如果要判断一座核电站的寿命能否延长，研究者无法等几十年之后再给答案。

" 但是核电站 100 年之后的事情怎么知道？"

徐志平教授解释，一种做法是提高实验温度，让变化更快发生，再寻找不同温度之间的物理对应关系，用短期实验帮助理解较低温度下的长期表现。

" 你可以做一个很短的高温实验，把数据用到这个低温的很长时间里面去。"

同样的思路也用于连接简单体系与复杂体系。徐志平教授介绍，他们先在简单体系中构造大量物理上合理的数据，让模型学习其中的关系，再用于更复杂的结构。随着体系逐步扩展，建立起一条 " 物理传递 " 的链。

徐教授的物理传递理论

这里要传递的，是数据中包含的物理关系。简单体系更容易获得数据，研究者借助模型，把这些关系用于难以充分观测的复杂问题，再评价这种推断的范围和误差。

对于机器学习生成的数据，徐志平教授提醒，生成数据的视觉相似性，并不能保证其物理合理性。

徐志平教授在报告中展示了两幅细胞图像：一幅来自实验，另一幅由模型生成。生成的图像试图接近实验中的样子。

" 生成的数据似乎是希望它长得很像，但是好像又不那么像。"

徐志平教授解释，要理解图像背后的物理规律，未必需要追踪每一个像素的位置，更重要的是识别关键结构，以及它们随时间变化的特征。比如数据降维之后，还需要检查它是否保留了应有的信息。

徐志平教授把评价分成两件事：从简单体系能推到什么程度，数据是否足够，是可行性；推出来的结果与最终结果相差多远，是可信性。数据量和模型复杂度，都要放进这个判断之中。

需要提前识别的异常数据，恰恰难以直接采集

算出更多数据之后，还有一件事要做：判断这些数能不能拿来用。在工业现场，这一步尤其不能省。

来自中国石化的孙丽丽院士，谈数据库时提醒：" 数据误差会沿着链条逐级地去放大，越靠下游，可能这个问题会越严重。"

她讲的是数据进入工程后的用途。工艺设计依据的数据有偏差，可能影响传热等过程的计算，继而带来更高的投资、能耗和排放；对于高温高压、易燃易爆的石化装置，偏差最终可能牵涉事故风险。

读到这里，我想起 Amazon 抗体研究介绍里的一句话：" 在一个实验室的数据上微调的模型，会悄悄继承这个实验室的测量偏移。"

Amazon 的研究团队尝试用 AI 预测抗体的性质，帮助研究者判断哪些候选适合进一步开发。他们遇到的问题是，不同实验室处理样本、开展实验的方法存在差异，模型可能把这些测量差异也学进去。在一项模拟测试中，加入测量偏移后，模型预测与实际数值的相关程度明显下降。

团队的办法是，预测一个新抗体前，先给模型看同一实验室已经测过的样本和结果，让它有依据调整预测。在上述模拟测试中，采用这种方法的版本保持了原有的高相关水平。

这让我更容易理解孙丽丽院士的追问：数据本身有出处，还得说明它离开原来的条件后，能不能继续用。

孙丽丽院士指出，大型工程装置年复一年运行，数据按道理是在不断积累，但在她看来，今天、明天、年初、年末等许多记录，反映的都是相近的正常状态。

而工程人员希望做到的是，" 哪些指标稍微有变化，我就知道这个问题在哪 " ——在异常继续发展之前识别问题。

" 谁能让装置在爆炸的边界上去运行一下？" 她反问，" 高温高压，易燃易爆，那可能要出事了，对不对？"

那些最需要提前识别的异常数据，恰恰难以直接采集。

生产预警又恰恰需要理解这些变化。孙丽丽院士介绍，团队在生产操作的预测预警工作中，用仿真构造数据，补充工业装置和实验中难以取得的信息。她提出的数据库建设路径还包括整合已有数据、定向补测，以及使用 AI 生成数据。

补进来的数据也不能直接混在一起使用。我发现现场的报告中，都强调了为数据建立可信的评价机制。

孙丽丽院士没有在报告中展开具体的评价机制。徐志平教授则展示了相关评价公式；对他的理论研究感兴趣的读者，可以进一步阅读相关论文：

徐教授的报告资料

听完这些报告，我记住的反而是几件让研究慢下来的事：继续随访一个病人，检查一次预测的依据，确认一条数据能用在哪里。

这些工作让我想起 2019 年公布的 " 哈勃遗产场 "，汇集了不同团队 16 年间近 7500 次曝光。研究者把分散的观测统一整理，拼出一幅包含约 26.5 万个星系的宇宙图景，也把这些数据留给了后来的研究者。

AI 正在让许多研究变快。而那些值得被反复使用的数据，仍需要有人一次次观测、核验，留给下一个提出问题的人。

你觉得 AI 做科研，哪一步更难？

欢迎在评论区分享你的看法 ~