三十年内，他们要造出能得诺奖的机器科学家

文章来源：科研圈

来源 Discover Magazine

撰文 Jennifer Walter

翻译 阿金

编辑 戚译引

最开始，先有了亚当。我们这里说的不是《圣经》中的第一个人类，而是第一台可完全自主展开科学研究，独立作出发现的机器。

亚当看上去完全不像人类。它就是一只大盒子，相当于办公室里的一个格子间般大小。它装配有机械臂、培养箱、冰柜、摄像机以及其他辅助展开工作的部件。研究所必须的一切都准备就绪，包括能思考的大脑。

而这台机器背后的男人名叫 Ross King，是瑞典查尔姆斯理工大学（Chalmers University of Technology）的机器智能教授。2004 年，他开始建造亚当，用以研究酵母中的酶；后来他又创造了第二台机器人，顺势命名为夏娃，用来研究潜在的抗疟疾药物。

“我将亚当和夏娃称为机器人科学家。”King 说。这种类型的机器将人工智能和机器人实验设备相结合，每经历一次迭代就变得更加聪明。

但是，什么让机器人科学家如此特别？在现代实验室中，自动化越来越普遍，人工智能可协助研究人员完成海量的科研项目。自动化和人工智能这一组合，让机器具备了实现科研过程每一步的能力——提出假设、展开实验、分析数据、得出结论，从而自成一格。

让机器人像科学家一样“思考”，尽管这样的尝试从上世纪 60 年代正式开始，但直到最近 20 年，亚当和其他智能机器才开始卓有成效地展开实验，从假设到最后的报告。这些复杂的机器仍然稀少，但从医学到数学领域，不少机器人科学家已经协助自己的人类搭档作出新的发现，为未来科研树立了榜样。在接下来的几十年内，你可能会听到更多这种自动化研究员的事迹，这要归功于一个全球挑战项目，它的目标是到 2050 年打造出有实力赢得诺贝尔奖的机器人。

破解密码

亚当的设计目标是研究面包、啤酒和大家最爱的松软甜点中的关键成分：面包酵母。这一厨房日常必用品是一种单细胞真菌：酿酒酵母（Saccharomyces cerevisiae），其结构十分复杂，足以充当人类细胞模型。

“虽然人类和酵母菌之间最后一代共同祖先可以追溯回约十亿年之前，但生物学非常保守。”King 说，“所以，酵母细胞中大部分的规律也适用于人类细胞。”

几十年来，研究人员一直在研究酵母菌的 DNA，目的在于将其每一个基因和其功能联系起来。一些基因会编码酶，这种蛋白质能够加速化学反应，比如分解葡萄糖。1996 年，遗传学家们对酵母进行基因组测序时，收获了大量的新信息。

但是，确认酶和基因之间的联系仍然需要在实验室内展开酵母菌物理检测。King 拥有微生物学背景，在他看来，这是一项艰巨的任务，但用机器能更有成效。

所以，King 给亚当装上了从头到尾执行研究所需的一切。他用数据库给机器人编程，这套数据库包含了多种有机物的基因组，还有酶的信息，以及如何扫描潜在匹配的指导说明。亚当能够使用所有的实验设备以及上千株酵母菌株，展开实际的检测程序，来确认潜在匹配；它也知道如何阅读实验结果，如果匹配不成功，还会从头再来一遍。最后，亚当给出了 20 条假设，并一一检测，终于提出了 12 种基因-酶新匹配。

“我们周围并没有那么多的生物学家来做我们想要做的所有实验，哪怕只为了解酵母菌的运作机制。”King 解释说。像亚当这样的机器人不是用来称霸世界，夺取人类工作，或者淘汰人类科学家，它的目的恰恰完全相反。聪明的机器人助理会像科学家一样思考，在缺乏人手展开科学研究的情况下，填补空缺。

如上图所示，亚当包含如下组件：a）冰柜，b）液体处理器，c）培养箱，d）全自动读板仪，e）机械臂，f）全自动板片，g）全自动孔板离心机，h）全自动洗板机，i）特制的空气过滤器，和j）塑料外壳。图片来源：King et al。 2009 Science

亚当是第一台能够同时提出假设并采用实验手段验证的机器，但已经退休了。King 说他现在打算将这台机器捐赠给博物馆。而夏娃仍在使用中，不过 King 表示机器正处于休眠状态，以便他将它从英国搬回瑞典。

让夏娃声名鹊起的是 2018 年发表在《科学报告》（Scientific Reports）杂志上的一篇论文，在这项研究中，机器人发现三氯生（triclosan）有潜力应用于疟疾治疗。该化合物是牙膏和肥皂中的常见成分，之前就被识别出来，被认为有望阻止疟原虫生长，但研究人员难以确认体内的哪些酶最容易对该物质产生反应。夏娃协助将美国食品药品监督管理局（FDA）批准的物质库中的化合物与会响应治疗的靶标酶匹配出来。King 说，他想要使用这台机器继续研究热带疾病疗法。

与此同时，他还计划着另一个项目：研究细胞的生物化学组成。他将其命名为“创世纪”（Genesis），该项目野心勃勃，将会检测并完善数学模型，从而填补人们理解细胞工作机制的空白地带。

“我们理解（细胞中）某些基础的生物化学。”他说，“但如果我们做实验，即使对于酵母这么简单的实验对象，我们也无法真正量化预测会发生什么。”

像专家一样思考

King 的机器“二人组”可能是最先成功实现全自动化科学发现的机器，但是，当今机器人科学家的起源要追溯到 60 多年前。技术发展的道路还很漫长，但早在 1965 年，斯坦福大学的研究人员就努力尝试利用早期计算机实现科研自动化。

他们从名为 Dendral 的项目开始。Dendral 是由两套主要算法构成的人工智能，这两套算法通过质谱数据来识别未知化合物。质谱数据就是关于原子重量的信息，能够帮助化学家确定一种化合物的结构和性质。

Dendral 为最早的专家系统开辟了道路，这种类型的人工智能会训练计算机，让它们像专家一样“思考”。在接下来的几十年内，新项目蓬勃发展：1976 年出现了自动化数学家（Automated Mathematician，简称 AM），这是一组可生成新数学定理的程序；1996 年，美国威奇塔州立大学（Wichita State University）发表了一篇关于 FARENHEIT 项目的论文，内容关于自动化化学研究。利用人工智能技术的新进展来协助需要繁重数学运算的领域，促使计算机科学家集中钻研，给这些机器人科学家构建“大脑”，与此同时，实验室自动化也在持续发展。

然而，构建这些未来机器人科学家的大脑和身体都需要时间，也需要大量人类脑力来进行修补工作，才能使其不断扩展，成为我们如今看到的项目。AM 在寻找模式方面的能力让人印象深刻，但它也生成了许多数学家看来无用的定理。甚至 Dendral 也有自己的短板：例如，它的搜索特征并不是最有效的，而且在计算能力范围内处理问题的规模也有局限。初始形式的 Dendral 项目已不再运行，没有化学家团队投入该项目以继承它的遗产。但在 1991 年，Dendral 的最初创造者撰写了一份案例研究报告，指出该项目对迅速发展的人工智能领域产生了重要影响，为未来科学中自动化的普遍存在打开了一扇窗口。

不确定群岛

几十年来，计算能力不断加强，算法愈发精良，新型机器人设备层出不穷，最后迎来了新型机器人科学家的黎明。这些机器人正在掌握新领域，学会日以继夜地折腾数据，其中之一就包括麻省理工学院的机器人，名叫“智能拖曳水池”（Intelligent Towing Tank）。

拖曳水池是流体力学和工程研究中的常用工具，大到足以让一艘船通过其中。在这种狭长的水池中，研究人员可以调整水位、波浪和其他参数，来建立液体流动变化模型。他们可以借助这些结果，更好地理解作用于容器或者结构上的摩擦、水流和其他因素。

因为拖曳水池常常用来展开实验，试图理解复杂的物理学问题，所以在增量实验后展开实验对研究人员而言是一项艰巨任务。但是，智能拖曳水池的机器人程序能够自行进行研究，而且无需人类帮助，自主设计后续实验。

迄今为止，机器的最大挑战之一就是实验的起步阶段。目前，人类研究员必须设定初始参数，帮助智能水池形成第一条假设。亚当和夏娃也有类似的缺陷：它们都依赖自己创造者广博的微生物学背景，才能成为专家。

具体来说，拖曳水池的设计目的是研究涡致振动（VIVs）。这一领域的研究专攻物体在水下环境中创造的各种力，工程师可用来设计不同结构，尤其是应用于强风或者海浪情况下的结构。就像细胞和基因一样，科学家理解涡致振动的基本原理，但至于它们在不同环境下的运作原理，仍属知识空白。

George Em Karniadakis 是布朗大学的应用数学教授，也是 2019 年一篇关于拖曳水池研究论文的共同作者。他说，确认这些未知领域，让自动化水池探索其中，正是机器帮助填补知识空白的意义所在。

“我们（常常）将不确定性视作敌人。”他说，“但这次的思路是，不确定性是我们的朋友。”

该项目由当时还是 MIT 研究生的 Dixia Fan 领导，他正展开流体力学自动化实验，以更高效地完成研究。实验确实很高效，Fan 的合作者们白天在实验室附近都找不到他。

“我尝试去实验室找他，但他从来不在里面。”Karniadakis 说，“但实验一直在进行。”

在没有人员在场的情况下，拖曳水池拉着一个能够以恒定速度移动的滑架，并且施加各种力，比如振动。它还知道在各项实验之间停顿一下，静置液体，然后再继续向前展开下一项实验，避免实验结果交叉污染。

机器一天 24 小时都在工作，在几乎无人监督的情况下完成了 10 万项实验。就和 King 的亚当、夏娃一样，拖曳水池从作出初始假设开始，创建后续研究，展开实验，直到计算机能够从结果中得出整体结论。

让计算机接受挑战、探索未知，能够让它变得更加智能，就好像你要挑战自我、提升网球技能，就去和等级比你高的网球运动员对练一样。MIT 的海洋科学和工程教授 Michael Triantafyllou 解释说：“它们会将你推入一个你还不知道的领域中。”

“如果你一直和与你水平相当或者不如你的人玩，那就永远无法探索真正困难的领域。”他说。机器也必须如此：它做的实验需要提供挑战，才能让它收集到新数据，发现陈述数据的新方式。

不过 Karniadakis 说，机器人和人工智能相互结合，展开实验，这一进展将很有可能应用到自己研究领域以外的其他领域。换句话来说，只要让合适的人造出机器，机器人科学家可以获得任何学科的博士学位。

“我认为这一范式将适用于任何学科。”Karniadakis 说，“从（研究）分子到飞机。”

巨大挑战

现在机器人科学家其实还不常见，但情况可能在未来几十年内有所改变。一个项目旨在创建并运行更多机器人科学家，它有一个野心勃勃的目标：到 2050 年，打造出能赢得诺贝尔奖的机器人。

在 2016 年人工智能促进协会（Association for the Advancement of Artificial Intelligence，简称 AAAI）发表的一篇报告中，日本研究者北野宏明（Hiroaki Kitano）最先提出了这一设想。他呼吁利用人工智能推进科学研究的边界，尤其是生物医学领域，最终创造更广阔的科学发现天地。2017 年，在经济合作与发展组织（OECD）举办的以智能机器、智慧政策为主题的人工智能大会上，北野宏明做了题为《诺贝尔图灵挑战》的报告，再次详细陈述了自己的想法。

但是直到 2019 年，才出现了正式的计划，将这一挑战落实为全球项目。全球海军研究办公室（Office of Naval Research Global）主任科学家 Ayodeji Coker 为该项目掌舵。King 和北野，还有 AAAI 主席 Yolanda Gil 协助领导项目进程。目前项目仍在计划阶段，但 Coker 说，团队最近开了一场会议，有来自大学、研究团体和政府机构的 30 人出席。

同年，日本政府也决定支持与机器人技术相关的 25 个科技领域发展，拨出近 1000 亿日元（约合人民币 65 亿元）预算赞助第一个五年计划，其中包括北野宏明计划在内的数字化和人工智能技术发展项目，研发出人工智能机器人系统，意在夺得诺贝尔奖。

Coker 希望这次的努力能够继续扩大，达到与北野在 1997 年带头发起的机器人世界杯（RoboCup）一样的水平。比赛几乎每年举办，全球科学家相互竞争，最终目标是组建一队由类人机器人组成的自动化球队，在 2050 年之前击败 FIFA 世界杯选手。这项竞争还提供了一系列小型挑战，比如建造救援机器人和自动化家政助手。

“我认为整个项目的美妙之处在于它让学界团结一致。”Coker 说，“让他们兴致盎然地学习探索新挑战。”

去年，机器人世界杯吸引了来自 40 多个国家的 3500 多名参赛者。这一活动已经举办了超过 20 年，推动着机器人学的进展。Coker 想要以相似的方式提供各种更小型的挑战，汇总起来实现最终目标：实现具有诺贝尔奖价值的自动化科学研究。他希望这一项目将集合各个学科的专家，一起建造并改良自动化科学家的方方面面，从在实验室里导航的能力，到用来设计实验的算法。即使团队无法实现最终目标，他们仍然给该领域贡献出颇有价值的数据，为后继研究人员建造更加聪明的机器人科学家开辟道路。

“我们正从头开始寻找，并说：‘好吧，自然语言处理、视觉、感知这些方面，我们现在需要完成什么？’”Coker 说。建造并完善单个技巧将最终创造出更强大、更稳定的模板，然后用到机器人科学家身上，实现与人类科学家更有效的沟通。

要创造更好的机器人，首先要完善自动化过程的每一方面，这样才能制造出名副其实、运转良好的机器。而全球挑战能够吸引专业知识不那么充足但更加年轻的新一代研究员，他们渴望以新的方式创新。

“我们需要驱动创造力的引擎。”Coker 说，“这与登月本身无关，但与如何登月有关。”

来源：新浪科技