人工智能在一夜之间颠覆某个专业领域，会是什么情形？

在人工智能抢走你的工作之前，它先抢走了生物学家的工作。

2020年，谷歌DeepMind的研究人员发布了AlphaFold2，这是一个致力于解决一项重大科学挑战的人工智能模型：能否仅从蛋白质的成分来确定其结构？如果无需耗时又昂贵的实验室实验便能实现这一目标，那么将有可能彻底改变我们对生物学的认知，并加速药物发现的进程。

在科学家尝试破解这一难题的年度竞赛中，AlphaFold2成为首个表现与实验室实验一样出色的人工智能模型。在随后数年中，它预测了两亿多种不同蛋白质的结构，其数量是之前几十年实验室所能表征的1,500倍。该模型的主要开发者在2024年荣获诺贝尔化学奖。

凯洛格商学院战略学助理教授Ryan Hill表示，AlphaFold2及相关模型对科学界“极具震撼力”。他与加州大学伯克利分校的Carolyn Stein合作，力图精确衡量AlphaFold如何改变了生物学领域，从发现的速度和方向到科学研究的本质。

他们的研究预示了人工智能在一夜之间颠覆某个专业领域时的情形。随着世界进入人工智能时代，这种颠覆性在未来可能层出不穷。

Hill说：“经济学家们正在设法解答人工智能在我们的生活和经济中扮演的角色等一系列问题。AlphaFold2是研究这些力量的一个有趣缩影，因为这个强大的人工智能工具专门执行某项我们可以观察和测量的任务。”

一夜之间的巨变

虽然已知的蛋白质超过两亿种，但它们都是由相同的20种有机组成单元（称为氨基酸）构成的。因为这些成分可以折叠成极为复杂的结构，因此要找出哪些氨基酸构成某种蛋白质，其难度就好比从一箱散落的零件来想象一辆汽车。然后要发现蛋白质的三维结构，并更好地了解它的功能及其控制方式，则需要更多努力，至少过去是如此。

使用实验方法确定蛋白质的三维结构需要多年的心血，估计解析一种蛋白质的结构需要十万美元的成本。因此，截至2020年，只有不到0.1%的已知蛋白质结构得到解析。

AlphaFold2几乎在一夜之间改变了这一局面，它提供了数百万种结构，其精度与那些昂贵的实验不相上下。

Hill指出：“很多人使用经过多年学习所掌握的方法来解析实验结构。结果就在某一天，谷歌的DeepMind将他们的算法应用于所有已知的蛋白质，并将结果发布到互联网上。”

增强而非取代

Hill和Stein整合了多个蛋白质研究科学数据库，来研究AlphaFold的瞬间突破对科学界的影响。这些资源包含了几十年来科学家们对每种已知蛋白质所研究和发表的信息。

这使他们能够探究AlphaFold2的巨大冲击对结构生物学领域产生了怎样的影响。结果出乎意料，从表面上看，影响并不大。自AlphaFold2问世后的数年间，使用耗时的实验方法确定蛋白质结构的期刊文章数量并未减少。

“结构生物学家在很多方面并未改变工作模式，”Hill指出。“他们发表的论文数量和以前一样多，而且令我们惊讶的是，他们仍然在顶尖的科学期刊上发表论文，虽然他们的工作在某些方面可以被人工智能替代。”

但是深入探究后，研究人员从一些迹象中发现，AlphaFold2扩展了实验人员的能力，而非取而代之。结构生物学家利用人工智能模型来增强他们的技能，导致新发现变得更快、更准确。

Hill说：“两者的见解往往相辅相成。人工智能并非十全十美。有时蛋白质或结构片段会出现变异，人工智能工具难以预测，然而实验方法也可能存在质量问题。结合实验和人工智能的分析结果，我们更有信心获得正确的蛋白质结构，对后续研究可能至关重要。”

科学的泛光灯

此外，AlphaFold2的发布似乎增加了科学家研究的蛋白质数量。在AlphaFold2出现之前，许多尚未确定结构的蛋白质受到忽视，并非因为科学家缺乏兴趣，而是因为实验方法不切实际，或者没有足够的结构生物学家来满足研究需求。

Hill和Stein发现，AlphaFold2迅速扩大了该领域研究的蛋白质数量，他们将之称为“泛光灯”效应。

例如，研究斑马鱼繁殖的科学家们发现了一种关键蛋白质，但他们的实验室缺乏专业知识来确定其结构。

Hill表示：“那些科学家原本只能被动地等待其他人取得突破，使他们能在其基础上继续研究。这种情况在科学领域中并不少见。”

在AlphaFold2问世后，这些研究人员得以利用人工智能预测蛋白质的结构，然后使用该信息来指导有关其功能的后续实验。他们的研究成果最终发表在生物学的顶级期刊《细胞》上。

Hill和Stein观察到这在整个领域都成为一种普遍的趋势。

“AlphaFold发布几年后，我们看到针对以前尚未解析的蛋白质的研究大幅增加，”Hill说。“这种现象在技术变革中很常见。如果通过自动化极大地降低某项任务的成本，人们就可以开展各种以前做不到的新任务。”

一个又一个瓶颈

创建复杂蛋白质结构的炫酷三维图像，并不是蛋白质折叠挑战的终极目标。借助这些结构，科学家们希望更好地了解重要蛋白质的运作方式，并最终通过开发治疗疾病、延缓衰老或以其他方式改善人类健康的新药来影响它们的活性。

Hill和Stein试图证明AlphaFold2也在加速这些下游发现，但是他们尚未看到人工智能模型的推出对药物研发具有重大影响。

“即使拥有强大的机器学习工具来用于这些结构步骤，它也只是庞大拼图中的一小部分，”Hill说。“因为存在太多瓶颈，所以没有任何一项任务可以完全自动化，从而对药物研发的速度产生实质性影响。”

他继续说道：“好消息是，这带来了机遇，因为我们能将人力投入到一些瓶颈问题上，可望提高科研效率。这样做将带来裨益，但我并不指望它能在一朝一夕之间实现。”

新的合作者

ChatGPT的发布使人们对生成式人工智能模型及其改变我们工作方式的潜力产生了浓厚的兴趣，而AlphaFold2的发布比ChatGPT早了两年，是在人工智能发展历程中一个截然不同的时间点。随着这些模型突飞猛进，人们越来越担心它们甚至能取代高度专业化的人类劳动者。

但是很少有职业比结构生物学家更专业。Hill认为AlphaFold2的故事或许能给其他领域的技术工作者带来一些安慰。

“有很多新技术都能出色地完成许多以前由人类完成的任务，所以人们总是担心会受到负面影响，”他说。“但是另一方面，在过去的大多数自动化案例中，自动化也为经济带来了许多新机会，催生新的工作岗位，或者改变现有工作的类型。这类工具通常能提高人类的生产力。”

像AlphaFold2这样的颠覆性技术，并未取代人类专家的能力，而是扩展其能力，这为人类与人工智能在科学及其他领域合作的乐观愿景提供了初步佐证。

Hill表示：“一般认为，如果人工智能更深入地参与其中，大幅提高科学家的效率，甚至或能够自主提出想法，很可能会对经济产生巨大的连锁反应，使更多人和更多流程变得更高效。这是令人兴奋的前景。有可能会出现一些如果没有人工智能工具的帮助，原本无法实现的突破。”