AI助力科學（AlphaFold）
/ AY-EYE for SY-uns /
AI助力科學，是用機器學習去攻克科學難題——預測分子如何行事、從望遠鏡數據裡篩出新行星、為氣候建模、設計材料——這些問題裡的規律，對人手工去找而言，要麼浩如煙海，要麼細微難辨。其中的旗艦級成就是AlphaFold：DeepMind的一個系統，它能僅憑一段化學序列，就預測一個蛋白質折疊成的三維形狀——這是個讓生物學家苦苦掙扎了五十多年的難題。
AlphaFold為何如此重要：蛋白質的功能由它折疊後的形狀決定，可從序列去預測那個形狀，是出了名的難——用實驗測定一個結構，可能要花上幾個月乃至幾年。AlphaFold的預測，對許多蛋白質而言，精度已逼近實驗方法；它的創造者還公開了一個資料庫，收錄了幾乎每一種已知蛋白質的預測結構。這把一個緩慢的瓶頸，變成了研究者幾秒鐘就能查到的東西，加速了對酶、藥物和疾病的研究。這項成就，分享了2024年諾貝爾化學獎。
要把這份成功說得誠實而有邊界。AlphaFold預測的是一個可能的靜態結構；它並未完整刻畫蛋白質如何運動、相互作用或出錯，而且它的預測是有信心的猜測，仍需實驗去核驗——並非確鑿無疑的真相。更寬泛地說，AI助力科學是一個強大的加速器，而非科學的替代：模型能找出規律、提出假說，但它們可能出錯、可能把訓練數據的偏見編碼進去，也無法拿一個論斷去和現實對質。真正的勝利，來自把AI快速的預測，與那些緩慢、審慎、用來確認它們的實驗配成一對。
一位研究新發現細菌蛋白質的研究者，從前光是搞清它的形狀，就要面對幾個月的實驗室工作。如今，他把這段胺基酸序列輸入AlphaFold的資料庫，幾秒鐘就得到一個預測的三維結構——還附帶逐區域的置信分，標出哪些部分可信。他仍會用實驗去確認那些關鍵區域，但他是從一個有根據的猜測出發，而不是從零開始。
AlphaFold把一個耗時數月的結構難題，變成幾秒鐘的查詢——但仍待確認。
即便是AlphaFold這樣的凱旋，它做的也是預測，而非證明。它的輸出是帶置信分的高品質假說，而非測得的事實，對蛋白質如何運動或結合也幾乎不置一詞。AI助力科學，最擅長充當一份快速的初稿，再由人類的實驗去核驗——而不是充當神諭。