AlphaFold封神，但我们离“理解”科学更远了？

作为一名技术从业者，我们正处在一个激动人心的时代。每天，AI都在刷新我们的认知：大型语言模型能与人对谈、写代码，AlphaFold以原子级的精度预测蛋白质结构，AI系统从海量数据中识别出人眼无法察-察觉的模式。我们为这些成就欢呼，感觉自己正手握开启未来的钥匙。

然而，最近读到斯坦福神经科学家Grace Huckins的一句话，像一盆冷水浇在我的头上：

“虽然强大的AI工具和海量数据集正在推动实际进步，但它们可能没有深化我们对宇宙的理解。”

这句话让我陷入了沉思。我们用AI造出了越来越好用的“锤子”，但我们真的更理解“钉子”和“木头”了吗？还是说，我们正满足于成为一个更高效的“木匠”，而放弃了成为“物理学家”的追求？

一个被遗忘的“芯片实验”：当神经科学遇到微处理器

要理解Huckins的担忧，我们得回到一个近十年前、看似有些“疯狂”的实验。

宾夕法尼亚大学的Konrad Kording教授和他的学生Eric Jonas，决定用研究大脑的方式来研究一个我们早已“完全理解”的东西——MOS 6502微处理器（就是驱动Apple II和任天堂游戏机的那款经典芯片）。

他们没有去读芯片的设计文档，而是做了一件在神经科学领域司空见惯的事：

1. 数据采集：把芯片的4510个晶体管当作“神经元”，记录它们在运行《大金刚》等游戏时的电活动，生成了海量数据。

2. “病变”研究：模拟“敲掉”单个晶体管，观察芯片的行为（游戏输出）会发生什么变化，这类似于研究大脑特定区域受损后的影响。

3. 高级分析：使用当时最先进的神经科学分析方法，如PCA、Granger因果分析等，试图从数据中反推出芯片的工作原理。

结果如何？一败涂地。

尽管他们手握关于这个系统的完美、完整的数据，但所有分析结果都没能帮助他们理解芯片的任何高级概念，比如什么是“时钟周期”，什么是“算术逻辑单元（ALU）”。他们最终在论文中沮丧地写道：

“我们的结果远未达到我们所说的‘令人满意的理解’……若没有新的理论和分析方法，更多的数据不会帮助任何人理解大脑的工作原理。”

这个“微处理器论文”是一个绝佳的寓言。它警示我们：拥有一个系统的全部数据，甚至能够预测其行为，与真正“理解”这个系统的工作原理，是两件完全不同的事。

AlphaFold的胜利：预测的巅峰，理解的“黑箱”

快进到今天，我们有了比十年前强大得多的工具——深度学习和生成式AI。这些工具正在以前所未有的能力处理海量数据。神经科学家们用AI解码大脑活动、重建听到的播客，这些成果令人惊叹。

而其中最耀眼的明星，莫过于DeepMind的AlphaFold。它在蛋白质结构预测领域的成功是革命性的。我们来看一组对比数据：

评估指标 (GDT_TS)	传统实验方法（X射线晶体学等）	CASP13 (2018) AlphaFold 1	CASP14 (2020) AlphaFold 2
中位数精度	~95+	~60	92.4
原子精度 (RMSD)	-	-	0.96 Å (原子级别)

注：GDT_TS是衡量蛋白质结构预测准确度的主要指标，90以上被认为与实验方法相当。一个碳原子的宽度约为1.4 Å。

AlphaFold的精度已经达到了实验级别，这是一个里程碑式的成就。然而，Huckins一针见血地指出：

“AlphaFold是一个巨大的、极其复杂的系统，没有人理解它是如何工作的。它能做出很好的预测，但这些预测的来源是一个谜。”

这正是问题的核心。我们创造了一个能够精准预测蛋白质如何折叠的“神谕”，但我们并没有因此获得一个关于蛋白质折叠普适、简洁的物理理论。我们知道**“是什么”（What），却不知道“为什么”**（Why）。

“理解”与“预测”的分离：科学范式的转变

在经典科学时代，“理解”和“预测”几乎是同一件事。牛顿因为理解了万有引力，所以能精准预测天体的运行。

但AI和大数据正在将这两个目标分离开来。

大多数AI系统，本质上是相关性引擎和预测机器。它们通过消化海量数据，学习输入和输出之间的复杂统计模式。它们没有人类所依赖的先验知识、物理模型或因果理论。正因为如此，它们需要远超人类认知能力的数据量来“发现”这些模式。

其结果是，AI可以在没有“理解”的情况下，做出超越人类的“预测”。

• AI可以筛选出可能成为有效抗生素的分子，但它不知道“抗菌性”的生化原理。

• AI可以为抑郁症患者推荐最有效的药物，但它没有一个关于“抑郁症”和“药物作用机制”的统一理论。

这带来了一个根本性的问题：如果一个工具能持续给出正确答案，我们还有必要去探寻答案背后的原理吗？

当AI能够系统性地、大规模地进行“没有理解的创新”时，科学的本质正在被悄然改变。几个世纪以来，“理解”是通往技术创新、药物发现等应用目标的必经之路。而现在，AI似乎开辟了一条捷径，让我们可以绕过“理解”，直达终点。

我们究竟需要什么样的科学？

这场“理解的危机”并非始于AI。已故的生物学家卡尔·沃斯（Carl Woese）在2004年就曾发出警告，他反对将生物学“工程化”的倾向：

“允许科学滑入‘改变世界而不试图理解它’的角色，对社会是一种危险。”

他主张，科学的首要目标应该是寻求理解，而非仅仅是改变世界。

Grace Huckins的观点，正是对这个警告在AI时代的重申。她并非否定AI的巨大价值，而是提醒我们，当科学的两个目标——“实用”（开发技术、解决问题）和**“理解”**（探索宇宙的深层规律）——被AI分离时，我们作为技术和社会的一份子，有责任做出选择。

作为身处这场变革浪潮中的开发者、工程师和科研人员，这个问题离我们并不遥远：

• 当我们训练一个模型来优化推荐系统时，我们是满足于更高的CTR，还是去探究模型揭示了哪些过去未被发现的用户行为模式？

• 当我们使用AI进行科学模拟时，我们是仅仅满足于发表一篇结果惊艳的论文，还是致力于将AI的“黑箱”洞察转化为人类可以理解的知识和理论？

AI为我们提供了前所未有的强大工具，但也给了我们“不去理解世界”的许可。如何使用这份许可，将决定我们是走向一个技术更先进但认知更肤浅的未来，还是利用AI作为一种全新的“显微镜”，去探索那些人类智慧难以触及的、更深层次的宇宙奥秘。

那么，你怎么看？你认为在AI时代，我们应该优先追求预测的准确性，还是理解的深度？欢迎在评论区留下你的思考。