为何本页读来不同
本手册的大部分内容,都是围绕不确定性、危险,以及在可核实范围内诚实承认的空白而构建的。本页有所不同:它汇集了一系列由 AI 驱动、有明确日期、可供核实的科学成果——其中一项甚至已经斩获诺贝尔奖——然而,催生出那项获诺贝尔奖方法的同一个研究项目,也催生了一篇被正式更正的《自然》论文,以及一款在实验室中表现良好、却在真实诊所中步履蹒跚的诊断工具。同时容纳这两个事实——真正的成就与真正的夸大其词,来自同一个实验室,有时甚至是同一年——正是本页的主旨所在,而不是一个有待化解的矛盾。
以下内容所涉及的,全部是应用于某个具体科学或医学问题的狭义、任务专用型机器学习,而非 AGI。至于某个未来的通用系统是否会一举加速整个科学领域,那是一种情景设想,AI 的收益与延误的机会成本一文对此有所探讨;本页只关注已经交付、已经发表,或已经过同行评审的成果。
蛋白质结构,已被破解:AlphaFold 与 2024 年诺贝尔奖
最清晰的案例,是蛋白质结构预测。2024 年 10 月,瑞典皇家科学院将诺贝尔化学奖联合授予 Google DeepMind 的 Demis Hassabis 与 John Jumper,「以表彰其在蛋白质结构预测方面的贡献」,以及华盛顿大学的 David Baker,以表彰其在计算蛋白质设计方面的贡献(诺贝尔奖官网,2024 年 10 月 9 日)——这是该领域的最高荣誉,距 AlphaFold2 于 2020 年发布的原始成果已过去四年,并由一个在这四年间真正投入使用这一工具的学科加以确认:据报道,190 个国家的超过两百万名研究人员利用它预测了几乎全部两亿种已知蛋白质的结构,在高难度目标上的准确度已接近实验方法(《自然》新闻,2024 年 10 月 9 日)。
从结构到药物:Isomorphic Labs,仍在管线之中
DeepMind 的蛋白质折叠研究,孵化出了 Isomorphic Labs,旨在将结构预测能力延伸至药物研发领域。2024 年 1 月,该公司与礼来公司及诺华公司签订协议,合计潜在里程碑金额约为 30 亿美元,目标是攻克「不可成药」的小分子靶点(TechCrunch,2024 年 1 月 7 日)。截至 2026 年初,据二手报道,这一合作已产出多个临床前候选药物——距离临床试验仍有数年之遥,更不用说获批药物了。截至本文撰写之时,这一合作尚无任何一款药物进入人体试验。
AlphaFold 加速了一条漫长管线中的一个环节;尚无证据表明它加速了该管线的最终产出——以获批疗法而非里程碑付款来衡量。AI 的收益与延误的机会成本一文划出了「已衡量的收益」与「预期收益」之间的界线——而这正是一项典型的预期收益。
材料发现——一次证明该系统行之有效的更正
这里最具启发性的案例,是材料科学,恰恰因为它并未停留在一个干净利落的成功故事上。2023 年 11 月,DeepMind 在《自然》上发表了 GNoME:该系统预测了 220 万种候选晶体结构,其中约 38.1 万种被预测为稳定结构——比此前全部历史记录加总起来还要多出约 45 倍的、稳定但尚未实现的化合物(Merchant 等,《自然》,2023 年 11 月 29 日)。一篇配套论文描述了一座名为「A-Lab」的自主机器人实验室,该实验室在没有人工干预的情况下,利用这些预测结果,在十七天内合成了数十种新材料。
2024 年,三位外部化学家——伦敦大学学院的 Robert Palgrave、普林斯顿大学的 Leslie Schoop,以及佛罗里达州立大学的 Susan Latturner——发现,A-Lab 所称的「新」化合物中,约三分之二其实是已知结构,之所以被误判,是因为其 X 射线衍射分析所用的是新手级别的模式匹配,而非训练有素的晶体学家所应采用的严谨 Rietveld 精修法;其中许多化合物早已收录于无机晶体结构数据库中。2026 年 1 月 19 日,《自然》发表了一篇正式的作者更正声明,承认这些「新颖性」主张「曾被误读」——对该平台自身的目录而言是新的,但对科学而言未必如此。
这并不是一个关于 AI 失败的故事。GNoME 的结构预测本身并没有出错;出问题的是下游对「新」的定义方式——而这一问题,是在两年后通过常规的同行评审被发现并正式更正的。这正是该系统按预期运作的体现:一篇《自然》论文是强有力的证据,但并非不受更正的约束,而一项主张的真实地位,取决于它能否经受住审视,而不取决于其发布当周新闻稿的说法。
数学:AlphaProof 在奥赛中,却不受赛程约束
2024 年 7 月,DeepMind 宣布 AlphaProof 与 AlphaGeometry 2 解出了当年国际数学奥林匹克竞赛六道题中的四道,得分为 42 分中的 28 分——达到银牌水平,这是 AI 系统首次达到这一水平(DeepMind,2024 年 7 月 25 日)。DeepMind 自己披露,有一道题在数分钟内解出,但其他题目耗费了长达三天的计算时间——考虑到人类参赛者是在两场 4.5 小时的赛程内解出同样六道题,这一点值得注意。这既未作为真正的 IMO 参赛作品被提交或评判,也未作为竞赛成绩接受独立同行评审;这是一项由公司自行开展、如实标注的基准测试,而不是宣称 AI 能在奥赛选手实际面对的约束条件下,与奥赛数学家真正一较高下。
天气预报:一个已经由同行评审盖棺定论的案例
天气预报是一个有用的对照案例,因为其真实结果每天都会出现,且事后无法被操纵。DeepMind 的 GraphCast 于 2023 年 11 月发表在《科学》期刊上,在数千种被评估的变量与预测时长组合中,其表现优于欧洲气象机构的业务化 HRES 模型,并能在单块 TPU 上于一分钟内生成一份为期十天的全球预报(DeepMind,2023 年 11 月 14 日)。天气预报每天都会与真实天气进行比对打分,因此这是最难夸大其词的领域之一,而多年之后,这一成果依然站得住脚。
医学,在监管层面:FDA 批准数量持续攀升
临床 AI 已经从新奇事物,变成了常规监管业务。2018 年 4 月,IDx-DR(现更名为 LumineticsCore)成为医学领域首个获得 FDA 授权、可完全自主运行的 AI 诊断系统,获准在无需医生解读的情况下检测糖尿病视网膜病变,在一项涉及 900 名受试者的试验中,相对于专家评级,其敏感度为 87.2%,特异度为 90.7%(《npj 数字医学》,2018 年)。此类批准如今已属常规:FDA 授权的 AI 赋能设备数量,从 2024 年底的约 758 项,增长到 2025 年 12 月的 1039 项,月均获批速度从约 21 项攀升至约 30 项,GE 医疗、西门子医疗、飞利浦与佳能位居前列(The Imaging Wire,2026 年 3 月 11 日)。一项批准是一个真实、可核实的事实——但这与「这款工具在你所在的医院表现良好」并不是一回事,而这正是下一节要探讨的问题。
从实验室到诊所的落差:模型遇到真实病人时会发生什么
在「经验证的准确度」与「真实部署效果」之间的落差方面,最清晰的有据可查案例,是 Google Health 的糖尿病视网膜病变系统,该系统在试验中敏感度与特异度均超过 90%。在 2018 年 11 月至 2019 年 8 月间,该系统被部署至泰国的 11 家诊所,它将护士提交的约 1940 张图像中约 21% 判定为「无法评级」——其中大多数只是光照条件问题,人类阅片者原本会不假思索地予以接受——这打乱了工作流程,也延长了那些常常需要奔波数小时才能前来筛查的患者的就诊时间。这一发现在人机交互领域的顶级会议 CHI 2020 上通过了同行评审,《麻省理工科技评论》当时也进行了报道(《麻省理工科技评论》,2020 年 4 月 27 日)。后续针对放射学 AI 的综述,将这一现象描述为一种反复出现的模式:真实世界的表现,取决于当地的设备与工作流程,而不仅仅取决于模型自身的准确度数字。
另一款获 FDA 批准的中风检测工具 Viz.ai,则以不同的方式展现了这种分裂:一项汇总约十几项研究、涉及超过 1.5 万名患者的系统综述与荟萃分析发现,该工具加快了医院工作流程,却未能在这些流程本应改善的临床结局上,带来具有统计学意义的改善。更快,并不自动等于更好。
这一模式对本站其余内容意味着什么
上述每一个案例,都出自本手册在别处讨论过的同一小群前沿实验室——主要是 Google DeepMind,其研究文化在前沿 AI 实验室有何不同一文中有所涉及,而其科学能力集中于少数几家机构这一现象本身,则是权力集中:为何只有少数实验室举足轻重一文的主题。这种集中效应是双向的:正因如此,同一个项目才能在两年之内既斩获诺贝尔奖,又拿下奥赛银牌级成绩,还发表了一篇被更正的《自然》论文;也正因如此,这些主张的叙事框架,总是先经过实验室自身的宣传渠道,之后才会经过一个并不对该实验室负责的同行评审程序。
这一切都不构成对上述成果的否定理由。诺贝尔奖不是炒作;一分钟内生成的十天预报也不是炒作。但「AI 正在加速科学」这句话之所以成立,与关于这项技术的大多数经得起时间考验的论断一样:成立得并不均衡,最明确的成功出现在拥有干净、可核实的真实结果的问题上——一个折叠好的蛋白质、明天的天气、一块晶体所测得的稳定性——而在最后一公里要经过混乱的诊所或未经核实的新闻稿的地方,落差始终存在。那种发现了 GNoME 错误的严谨态度,即便迟到了两年才出现,正是本页希望读者在本站其他各处也一并践行的态度。