[奇思妙想] 当 AI 比专家更专业，做科研还需要「专业」吗

一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领