傳統(tǒng)認為，科技工作因其高度的創(chuàng)新性，因此科技工作者很難被人工智能取代。但日前，國際學術期刊《自然》發(fā)表的一篇論文吸引了大家的眼球。科學家們改造了一種汽車裝配線上常見的機器人，讓它可以在化學實驗室內工作。通過與機器學習算法相連，這種機器人可以使用和人類化學家一樣的標準分析儀器，“相當于使研究人員而非儀器變得自動化”。同時，由于它和人類體積相當，可以在傳統(tǒng)實驗室內工作，而無須建立或改造新實驗室。在提高一種聚合光催化劑性能的實驗中，這款機器人在2～3天內便優(yōu)化了反應條件，而人類要幾個月的時間才能做到。原因之一，就是這種機器人采取了激光掃描和觸覺反饋相結合的方式實現定位，而不是視覺系統(tǒng)——不用“看”的機器人無須光亮，因此極大地提高了光催化實驗的效率。研究者認為，這個機器人將在傳統(tǒng)實驗室有更多應用。那么，人工智能會取代化學家嗎？會取代科學家嗎？本期，我們邀請?zhí)m州大學化學化工學院教授王為，中國科學院自動化研究所研究員侯增廣，和中國科學院物理研究所研究員王磊一起來談談這個話題。

   1.人工智能已成為科學家的好幫手

   侯增廣(中國科學院自動化研究所研究員)：簡單地說，《自然》刊登的論文在技術方面有兩個亮點。一是采用機器人代替?zhèn)鹘y(tǒng)實驗室的實驗員，克服了光催化實驗人工操作過程中的一些問題。這個實驗應用的就是常見的具有機械臂的移動機器人平臺，它連續(xù)運行了8天，做了688個實驗。第二個亮點是采用了貝葉斯算法，這是一種基于概率統(tǒng)計的分類算法，使實驗效率大大提升。

   機器人最早在制造和生產領域得到應用。目前，在科學發(fā)現領域，機器人在精度要求比較高的場景中，如時間精度、位置精度、操作精度等，有了很多應用。例如，人工授精要求把精子準確地送入卵子中，精度要求比較高，這類任務如果采用機器人將比人工操作的效率高很多。

   人工智能的應用給科研帶來很多新變化，增加了新可能。比如，采用人工智能方法對數據的采集更客觀、分析更準確。同時，人工智能有強大的計算能力，能夠發(fā)現人容易忽略的小樣本事件、罕見樣本事件，可能給科學研究帶來意想不到的發(fā)現。

   王為(蘭州大學化學化工學院教授)：人工智能如何幫助化學家？我們首先要理解“化學學科”和“人工智能”的內涵和外延，判斷它們各自面臨的瓶頸和發(fā)展的方向，再分析它們可能采用什么方式交匯融通。

   化學是發(fā)現和創(chuàng)造物質的學科。要解決的基本問題包括：物質如何(精準)創(chuàng)制？物質的組成和結構如何？物質有什么(獨特)的功能？上述問題的解決，從根本上講需要對微觀物質世界的底層邏輯形成理論體系。因此，化學學科既需要動腦，也需要動手：從發(fā)現和創(chuàng)造物質的實踐中獲得數據，從數據中總結新的經驗和規(guī)律，再從經驗和規(guī)律中指導未知的、獲得新數據的實踐。簡言之，化學學科的發(fā)展需要從微觀到宏觀的多尺度層級上，高效精準獲取數據、建立數據和理論之間的強連接、完備理論體系。

   新一代人工智能的核心是在大數據基礎上將智能問題轉化為數據問題，其發(fā)展需要三個核心要素的支撐：計算能力、海量數據、數學算法。人工智能的基本層級是智能放大和綜合，包括信息的采集、錄入和分析。進階層級是智能預測，即在大數據基礎上預測特定事物的發(fā)生概率。高級層級是智能學習，即通過算法上的革新，突破人類的思考模式，在基本規(guī)律下自主地創(chuàng)造機器的思考模式，從而輸出全局最優(yōu)的結果。

   人工智能在化學領域中的應用初見端倪。其對于化學家的幫助可能表現在以下幾個層級：一是輔助動手，高效獲得數據。二是輔助動腦。通過對海量數據的分析，人工智能可能預測出新的物質合成途徑、發(fā)現物質的新功能、建立新的邏輯連接(構效關系)等。三是針對化學領域的核心問題，通過深度學習(算法創(chuàng)新)和深度自動化，實現動手和動腦的深度結合，完成自主創(chuàng)新。以此標準衡量，人工智能在化學領域中的應用還處在起步階段?！蹲匀弧愤@篇工作的核心亮點是提供了高效獲取數據的深度自動化研究平臺，為將來動腦和動手的有效結合起到示范作用。

   王磊(中國科學院物理所研究員)：今天的人工智能已經在科研領域給科學家?guī)砗芏鄮椭?。我們可以想象，愛迪生發(fā)明燈芯，要對各種材料不停試錯，如果有這種機器人的幫助，那可能提早電燈的發(fā)明。其實，在科研領域有很多類似的應用。比如我們中科院物理所，在晶體材料的合成和生長上，就使用人工智能作為輔助。我們所幾輩科研人員在這個行業(yè)深耕幾十年，留下了豐富的實驗數據，但都是寫在紙上的。我們把這些實驗記錄數字化，再“訓練”一個識別程序，就能用來預測晶體能不能長成等。再比如，在材料科學中，很多時候科學家們要從材料微觀組成，例如原子排列順序等，來推測材料可能具備的宏觀功能，例如親水性等。通常這個計算是很復雜的，需要耗費大量時間?，F在，人工智能通過“學習”之前的計算結果，已經可以完成這部分工作。當然，其準確性還有很大提升空間。

   2.什么樣的科技工作者會被替代

   王為：我的基本觀點是：人工智能在未來會替代重復性的化學實驗和測試工作，有可能改變甚至變革化學研究的范式，但從根本上無法替代化學家。

   就獲取數據而言，人工智能在預先設計的化學實驗中表現得更加高效。相較于人的操作，其標準化程度更高、誤差更小，能幫助化學家獲得更大量的、標準化的、可對比的數據。就數據分析而言，相比于人類記憶以及理解數據的局限性，人工智能可以更為精準、有效地收集、分析、整合數據，并可能尋找到相應的規(guī)律。因此，人工智能有可能在化學領域的應用中率先取得突破，從而改變甚至變革化學研究的基本模式。

   而取得突破的先決條件至少有兩點。一是獲取海量數據。人工智能的基礎是大數據。就機器學習的需求而言，目前化學領域所能提供的數據數量非常有限、可對比度極低。二是實現算法創(chuàng)新?；诨瘜W領域提出的特定科學問題，在海量數據存在的前提下，通過算法創(chuàng)新，突破化學領域現有的思考模式和理論框架，鎖定多參數復雜體系的最優(yōu)解。就此而言，人工智能在化學領域中的應用還有很長的道路要走。

   侯增廣：人工智能很可能給實驗室?guī)砭薮笞兏?，甚至出現無人實驗室。但我認為，短時間內，人工智能和機器人不能替代科學家。我們看《自然》刊登的這個實驗中，進行實驗頂層設計的，比如實驗架構等，還是科學家，機器人和人工智能只不過是人的手和眼的延伸。我認為，即便深度學習等人工智能方法發(fā)展起來，也不太可能替代科學家。因為人工智能是建立在算法之上，它的能力的獲取是基于大量數據得來的，強大的基于數據的計算能力是人工智能的核心能力。但人工智能和真實的生物智能還有很大差距，人從來就不是這么思考的，人類的智能是基于知識、而非基于數據的。而這點，人工智能還做不到。比如我們課題組在研究手術機器人。在某些方面，它的精準度比普通醫(yī)生要高。但是人體是非常復雜的，每個人的情況也千差萬別，遇到復雜病灶、復雜障礙如何處理？這點機器人還不行，比不上經驗豐富的醫(yī)生。因為這些能力和判斷都是基于經驗知識的，而非簡單數據。

   王磊：科研中，那些重復性高的、有固定流程的工作可能被替代。但對于是否能替代科學家這個問題，我的看法是比較保守的。比如我們物理學，最重要的是在現象中發(fā)現新的物理定律。但目前的人工智能算法，還看不到能發(fā)現新物理定律的可能，作出創(chuàng)新性發(fā)現的可能性比較小。我現在做的深度學習與計算物理交叉的研究，起碼目前還沒有看到人工智能能夠取代科學家的證據。雖然現在也有很多實驗模擬一個環(huán)境，看看人工智能是否能取得重新發(fā)現。比如給人工智能萬有引力定律發(fā)現之前的各種數據，看人工智能能不能像牛頓一樣發(fā)現萬有引力定律。有些實驗聲稱獲得了很好的結果，但仔細研究這些實驗，會發(fā)現其中有很多可控的空間。因此，我總體認為，目前的人工智能做出創(chuàng)造性發(fā)現的可能性比較小。

   3.人工智能是否會引發(fā)與人爭工作的倫理隱憂

   侯增廣：我覺得這方面擔憂是不必要的。我們借助人工智能和機器人可以提高工作效率，把人從重復性的、危險性的工作中解放出來。這是一種社會的進步。當然，人工智能的發(fā)展也面臨很多倫理問題，這不可能在一個訪談中盡談。我只能從我所在的這個領域談一個倫理問題的例子：目前的人工智能方法是不能夠保證計算結果百分百正確，我們應該把什么樣問題的決定權交給人工智能？如果出現失誤，這個責任應該由誰來承擔？我們再以手術機器人為例。之前說過，人體是十分復雜的，手術中會遇到各種各樣的狀況。如果是人做手術，他很清楚自己能力或技術的邊界在哪里，什么樣的問題是他不能解決的。因此，可以及時向老師、前輩請教，或者邀請其他科室的大夫來會診。但如果是機器人自主做手術，它是按照程序來運行的，這個程序不可能包含所有可能發(fā)生的情況，機器人也不會清楚自己能力和技術的邊界。那么，在某些程序交由機器人來判斷和決定的情況下，一旦手術失敗，這個責任由誰來承擔？是算法的研究者，是機器人的制造商，還是按下操作鍵的醫(yī)護人員？這是一個值得大家關注的倫理問題。

   王磊：每一次技術的更新換代，都會帶來產業(yè)的變化，某些工種可能被替代，從而引導勞動力向不同的方向分流。我覺得從人類整體的發(fā)展而言，與人爭工作這個倫理問題可能不是最急迫的。我們目前討論更多的倫理問題，是如何讓機器不“染上”人類的偏見。我們知道，人工智能是基于大數據的，這些數據集的標簽的制備過程都需要人。特別是，原來數據集是由人寫的，可能會進行克制。現在數據集都是互聯網搜集的，偏見很難避免，比如基于膚色的偏見、基于性別的偏見等。那么，在人工智能的應用中，如何在算法中去除這些偏見，是我們要面對的比較緊迫的倫理問題。