李路明在清华AI4S论坛直言：很多研究工作已无意义

诺奖得主费曼有句话：“不要欺骗自己——而你是最容易被自己欺骗的人。”

什么值得选择？

“要是我讲错了，大家也得体谅你们校长。不少研究工作做到今天已经没什么价值了，这一点必须看清楚。真想做研究，就去做真正有意义的题目，别再把时间耗在没意义的事情上。”

聊起科研，校长李路明收起了致辞里的客套，学者的直率露了出来。

10月9日，清华大学一场论坛由学生AI4S协会发起，诺奖得主、院士和多个学科的教授到场，一起讨论AI4S的研究进展。

这里看不到IPO，也没有估值和退出周期。有的是一篇篇学术报告、一页页实验数据，还有那些还没解决的科学问题。

李路明认为，未来的科学家不会只负责操作仪器或者做合成。他们会越来越多地变成这样的人：“提出重要问题、界定目标、评估证据、识别意外发现、连接不同领域的知识，并决定哪个方向值得探索。”

诺奖得主奥马尔·亚吉教授要面对的，是一个几乎穷尽不了的材料世界。

亚吉教授研究的是网状化学，靠调控构筑单元的组成和几何构型等，造出不同的网状材料。他估算，自己讨论的网状材料化学空间能达到10的3000次方。

“我们永远不可能把它们全部制造出来，甚至不可能全部计算一遍。”

这个问题，亚吉教授抛给了台下的年轻人，也留给了自己：什么值得选择？

“我们始终都在做选择：研究哪一个问题、做哪一项实验、又去追哪一个意外的观察结果。可这些选择，多半是凭直觉定下来的。直觉有时候很管用，但它也会偏、会漏，甚至就是错的。

当你面对十种可能性时，直觉或许能帮助你走得很远；但当你面对的是10的3000次方种可能性时，直觉就不够用了。”

于是他提出“选择科学”（Selection Science），研究的是当可能性远远超出探索能力时，什么值得追求、下一步该做什么。

亚吉教授还讲了这种选择会怎么进实验室。在清华建立的研究机构里，他的团队正搭一个自主运行的实验室：人工智能提出材料方案，机器人系统合成并表征这些材料，实验产出可靠数据，结果反馈到模型，再由系统决定下一步做什么实验。

这跟很多人读书时熟悉的实验室，差别很大。

这类体系会分布在科研实力雄厚的各个国家和地区，比如意大利、西班牙、英国、北美和新加坡。

讲到这里，亚吉教授接着描绘他的设想。“想象一下，有三十个这样的研究机构彼此连接，不断获取可靠数据，并将数据输入我们的人工智能模型，这样的模型将有望成为世界上最好的模型，并推动科学进步。”

按他的设想，实验室要关心的也不只是做了多少次实验。他抛出一个更值得追问的问题：“这次实验，是否让下一次实验变得更好？”

数据，要可行，更要可信

听完几支团队的报告，我注意到，他们在基础数据库上都花了不少篇幅。

高翔宇教授是北京大学肿瘤医院的副主任医师，做胃癌研究很多年。

高教授说得很直接：包括我所有的学生，包括我们现在做肿瘤的同事大家都在用一个很重要的数据库——美国的TCGA，这个数据库从上世纪 90 年代开始建以后，到现在依然每一天都在被使用。

他在报告里介绍，全球每年约有100万例胃癌新发病例，其中约40万例发生在中国。

“这是中国自己的癌症，得靠我们自己去研究。”

但他认为，国外数据库未必能完整呈现中国患者的实际情况。他提到 TCGA 于2014年在 Nature 上发表的胃癌分子分型研究：该研究把胃癌分成四种分子亚型，真正能用来指导治疗的，或许主要是 MSI-H 这部分患者。

医学之外，力学、能源、地质等领域的国内团队也在动手建自己的基础数据库。

听学术报告时，我注意到一个挺有意思的现象：各家建库的路子并不一样。

高教授拿照片说明现有数据的短板：“现在的数据库呢，大多数是一个单点，我把它叫做snapshot，比如我今天照了一个相，在这个时刻就是这个样子，但是今天这个时刻和明天这个时刻也许就不一样了。”

真实过程也是如此：患者接受治疗，病情跟着变，后面还可能复发、再治疗。只存下一次检查的数据，研究者很难看清这条变化轨迹。

“我们现在更强调是全程化的多点取样…”

聊到随访，高翔宇教授说起自己门诊里的患者，不少人跟他保持着长期联系。报告里，高教授点出团队建库的优势：在长期诊疗中持续跟踪患者，把治疗和随访记录一点点攒下来。

这些记录最后都要落到同一个人身上。他提出“一人一档”，把临床信息、影像与文本、多组学数据以及随访记录串起来。这样一来，研究者才能对比患者治疗前后发生了什么变化，并找出这些变化与疗效、预后之间的关系。

数据的动态性，徐志平教授也注意到了。

徐志平教授是清华大学工程力学系教授、固体力学研究所所长，平时主要做理论研究。

在力学材料研究中他发现，最初判断材料好坏并不复杂，做实验就能快速筛出来。可到了实际使用中，温度和载荷等因素都会影响材料性能，内部还可能慢慢出现损伤。

这位做理论的教授，一开口就讲了自己的关注点：“一个是可行，一个是可信。”

他拿蠕变实验举例。材料在高温下的长期表现，可能要几年甚至几十年实验才看得出来…要判断一座核电站的寿命能不能延长，研究者不可能等几十年后再给答案。

“但是核电站100年之后的事情怎么知道？”

徐志平教授解释，一种办法是把实验温度提上去，让变化来得快一些，再找不同温度之间的物理对应关系，用短期实验帮忙理解较低温度下的长期表现。

“你可以做一个很短的高温实验，把数据用到这个低温的很长时间里面去。”

同样的思路也被用来连接简单体系和复杂体系。徐志平教授介绍，他们先在简单体系里构造大量物理上合理的数据，让模型学其中的关系，再拿去处理更复杂的结构。体系一步步扩展，就搭起一条“物理传递”的链。

徐教授的物理传递理论

要传递的，是数据里包含的物理关系。简单体系的数据更容易拿到，研究者借助模型把这些关系用到难以充分观测的复杂问题上，再评估这种推断的适用范围和误差。

对于机器学习生成的数据，徐志平教授提醒：生成数据看着像，不代表物理上站得住。

徐志平教授在报告里展示了两幅细胞图像：一幅来自实验，另一幅由模型生成。生成的图像试图接近实验中的样子。

“生成的数据似乎是希望它长得很像，但是好像又不那么像。”

徐志平教授解释，要弄懂图像背后的物理规律，未必需要盯住每一个像素的位置，更要紧的是认出关键结构，以及它们随时间变化的特征。比如数据降维之后，还得检查它有没有保留应有的信息。

徐志平教授把评价拆成两层来看。第一层是可行性，看从简单体系能推导到什么程度、数据够不够用；第二层是可信性，看推出来的结果和最终结果之间差了多少。判断这两层时，数据量和模型复杂度都得算进去。

需要提前识别的异常数据，恰恰难以直接采集

数据算得再多，接下来还有一道关：这些数到底能不能用。放到工业现场，这一步尤其省不得。

中国石化的孙丽丽院士谈到数据库时提醒说：“数据误差会沿着链条逐级地去放大，越靠下游，可能这个问题会越严重。”

她讲的是数据进入工程之后的用处。工艺设计所依据的数据一旦有偏差，传热等过程的计算就可能受影响，接着带来更高的投资、能耗和排放；碰上高温高压、易燃易爆的石化装置，偏差到最后还可能牵涉事故风险。

读到这里，我想起Amazon抗体研究介绍里的一句话：“在一个实验室的数据上微调的模型，会悄悄继承这个实验室的测量偏移。”

Amazon的研究团队想用AI预测抗体性质，帮研究者判断哪些候选适合继续开发。难题在于，各实验室处理样本、做实验的方法并不一样，模型可能把这些测量上的差异一并学进去。在一项模拟测试中，加入测量偏移之后，模型预测与实际数值的相关程度明显下降。

团队的做法是：预测一个新抗体之前，先让模型看同一实验室已经测过的样本和结果，好让它有依据去调整预测。在上述模拟测试里，采用这种方法的版本保住了原有的高相关水平。

这样再看孙丽丽院士的追问，就更容易理解了：数据本身有出处，还得说清楚它离开原来的条件之后，还能不能接着用。

孙丽丽院士提到，这类大型工程装置常年运转，按理说数据会持续累积。但她认为，不管是今天还是明天，年初还是年末，大量记录所呈现的状态其实都差不多，都是正常工况。

工程人员想做到的则是，“哪些指标稍微有变化，我就知道这个问题在哪”——在异常继续发展之前就把问题识别出来。

“谁能让装置在爆炸的边界上去运行一下？”她反问，“高温高压，易燃易爆，那可能要出事了，对不对？”

那些最需要提前识别的异常数据，恰恰难以直接采集。

可生产预警又偏偏需要理解这些变化。孙丽丽院士介绍，团队在做生产操作的预测预警工作时，用仿真构造数据，补上工业装置和实验中难以取得的信息。她提出的数据库建设路径，还包括整合已有数据、定向补测，以及用AI生成数据。

补进来的数据也不能直接混在一起就用。我发现现场的报告中，都强调了要为数据建立可信的评价机制。

具体的评价机制，孙丽丽院士没有在报告中展开。徐志平教授则展示了相关的评价公式；对他的理论研究感兴趣的读者，可以进一步阅读相关论文：

徐教授的报告资料

听完这些报告，我记住的反而是几件让研究慢下来的事：继续随访一个病人，检查一次预测的依据，确认一条数据能用在哪里。

2019年公开的“哈勃遗产场”就属于这一类成果，它把不同团队在16年里完成的近7500次曝光汇总到一起。研究者将原本零散的观测归拢起来，合成了一幅约含26.5万个星系的宇宙图像，这批数据后来也向其他研究者开放。

AI正在让许多研究变快。而那些值得被反复使用的数据，仍需要有人一次次观测、核验，留给下一个提出问题的人。

你觉得AI做科研，哪一步更难？

欢迎在评论区分享你的看法~