關鍵詞：機器人科學家AI

對于AI系統，Schawinski認為這是“第三類”科學研究方法，Hogg則認為不過是傳統觀察分析法的高級版本，不管你支持哪種觀點，有一點是肯定的，AI正在加速改變科學發現的概念。AI革命在科學領域能走多遠?

偶爾，人們會對“機器人科學家”的成就大加贊揚。十年前，一位名叫Adam的AI機器人化學家研究了面包酵母的基因組，找出了哪些基因負責制造某些氨基酸。當時的新聞標題是：“機器人獨自做出科學發現”。

最近，格拉斯哥大學化學家Lee Cronin在用機器人隨機混合化學物質，看看會形成什么樣的新化合物。通過質譜儀、核磁共振儀和紅外光譜儀實時監測反應，系統最終學會了預測哪種組合反應性最強。Cronin說，即使這不會帶來進一步的發現，機器人系統也能讓化學家們將研究速度提高約90%。

去年，蘇黎世理工的另一個科學家小組使用神經網絡從數據集中推導出物理定律。他們的系統是一款機器人開普勒系統，從太陽和火星的位置記錄中重新發現了太陽系的日心模型，并通過觀察碰撞球發現了動量守恒定律。由于物理定律通常可以用不止一種方式來表達，研究人員想知道系統是否可以提供新的方式(也許是更簡單的方式)來思考已知的定律。

這些都是AI啟動科學發現過程的例子，雖然不同案例中AI的作用影響各有不同。也許最具爭議的問題是，在數據爆炸的今天，單從數據中能收集到多少信息。計算機科學家Judea Pearl和科學作家Dana Mackenzie斷言，數據是“極其愚蠢的”。因果關系的問題永遠不能單靠數據來回答。Schawinski也支持這種立場，他從未聲稱數據可以推演因果關系，而只是認為，我們可以比以往更多地利用數據。

另一個經常聽到的論點是，科學需要創造力，而且至少到目前為止，我們不知道如何將“創造力”編程到機器中。物理學家Kai Polsterer說：“除了理論和推理，我們還需要創造力——只有人類才具有這項能力。”創造力從何而來?Polsterer懷疑這與“無聊”有關，機器不會感到無聊。要想有創意，你必須討厭無聊的感覺。另一方面，像創意和靈感這樣的詞經常被用來形容Deep Blue(戰勝人類象棋手的計算機)和AlphaGo這樣的智能程序。我們在試圖描述計算機思想的時候，實際上是對自己大腦的映射。

Schawinski最近離開學術界去了私營部門。他現在經營著一家名為Modulos的創企，公司雇傭了一些ETH科學家，據其網站稱，公司處在AI和機器學習發展的風口浪尖。不管當前AI技術和成熟的人工智慧之間存在什么障礙，Schawinski和同事們都認為機器已經可以接替越來越多人類科學家的工作。

Schawinski說：“在可預見的未來，是否有可能利用生物硬件建造一臺機器，它可以完成人類無法獨立完成的物理、數學任務?科學的未來最終會不會因為計算機才達到人類難以企及的高度?我不知道。但這是個好問題。”