Anthropic：人工智正在接管科学建模
AI寒武纪 · 人工智能
原创 心兰 2026-11-07 07:42 江苏 ↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新 现在AI只要一个下午，就能推导出一个诺奖级别的科学公式，但这根本不代表人类理解了自然规律。 Anthropic最新的工程文章阐述了AI如何开始接管整个科学建模流程。 1951年，剑桥大学的计算机坏了整整半年。 生理学家安德鲁·赫胥黎只能坐在一台手摇机械计算器前。 他花了三个多星期，硬算出了乌贼神经细胞放电的方程组。 他和合作者霍奇金把细胞膜抽象成了电路。 为了让计算曲线吻合实测数据，他们凭直觉把一个控制膜通道开关的变量乘了四次方。 他们当时完全不知道为什么必须是四次方。 他们只是谨慎推测，也许细胞膜上有四个带电粒子必须全部移动到位，通道才会打开。 几十年后，另一支团队测出了钾离子通道的真实蛋白质结构。 真相水落石出。 那个通道由四个完全相同的结构单元组成，环绕着中心的孔道。 这项研究直接锁定了1963年的诺贝尔生理学或医学奖。 今天的AI用一下午就能找到更准的拟合公式。 但这完全不等于它提供了科学认知。 单纯找出一个能复现实验数据的模型，在科学上毫无价值。 因为能凑出相同曲线的模型有成千上万个。 霍奇金和赫胥黎当年真正的贡献，不仅在于发现四次方管用，更在于他们亲手验证了更简单的低次方根本不行。 知道哪些设想被推翻了，人类才敢对真实的生理机制下结论。 1962年数学家理查德·汉明写道，计算的目的在于获取洞见，不在于输出数字。 任何科学建模都可以拆成三步。 第一步，构建模型。决定方程的骨架，比如决定把变量设为四次方。 第二步，约束模型。调整参数去贴合真实测量数据，比如调整不同电压下通道打开的频率。 第三步，解释模型。探究方程对应现实中的什么物理意义，比如推断通道内部有四个运动部件。 在过去，这三步全靠人类科学家反复试错。 现在，AI正在一步步接管它们。 进展最快的是第二步，约束模型。 当年霍奇金和赫胥黎靠肉眼和直觉调参，只凑出了一组能匹配数据的参数。 这会带来严重的盲区。 假设一桌人聚餐吃掉了120美元，但没人记账。 这个总金额可能来自每个人各点了一份普通汉堡，也可能来自其中一人吃了牛排加龙虾而其他人只喝了汤。 神经细胞模型完全是同一个逻辑。 极其悬殊的参数组合，可以产生一模一样的电脉冲信号。 如果只挑出一组最优参数，实际上隐瞒了所有其他的可能性。 经典的解决方式是贝叶斯推断。 它放弃了单一答案，直接计算出一整套概率分布，把所有合理的参数组合都列出来。 但对于复杂模型，这种计算量大到不可思议。 如果数千个离子通道都在随机开关，计算机根本没有办法穷举每一种状态。 AI学界给出的破局方案叫做基于仿真的推断，简称SBI。 它用算力暴力破解反推难题。 只要手头的模型可以输入参数并跑出数据，研究人员就让它随机运行成千上万次。 普通神经模型跑10万次，复杂模型跑几百万次。 然后，用这些海量输入输出数据训练一个深度神经网络。 训练阶段可能需要耗费数周。 可一旦训练完成，神经网络就能在几秒钟内完成逆向推理。 给它一段全新的实测数据，它能瞬间返回可能产生这段数据的所有参数范围。 两颗中子星在宇宙深处碰撞时，SBI能在几秒钟内估算出发生位置，让人类望远镜赶在信号消失前直接对准天区。 这项技术已经在宇宙学、结构生物学和地球物理学中大显身手。 神经科学同样引入了SBI。 面对真实细胞，它能直接展示哪些参数被数据死死限制住了，哪些区域存在多种合理解释，以及哪里最需要做下一个实验。 在约束模型之前，必须先有模型。 第一步构建模型，现在也开始被AI取代。 科学史上的绝大部分模型，都是科学家凭借经验和先验假设写出来的。 人类大脑能想到的模型形态极其有限，很容易漏掉完全合理的新结构。 基于大语言模型的Agent可以直接接管这个过程。 人类只要提供自然语言描述和实验数据，LLM就会自己写出候选模型的代码。 接着Agent自动运行程序，调整参数，对比真实数据，并改写方程的形态。 这个循环反复运行，直到模型能够复现现实。 然而，代码能跑通，并不意味着带来了理解。 面对同样的数据，跑两次Agent，它完全可能给出两个形式不同却同样精准的方程。 如果AI只交出其中一个，本质上依然掩盖了全貌。 处理这个问题的正确方式，依然是输出概率分布。 AI提出大量候选模型。 需要靠过多参数才能勉强凑出数据的模型，会被降低权重甚至直接剔除。 能够自然贴合数据的模型被保留，并派生出新的变体。 如果最终所有幸存下来的模型都具有某个共同特征，说明数据强烈支持这个机制。 如果幸存的模型彼此冲突，则直接暴露了当前证据薄弱的地方，为下一次实验指明方向。 第三步解释模型，是AI最难插手的环节。 因为模型的拟合优度可以被精确计算，但人类的理解程度却无法变成一个数学优化目标。 霍奇金和赫胥黎能断