当 AI 接管科学发现:我们会退回“知其然不知其所以然”的原始境况吗?

如果自主 AI 能够直接吐出治愈疾病的分子或室温超导的配方,人类却无法理解参数背后的因果机制,这算科学的胜利还是高维度的“钻木取火”?回望技术史中“操作配方”与“因果理论”长期错位的真实账本,可以看清黑箱预测的工程红利与认识论天花板。

science

在蛋白质结构预测、晶体材料筛选与湍流模拟等领域,大模型与自主智能体正展现出惊人的经验跨越能力:输入序列或边界条件,直接输出高精度的物理结构与实验配方。伴随这种效率跃升,一个令人不安的哲学追问开始浮现:如果未来的科学发现主要由 AI 自主完成,而人类只能拿到最终结果、却无法理解中间那上百亿个浮点数权重是如何推导出结论的,我们的认识论处境是否正在退回某种高科技的原始社会?

这个问题之所以尖锐,是因为它直接刺穿了现代科学的自我期许。要给出一个不带预设的判断,我们不妨先把浪漫化的科学史滤镜摘掉,去查一查人类文明和生产力进步的真实账本:过去几百年来,我们到底是先理解了自然规律才造出工具,还是先在“不知其所以然”的黑暗中摸索出了有效配方?

1. 高维度的“钻木取火”:当黑箱预测跑在因果理解前面

远古人类在使用火、酿造谷物酒和冶炼青铜时,对自由基链式氧化反应、酵母菌无氧呼吸以及金属晶格位错一无所知。那时的先民握有一套经过残酷试错沉淀下来的经验映射表:把特定比例的锡矿石与铜矿石混在一起烧到某种火焰颜色,就能得到坚硬的刀剑;把柳树皮煮水喝下去,就能缓解发热与疼痛。他们熟练地调用自然现象,但自然对他们而言是一个彻底的黑箱。

今天,当生物学家调用基因调控基础模型设计一段细胞类型特异性的增强子序列,或者材料学家利用图神经网络从数百万种候选中筛出稳定的新型无机晶体(《Nature》[1])时,一种微妙的对称感出现了。模型给出了经得起湿实验检验的序列与配比,但当研究者试图追问“为什么第 42 位核苷酸换成腺嘌呤就能抵抗染色质沉默”,模型内部跨越数十层的注意力矩阵往往无法给出一个人类大脑能消化的低维因果解释。

如果只看“输入操作指令—获得预期物理结果—无法用语言解释中间机制”这一信息结构,重度依赖 AI 神谕的现代实验室,确实与围着篝火投料的古代工匠呈现出某种拓扑同构。区别似乎只在于,古代工匠靠几代人的偶然试错摸索局部经验,而今天的 AI 用高维张量在几天内穷举了人类几百年才能试完的参数空间。

但由此直接断定“AI 会让科学退化为原始巫术”,又过于轻率了。因为翻开真实的工业与科学史就会发现,“知其然不知其所以然”从来不是原始社会的专利,它恰恰是近现代工程与生产进步最常态的先行驱动力。

2. 文明进步的历史账本:多少靠理论理解,多少靠工程盲探?

在教科书的标准叙事里,人类总是先由物理学家和化学家在黑板上推导出基础自然定律,再由工程师把定律转化为蒸汽机、化工厂、油田开采技术和新药。然而历史档案记录的先后顺序,往往与这种“线性模型”刚好相反。

一个极典型的现代工程样本,是石油工业中的表面活性剂驱油技术(Surfactant Flooding,属三次采油或强化采油 EOR 的核心手段)。油田在经历天然地层压力采油(一次采油)和注水驱替(二次采油)后,仍有超过一半的原油因毛细管力束缚,像无数细小的油滴(油斑)一样死死卡在地下岩石的微米级孔隙里。早在 20 世纪 60 至 70 年代,面对能源危机,石油工程师们就在油田现场大规模尝试向注入水中添加石油磺酸盐等表面活性剂与聚合物(《Journal of Petroleum Technology》[2])。

当时的现场工程师非常清楚这套配方的实用效果:只要通过经验性的试管相态实验(如 Winsor III 型微乳液配比,《SPE Journal》[3])把油水界面张力压低几个数量级,就能把岩层深处的残余油“洗”出来。但在长达几十年的时间里,工程界对地下真实多孔介质中究竟发生了什么微观物理过程知之甚少——为什么实验室岩心驱替效果极好的配方,打进真实非均质油藏后常常莫名失效?表面活性剂分子在粗糙岩石表面的动态吸附、粘弹性流体对毛细管“卡断效应”(Snap-off)的抑制,以及多相流在复杂孔隙网络中的逾渗动力学,直到三四十年后的 21 世纪初,借助同步辐射 X 射线显微断层扫描(Micro-CT)与孔隙尺度直接数值模拟,才被流体力学家真正建立起严密的微观物理理论(《Advances in Water Resources》[4])。工程师在水里加“洗洁精”把原油挤出来的操作,整整跑在了完备多孔介质流体理论前面三四十年。

放眼整个技术史,这种“工程先行、理论滞后”的案例比比皆是:

  • 蒸汽机与热力学:托马斯·纽科门在 1712 年造出了第一台实用的大气式蒸汽机用于煤矿抽水,詹姆斯·瓦特在 1769 年改良了分离式冷凝器;而萨迪·卡诺直到 1824 年才发表《论火的动力》,且卡诺本人当时信奉的还是错误的“热质说”。克劳修斯与开尔文男爵建立热力学第一、第二定律已是 19 世纪 50 年代的事。蒸汽机在没有正确热力学理论指导的情况下轰鸣运转了一百多年,正如生物化学家劳伦斯·亨德森所言:“在 1850 年之前,蒸汽机为科学所做的贡献,远大于科学为蒸汽机所做的贡献。”

  • 阿司匹林与全身麻醉:拜耳公司的费利克斯·霍夫曼在 1897 年合成了乙酰水杨酸(阿司匹林),全球患者服用了整整 74 年,直到约翰·范恩在 1971 年才通过实验证实其作用机制是不可逆地抑制环氧合酶(COX)并阻断前列腺素合成(《Nature New Biology》[5])。同样,乙醚全身麻醉在 1846 年就已登上手术台,但挥发性麻醉剂如何作用于中枢神经系统的 GABAA 受体与双孔钾离子通道,直到 20 世纪末至 21 世纪初才得到分子层面的解析(《Nature Reviews Neuroscience》[6])。

为了定量回答“技术进步到底多大程度依赖基础科学理解”,美国国防部曾在 20 世纪 60 年代中期发起过一项名为 “后见之明计划”(Project Hindsight)的大规模实证调查。研究团队解剖了 20 种核心现代武器系统背后的 710 个关键技术突破事件,时间回溯窗口设定为 20 年,并于 1967 年将结果发表在 《Science》[7] 上。统计结果震动了当时的学界:在这 710 个关键节点中,高达 91% 来自受具体工程目标驱动的技术开发与经验改良,约 8.7% 来自应用科学,而直接源于近期无定向基础科学研究的比例仅有 0.3%。

面对这一结论,美国国家科学基金会(NSF)随即委托伊利诺伊理工学院研究所开展了著名的反驳研究 TRACES 计划(Technology in Retrospect and Critical Events in Science,1968),将电子显微镜、磁铁氧体、避孕药等五项重大创新的回溯窗口拉长到了 50 年以上。结果反转了过来:当时间跨度足够长时,无定向的基础科学理论贡献了约 70% 的源头基石,只是这些理论突破往往需要沉淀 20 到 30 年,才会悄悄转化为工程师手里那些“习以为常”的底层工具。

经济史学家乔尔·莫基尔(Joel Mokyr)在《雅典娜的礼物:知识经济的历史起源》(Princeton University Press[8])中,为这两份看似矛盾的报告提供了一套极具解释力的分析框架。他将人类知识严格划分为两类:一类是关于“是什么与为什么”的命题知识(Ω 知识,即自然规律与科学理论),另一类是关于“怎么做”的处方知识(λ 知识,即工程配方、工艺规程与操作手册)。

概念 | 命题知识与处方知识

经济史学家莫基尔提出的知识二分法:命题知识(Ω)回答自然界“为什么如此运转”的因果规律;处方知识(λ)则是工匠与工程师手中“如何达成特定效果”的可执行操作配方。

处方知识与命题知识二维对比图,四个节点及箭头展示从经验实践到理论抽象的演进
处方知识与命题知识二维对比图,四个节点及箭头展示从经验实践到理论抽象的演进

莫基尔指出,在 18 世纪工业启蒙之前,人类几乎所有的生产进步都靠盲目试错积累“处方知识”(λ)。没有底层理论(Ω)支撑的处方知识完全可以独立产生并推动局部繁荣,就像中国古代精湛的瓷器烧制与欧洲中世纪的哥特式教堂建造;但它的致命弱点是边际收益递减极快——一旦原有的工艺参数摸到头,工匠根本不知道该往哪个方向调整配方,技术就会陷入长达数百年的停滞。

3. 自然本就会计算自己:用第二个黑箱模拟第一个黑箱意义何在?

回到文章开头的第二个核心诘问:既然自然界本来就在实时“计算”和理解它自己——每一颗恒星都在精确求解核聚变与流体静力学平衡,每一个活细胞都在毫微秒级别精确执行热力学与分子动力学——如果我们造出一个包含千亿参数的 AI 黑箱,把自然现象重新演算一遍,而人类既看不懂细胞,也看不懂 AI,这种同义反复的“二阶黑箱”意义何在?

阿根廷作家博尔赫斯在 1946 年写过一篇仅有一段话的短篇小说《论科学的精确性》:某帝国的制图师追求极致的精确,最终绘制出一幅与帝国领土 1:1 等大 的地图,山川与真实的山川重合,房屋与真实的房屋重叠;后代发现这幅宏大的地图毫无用处,便任由它在日晒雨淋中腐烂。如果 AI 只是自然界 1:1 的不可理解复制品,它确实就是博尔赫斯笔下那张无用的地图。

但仔细拆解物理与生物计算的工程现实,就会发现哪怕人类完全不理解 AI 内部的参数过程,这个“人工黑箱”相对于“自然黑箱”依然拥有三个不可替代的工程不对称性:

第一,把不可逆的原子试错转化为可回滚的比特探针。自然界虽然每时每刻都在“计算”自己,但自然的每一次计算都是动用真实物质、消耗真实生命与物理时间的实弹演习。一颗新合成的化合物打进人体会引发真实的肝肾衰竭,一座核聚变装置出现等离子体破裂会烧穿真实的第一壁材料。AI 模型作为自然的“影子模拟器”,最大的工程价值在于允许我们在零物理损耗、零伦理代价的前提下,以快于自然真实时间百万倍的速度进行反事实干预(Counterfactual probing)。

第二,跨尺度的信息桥接与降噪。真实的自然测量充满了噪声与破坏性——单细胞测序一旦裂解细胞,你就永远失去了这个细胞下一秒的动态轨迹;地震波测量只能拿到地表的稀疏震动。AI 模型通过在海量碎片数据上进行自监督预训练,实际上是在高维流形上把离散、断裂的局部观测拼接成了一个连续可微的插值空间。

第三,直接扩充“处方知识”(λ)的搜索半径。在传统科研中,当理论(Ω)滞后时,工程师只能像 20 世纪 70 年代配制驱油表面活性剂那样,在实验室里一天测十几个瓶子。自主科学 AI 本质上是一台超级“处方知识生成器”,它把人类在黑暗中摸索有效工程配方的速度提升了几个数量级。

因此,哪怕我们暂时看不懂过程,用 AI 演算自然也绝非毫无意义——它在控制与改造自然(工程维度)上的效用是实打实的。真正处于危机之中的,是科学的另一个维度:理解自然。

4. 经验炼金术的天花板:为什么没有人类理解的“配方”终会撞墙?

如果承认 AI 能够源源不断地为我们提供好用的“处方知识”(λ),那么下一个问题便顺理成章:我们干脆放弃追求人类自己的理解(Ω),彻底躺平在 AI 投喂的配方里,像原始人敬拜火神一样享用技术红利,行不行?

从复杂系统与科学哲学的角度看,这条路走不通。如果一个文明的处方知识(λ)被 AI 推向极高维度,而人类可理解的命题知识(Ω)停滞不前,系统很快会撞上三堵硬墙。

第一堵墙是分布外(Out-of-Distribution, OOD)的灾难性失效。经验配方的最大软肋在于它不知道自己的生效边界在哪里。再以三次采油中的表面活性剂为例:工程师在某块低温、低盐度的砂岩油藏里试出了一套能把采收率提高 15% 的黄金配方;如果他们不理解背后的静电双电层屏蔽机制与润湿性反转理论,直接把这套配方照搬到高温、高矿化度的碳酸盐岩油藏中,表面活性剂就会瞬间发生盐析沉淀并堵死地层孔隙,造成数千万美元的油井报废。没有任何物理先验约束的纯黑箱模型本质上是高维插值器,当环境跨越相变边界时,只有掌握了底层的因果不变量(Invariance),人类才能预判黑箱何时会给出致命的幻觉。

第二堵墙是知识失去了可组合性(Composability)与反驳锚点。科学哲学家卡尔·波普尔与物理学家大卫·多伊奇(David Deutsch)在《无穷的开始》中曾反复强调,“好解释”的核心特征是难以被轻易改动(Hard to vary)——因为理论中的每一个部分都承担着严谨的逻辑职能,牵一发而动全身。更关键的是,低维度的科学理论是可以跨学科自由组装的:你可以把麦克斯韦方程组与热力学统计拼在一起推导黑体辐射,也可以把量子力学与化学键结合起来理解半导体能带。

而两个各自包含百亿参数的黑箱神经网络,是无法在黑板上直接推导出第三个跨尺度定理的。数学家格雷戈里·蔡廷(Gregory Chaitin)曾用算法信息论给出过一个极为深刻的界定:“理解即是压缩”(Comprehension is compression,《Complexity》[9])。第谷·布拉赫攒下的几大本行星观测坐标是数据,开普勒三定律将其压缩成了三条几何规则,牛顿的万有引力定律 F = GMm/r² 则进一步将天上行星的轨道与地上苹果的下落压缩成了短短几个符号。如果一个模型需要用与自然现象本身差不多复杂的参数量才能复现结果,那它在算法信息论意义上就没有完成“压缩”,也就没有真正生成可迁移的科学理解。

概念 | 认识论压缩(Epistemic Compression)

将高维、嘈杂的自然观测或黑箱模型参数,提炼为低维、可组合、跨边界条件依然成立的数学方程或因果机制的过程。压缩率越高且例外越少,科学理解的深度就越深。

第三堵墙是工程试错的代价与责任无法外包给概率。正如前文在药物研发与安全工程中所讨论的,当 AI 给出十个在虚拟打分上同样完美的新材料或新药分子时,决定押注哪一个去建百亿级化工厂或开展人体临床试验的,依然是必须承担物理与法律后果的人类主体。没有因果理解作为安全冗余设计的底座,任何大规模工程落地都会变成盲目的俄罗斯轮盘赌。

5. 科学瓶颈的迁移:从“向自然索取预测”到“向模型提炼理解”

梳理完历史账本与认识论边界,我们终于可以对文章开头的疑问给出一个层次分明的结论。

自主科学 AI 的爆发,不会让人类永久退回蒙昧的原始社会,但它确实正在开启一个罕见的“新经验主义黄金时代”(或称高维炼金术阶段)。在历史上的大多数时期,工程处方(λ)领先于理论理解(Ω)往往发生在局部工匠领域,时间差在几十年左右;而在未来十到二十年里,AI 将在生物、材料、化学与复杂流体等几乎所有高维学科中,系统性地让“有效配方与精准预测”跑赢“人类因果理解”一大截。我们会比以往任何时候都更频繁地面对“东西做出来了、药见效了、状态预测准了,但教科书还解释不清为什么”的局面。

但这绝不意味着科学的终结,恰恰相反,它重构了人类科学家的核心使命。

自然界每时每刻都在以一比一的复杂度精准演算自己,科学的本质从来不是造出第二个同样无法理解的黑箱去复刻自然,而是把高维度的自然涌现与模型预测,极限压缩成人类心智能够把握的低维因果律。

在算力贫瘠的过去三百年里,科学的瓶颈在于根据已知理论去求解复杂系统——我们写得出薛定谔方程和纳维-斯托克斯方程,却算不出一个真实蛋白质的折叠或一场台风的路径。

而在 AI 接管高维预测之后,科学最硬的难点发生了历史性的反转:瓶颈从“正向预测”迁移到了“逆向蒸馏”。未来的科学家将同时面对两个黑箱——一个是真实的自然界,另一个是已经把自然规律隐式编码进权重矩阵里的 AI 大模型。相比于嘈杂、昂贵、不可逆的真实自然,AI 模型是一个可随时暂停、可逐层解剖、可无限次做虚拟消融实验的“中间态水晶”。

一阶自然黑箱与二阶AI黑箱对比图,展示直接调用与逆向蒸馏两条路径
一阶自然黑箱与二阶AI黑箱对比图,展示直接调用与逆向蒸馏两条路径

事实上,这种“把 AI 当作实验对象来提炼人类理论”的工作已经露出了苗头。例如普林斯顿大学与 DeepMind 的研究者曾先训练图神经网络(GNN)去精确预测复杂的多体物理与天体暗物质分布,随后再用符号回归(Symbolic Regression)算法去解剖训练好的神经网络消息传递层,成功从黑箱权重中重新“蒸馏”出了简洁的解析数学公式,甚至发现了比传统经验公式更准的新关系式(《NeurIPS》[10])。同样,在单细胞与虚拟细胞大模型领域,研究者正试图通过机制可解释性工具,从百亿参数的基因表征中反向抽取出人类可读的基因调控网络拓扑。

只要人类还不满足于仅仅做一个按按钮领配方的操作工,只要我们依然需要跨领域的逻辑拼装与极端边界下的安全兜底,“建立人类自己的理解”就不仅不会过时,反而会成为 AI 科学发现大爆发之后最稀缺、最昂贵的智力皇冠。

要点

  1. 历史实证视角:从 18 世纪的蒸汽机、19 世纪的阿司匹林到 20 世纪 70 年代的表面活性剂三次采油,工程上的“处方知识”(知其然)跑在“命题知识”(知其所以然)前面几十年本就是技术史的常态,AI 只是将这种超前效应在全学科范围内急剧放大了。

  2. 模拟与理解的分野:自然界本就在实时计算自己;AI 作为“二阶黑箱”的工程价值在于将不可逆的原子试错转化为廉价可回滚的比特探针,但若缺乏低维度的“认识论压缩”,纯黑箱配方终将在分布外(OOD)相变、跨学科逻辑组合与工程安全兜底上撞墙。

  3. 科学家的角色迁移:当高维预测与候选生成被自主 AI 解决后,科学的核心瓶颈正从“正向计算结果”转向“逆向提炼理论”——将 AI 模型的隐式权重作为新的实验研究对象,从中蒸馏出人类心智可理解、可证伪的因果定律。

参考资料

  1. https://www.nature.com/articles/s41586-023-06735-9

  2. https://onepetro.org/JPT/article-abstract/20/12/1407/163760/Use-of-Micellar-Solutions-to-Recover-Oil

  3. https://onepetro.org/SJ/article-abstract/14/05/491/165491/Physicochemical-Aspects-of-Microemulsion-Flooding

  4. https://www.sciencedirect.com/science/article/pii/S0309170812002084

  5. https://www.nature.com/articles/newbio231232a0

  6. https://www.nature.com/articles/nrn2407

  7. https://www.science.org/doi/10.1126/science.156.3782.1571

  8. https://press.princeton.edu/books/paperback/9780691120133/the-gifts-of-athena

  9. https://onlinelibrary.wiley.com/doi/10.1002/cplx.20108

  10. https://arxiv.org/abs/2006.11287