上周二，学术环尽头的阶梯教室里，听课的人已经挤到了门外。
微软研究院的14位研究员，与西湖大学的7位科学家，共同探讨人工智能如何助力科学发现。
就在前一晚，OpenAI在发布会现场演示了最新版本的ChatGPT(GPT-4o)，比上一版更聪明，而且学会了“共情”。还记得《流浪地球》里的Moss吗，大概就是那个样子，人机对话节奏丝滑。
再往前推一周，谷歌DeepMind团队在Nature发表论文，推出了全新的AlphaFold3，能够预测蛋白质、DNA、RNA、小分子配体结构，以及它们相互作用模式。
AI的圈子，闹猛得很。
挤在教室门口听课的人，是冲着AI来的，想知道AI能给科学带来什么。
在讲台上做学术报告的人，是冲着AI来的，想知道AI能给科学带来什么。
不久前来探校的央视记者，也是冲着AI来的，想知道当AI与科学家联手，世界将被改变成什么样子——
她会变得更好，还是更糟？
我们会被AI成就，还是被取代？
带着这些问题，我们找到微软杰出首席科学家、微软研究院科学智能中心亚洲区负责人刘铁岩博士，以及在西湖大学从事AI跨学科研究的科学家们，向他们寻求答案。
是聊天下棋，还是改变世界？
今天的AI，本事越来越大。
一开始，它只是陪人类下棋、写诗、画画，讨一些雅趣——这样的应用能最直观地展现AI强大的工具力。不到十年，它可以准确地预测极其微观的分子结构，开始与前沿科学实验室的产出媲美——与人类群体中最聪明的那群人看齐，它要改变世界了。
从锦上添花，到雪中送炭，AI正在经历怎样的进化？
刘铁岩博士毕业于清华大学，作为微软杰出首席科学家、微软研究院科学智能中心亚洲区负责人，曾在微软亚洲研究院促成第一支AI+科学的团队，开展AI+计算生物学研究。
微软研究院科学智能中心（Microsoft Research AI for Science）是2022年刚刚成立的，这显然是人们越来越重视AI+自然科学的积极信号。
六年前的故事，远不如现在顺利。
2018年，我试图在微软亚洲研究院组建一支AI+科学的团队，做计算生物学。当时招聘委员会的人问我，为什么一个计算机实验室，要招一位纯粹的生物学家进来？
我当时的回答是：AI不会一直局限在自己的小空间里，不会只关注聊聊天、下下棋、看看图之类的琐事，它最终一定会向自然科学伸出友好之手，共同解决一些关乎世界本源和人类命运的问题。
毕竟，人类之所以能成为万物之灵，不是因为我们聊天、看图的能力，而是因为我们具备认识并改造世界的勇气和能力，这也正是千百年来自然科学研究的终极使命。那么以模仿人类为起点的人工智能，如果最终不是为了认识并改造世界，那它的格局就小了。然而想要真正地认识世界和改变世界，就需要抓住关键性的自然科学问题，这不是AI专家可以独立完成的，需要自然科学家的深度参与。
事实上，蛋白质结构预测正是一个典型的故事，告诉我们为什么AI的进化离不开自然科学家的深度参与。
AlphaFold出来之后，大家惊讶地看到AI可以预测蛋白质结构，而且效率远高于人类实验室。但这是否是故事的结局，与蛋白质相关的研究是否到此为止？
微软研究院科学智能中心有一群研究员，有着不同的观点。他们意识到，其实蛋白质的静态结构并不能够真正解释其生物功能。我们常常听到“结构决定功能”，这其实是一个简化的说法，实际上是结构的动态变化和平衡分布等统计信息决定了它的生物功能。只是关注预测静态结构，并未解决最本质的生物学问题。这从某种意义上反映出AI专家的局限性，只有和生物学家深入合作，才能确保AI专家解决的是真正有意义的本质问题。
提出正确的问题，相比于刷出更高的榜单成绩，是对于科学推进更关键、更有意义的一步。
既然志在“改变世界”，AI技术通过具体的努力，将给科学、给人类带来什么？
我们继续把这个问题抛给浸润在产业界多年的刘铁岩。距离他在微软亚洲研究院招聘第一位生物学家，已经六年过去了。
这六年，是AI飞速迭代的六年。
透过业界的窗口，通过一线的实践，刘铁岩和他的同事们在AI for Science的母题上，看到了怎样的曙光？一言以蔽之：是科学，也是博学。
AI能给科学带来什么，我觉得有“两个使命”是最本质的。
如今的自然科学，依赖着实验验证，而实验的周期往往很长，直接关联着科学发现的步伐速度。计算机的特点是，只要有足够的投入，支撑算力、电力，那么就可以把复杂任务并行化，把一年的周期缩短为一个月、十天，甚至一分钟、一秒钟。
因此，假使AI能够把实验“搬”到计算机中去，一旦仿真软件的精度能与实验设备媲美，那就能把科学实验的周期缩短几百倍、几千倍，就能够加速科学探索的进展。
AI有望缩短实验验证的周期、加速科学发展的进程，是为AI的“科学”的使命。
另一个使命，是AI可以从方法论角度改变自然科学研究的格局——今天的自然科学研究，与2000年前相比，有很大的不同。
倘若向历史走来的方向投去目光，会发现包括达芬奇、牛顿、薛定谔在内的很多为人类社会作出卓越贡献的科学家，都是触类旁通、精通多个领域；对比之下，如今的自然科学工作者，往往专注在一个个特别窄的子领域。
术业有专攻，这句话是不是对的？今天这种高度聚焦的科学研究的模式是不是对的？
其实，可能没有所谓对错之分，而是时代变迁让今天的科学家没有选择。今天的科学发展极为丰富，一年的成果及论文数量不计其数，没有哪个科学家或博士生能读得过来。即便是自己的小圈，想要了解所有的科学进展，都几乎是一件不可能完成的任务，要做到博学更是难上加难。
不过，AI是可以帮助科学家开阔视野，实现“博学”的。
人类受到各方面的局限性，处理信息的容量和速度是有限的。而AI可以自动化去阅读、理解、总结同期的科学进展，分析海量的科学数据，从而突破单个科学家的能力局限，就有可能像过去那些博学家一样，把不同学科门类串连在一起思考，看到更大的世界，形成更深入的洞察。一旦打破了学科之间的壁垒，它会成为科学发现的新机会和新范式。
基于这样的思考，微软科学智能中心正在打造“科学基座模型”，试图整合和发现不同科学领域背后“简单通用”的底层规律。试想一下，一旦我们可以利用科学基座模型提出新的科学假说、进行计算仿真、再通过自动化实验室来验证，并将结果反馈给基座模型修正假说、反复迭代——以上过程7×24小时全天候运行，人类的科学发现能力将发生根本性的改变。
上周，刘铁岩在行业媒体上发表了一篇署名文章，标题很吸引人，叫《憧憬一个人人都可参与科学发现的未来》。
放在十年前，也许会觉得这是一个哗众取宠的标题。但现在，人们已经习惯了不太会外语也能翻译，不太懂电脑也能编程，文笔不行也能写诗……
我们把讨论的视角调转，来到大学，来到科学家的实验室里。
如果AI的终极使命是认识和改变这个世界，是帮助科学家重返博学研究之路，那么科学家是怎么想的？他们眼里AI能帮上什么忙？我们距离“人人都可参与科学发现的未来”有多远？
张岳博士毕业于牛津大学计算机科学专业，西湖大学终身教授、自然语言处理实验室负责人，全球NLP领域知名学者。
我认为，人类中需要有相当一部分人，对于AI或者基础科学具有深入的理解。
比如，我们知道AI会自我进化、自我学习。AI学会物理定律了，去背诵物理定律的学生可能慢慢变少了；AI学会自己编程了，想学编程的人可能慢慢变少了。如果AI掌握了一切的知识，人类会不会一点知识都不学了？真到那一天，人类离被AI取代可能也就不远了。
当然这些都是假设。在我看来，凡事还是得分个内行外行。
虽然AI可以编程，但程序也分普通的程序、写得好的程序、达到艺术水准的程序。在任何一个领域，如果你是外行，AI可以迅速给你知识，这种冲击感是扑面而来的；但如果你是内行，那么AI在你眼里就像一个门外汉，因为你总是发现它具其形而不具其神。
所以，内行与外行的结合就显得非常重要。
在西湖大学，我们正试图让AI赋能基础科学研究的全过程，让科学家获得研究成果的速度更快。这在西湖的校园里是有先天优势的，我们研究人工智能的科学家能够和研究基础自然科学的科学家无缝衔接，去互相了解、互相促进。
比如说，传统的实验记录是手写在纸质记录本上的，这样的实验记录非常分散且容易丢失，一旦记录出错也无法追踪。我是做NLP的，我们就和西湖大学横跨四个学院的六个实验室合作，共同开发了一个实验记录自动化平台——用一个统一的通用可扩展的方式，把涉及六个实验室的实验都能自动化地记录下来，然后用AI大模型把它读懂，再自动化地存储下来。
金耀初博士毕业于浙江大学，曾任“洪堡人工智能教席教授”，现任IEEE计算智能学会主席，西湖大学人工智能讲席教授、可信与通用人工智能实验室负责人。
AI的世界飞转，但他的书架上，始终放着几本旧旧的关于脑科学的书。
人工智能必须要从生物大脑演化过程当中来吸收营养，而不是纯粹让模型做得更大、更好。我们要去不断地看生物的一些最基本的、最重要的机制，从这个角度去尝试做出更好的AI模型。
这也是为什么我认为AI与生命科学、尤其是计算生物学的跨学科研究，是能一拍即合的。
这当中有两种合作方法：一种是很直观的，现在实验数据多了，传统方法行不通或者效率太低，可以用AI试试；但我觉得更深入的合作，可能是把生命科学里最本质的东西“抽”出来，用来开发新的AI模型。
大概在30年前，我就在想这个问题——如何从自然智能的角度，来讨论人工智能？
当时根本没有想过30年后的AI是什么场景，纯粹只是好奇，好奇我们做计算机的研究神经网络演化，是不是得去看看生物界的智能、也就是自然智能是怎么演化来的？
走入西湖校园的刘铁岩，被问到一个问题：年轻的博士生和本科生，在通往学术的道路上，应当如何调整自我去适应AI？央视记者也向张岳抛出过类似的问题：年轻人应当如何使用AI？
当AI越来越“博学”，人类该怎么办？
答案殊途同归。
过去一两年，我们招聘各个领域的专家，还专门考虑过AI科学家和自然科学家的比例，但最近我们在反思，这是不是我们最想要的人才？
其实不然。我们想要的是“全栈式”的科研人员：懂AI，也懂自然科学，工程能力还很强，可以独立实现研究闭环。即便和周围人意见不同，他们也可以把自己最漂亮的想法实践出来；如果碰到志同道合的团队就更好，会呈现非常强烈的群体效应。
那么回到教育和成长，我觉得年轻人需要从思想上成为一个AI原生的人，同时也是自然科学原生的人——两方面都不是外行。
举个例子，如果一个AI科学家对自然科学只了解皮毛，他很可能觉得只给我数据，根本不需要你们这些科学知识；反过来如果一个自然科学家不懂AI，他也会觉得所谓AI不过是拿把大锤到处乱敲，万一真的做成了，可能我就失业了……
如果AI与自然科学之间没有原生的信仰，没有对交叉合作成功的渴望，大家终会貌合神离。要把AI for Science做好，自然科学家要真的懂AI，才会喜欢和信任AI；AI科学家也要学习自然科学，才会敬畏自然科学。
把这样的一群人放在一起合作，才能达成1+1>2的效果，把科学知识真正理解和消化，设计到AI的流程中去。
当然，我们距离这个目标还是有距离的，需要教育体系的更新。现在罕有大学教育是把学生往这样的原生方向去培养的，专业选择上，要么是计算机系、要么是生物系；课程设计上，既没有给科学家的计算机课（AI for science），也没有给计算机学者的自然科学课（science for AI）。由此训练出来的同学，不可能是原生交叉。
AI能不能当科学家？我和我的学生持比较乐观的态度。
我们的想法是：AI一定能帮助科学，就像刚才我们说的，可以帮助科研效率提升。在此基础上，当AI能够学到某些科学家的个性、他的经验、他的判断，那么潜在的可能性上，AI也是可以成为科学家的。
从这个角度出发，我认为人类当然应该拥抱技术。未来五年、十年或者更快，人类一定是和AI共存的，你越早适应技术，就越早可以把它变成提升工作效率的工具。
只有最早的拥抱技术的人，对未来的社会的发展的变化方向才会有最敏感的把握，对将来的技术发展也最适应。
在微软内部，曾经流传着这样一个公式：
AI+HI=SI
人工智能+人类智能=超级智能
AI+自然科学的加法，似乎往这个公式又迈了一步。
当世界上最聪明的这群人，选择和人工智能站在一起——一起探索，一起攀登——我们是应该更担忧、更恐慌，还是更释然、更怀抱希望？
从上面的回答里，我们看到的、听到的，是好奇，是勇敢，是敬畏。
而这些，正是推动人类社会走到今天的力量。
在回答背后，工程师和科学家们也在期待更多——
AI擅长在原理清晰、数据丰沛的边界里“解题”，科学家擅长跳出边界之外，去向漆黑干瘪的未知世界提问。他们期待，科学家作为人类智能的代表，能向人工智能提出醍醐灌顶之问，让人工智能与人类智能在互相信任与敬畏中共攀高峰。
我们，顶峰再见！
