据美国芝加哥大学官网近日报道，该校社会学系教授、知识实验室主任詹姆斯·埃文斯（James Evans）和博士后研究员贾姆希德·索拉蒂（Jamshid Sourati）的合著论文《以人类感知的人工智能促进科学发展》发表于《自然·人类行为》期刊。埃文斯等人表示，人工智能模型有必要掌握科研人员的专业知识框架体系以及合作交流的协作方式。这是因为，一个具备人类感知能力的人工智能模型不但在预测科学发现上准确率更高，还能打破预测的局限性，促进科学加速进步。

从材料发现到药物研发，来自应用科学和工程领域的科研人员常因无法对所有候选设计进行实验评估而苦恼。于是，有研究人员根据已发表的科研成果和公开数据搭建了能够提出高效率实验方案的人工智能模型，从而加速科研成果的生产。埃文斯等人想要进一步验证，假如人工智能可以把握科学家之间的竞争、交流和协作，那么由人工智能模型预测的科学发现是否可以超越人类的认知盲区，抵达尚未探索过的领域，从而更好地增强全人类的科学探索能力？

埃文斯等人将科学发现定义为对现有材料和有明确定义的属性之间关系的首次报告。例如，在“万古霉素可用于治疗肺炎”中，万古霉素是材料，有效治疗肺炎是属性。接下来，研究人员建立了一个随机游动模型，用它来模拟科学家的推理过程。该模型从一种属性如新冠疫苗接种开始，再跳转到另一篇具有相同性质的论文，然后又跳转到同一位作者的另一篇论文或者该论文引用的文献。经过数百万次随机游动，该模型预测材料科学新发现的精准度提高了约100%。在此基础上，模型预测了能治疗一百多种人类疾病的数千种药物，拓宽了可预测到的材料矩阵及其功能特性的范围。该模型还掌握了与材料、属性有相关科研经历的科学家之间的联系，并以超过40%的准确度预测到每一项科学发现的实际发现者。

在第二次实验演示中，埃文斯等人让模型预测“外来科学假说”，又称“互补推理”。这些假说具有科学可信度和发展潜力，但除非重新建构科学体系，它们在未来很长一段时间里都不会被科学家发现。埃文斯注意到，来自科学、技术、文化等领域的学者都在努力维持与同行之间的密切联系，从而最大限度地施展个人成果的影响力。然而，这也导致科学家过分关注从已有的理论和方法中渐进式挖掘新的科学发现。于是，埃文斯等人要求模型绕过人类科学活动中的各种关联和构架，直接探索全新的领域。平均而言，埃文斯等人认为该模型给出的“外来科学假设”质量要优于科学家，其中一个重要理由是，该模型克服了科学家的偏见。这项实验还揭示了当前科学体系存在的一些问题，例如培养研究生某种程度是为了填补劳动力市场的空缺，而不是用来促进科学的发展。

在埃文斯看来，学界需要在人工智能技术的协助下完善现有的科研范式和协作模式，而不是让人工智能复制人类已经掌握的能力，更不是预测近期将会问世的科学发现。唯有如此，人工智能技术才能从本质上增强人类的集体智慧，为科学探索模式带来新的突破。

来源：《中国社会科学报》