AI越来越强大，科学家要“退居二线”吗？

　　最近，两则来自国际顶级期刊《科学》的研究消息，在科学界激起涟漪。其一，包括2024年诺贝尔化学奖得主戴维·贝克在内的科学家团队，开发出新一代生成式人工智能系统RFdiffusion3，能够直接从原子层面设计蛋白质和核酸，生成蛋白质结构的速度约为前代系统的10倍；其二，谷歌旗下“深度思维”公司开发的AlphaProof Nexus框架，自主破解了9个此前悬而未决的厄尔多斯数学问题，其中两个已悬空超过56年，并额外解决了44个开放数学猜想。

　　先说蛋白质设计。蛋白质是执行生命功能的主力分子，从催化化学反应的酶，到识别病原体的抗体，生命活动几乎离不开它。过去用AI设计蛋白质，大多从氨基酸序列入手，先搭出“骨架”，再考虑整体形状。

　　RFdiffusion3则把设计的颗粒度推进到单个原子：系统参考了前沿折叠模型的架构，最多用14个原子刻画一个氨基酸，科学家可以设定设计条件，指定参与反应的原子及其位置，甚至可以要求特定原子之间形成氢键。

　　这种“原子级雕刻”让设计者对蛋白质的掌控更加直接，也让按需定制蛋白质成为可能——无论是更快研发药物与疫苗，还是设计新的功能材料，都有了更可靠的起点。过去，设计一种全新蛋白质往往需要漫长的试错；如今，AI把这一过程大幅提速，科学家可以从更多样的候选结构中挑选、优化。

　　再看数学。厄尔多斯是20世纪最富传奇色彩的数学家之一，他提出的许多问题表述简洁而求解艰深，有些悬置半个多世纪仍无人攻克。AlphaProof Nexus的特别之处，在于它不只是“猜答案”：系统自主搜索数学证明，每一步推理都由计算机程序验证，最终给出的是经得起检验的完整证明过程。

　　数学证明的验证向来以严苛著称，一个看似成立的推导，可能在某一步悄悄出错；AI把证明过程交给程序逐行检查，相当于为每一个步骤都配上了“裁判”。9个难题、44个猜想，数字本身有限，意义却不小——它意味着AI已经能够参与“可验证的发现”，而不只是“可演示的解题”。

　　AI在科研中发挥越来越重要的作用，但这并不意味着科学家可以“退居二线”。恰恰相反，AI时代的科研对人的要求更高了：提出一个有价值的问题，往往比解出一道题更难；判断AI生成的结果是否值得深入，需要深厚的领域直觉；科学发现的责任与伦理，最终仍要由人来承担。

　　对科研组织和人才培养而言，“会提问、会用AI、能验证”正在成为新的基本功。在这个意义上，AI解放的是双手，考验的是头脑。AI让“发现”提速，但“为什么研究、如何负责任地研究”，答案依然在人。

　　可以预见，人机协作的科研范式将加速渗透到材料、医药、天文、地质等更多领域，AI for Science正从概念走向日常。对中国科研界而言，这既是挑战也是机遇：用好AI这个“同行者”，把科学家的创造力与机器的算力结合起来，有望在更多前沿问题上留下中国印记。当科研的基础性、重复性劳动被AI承接，科学家也可以有更多时间，去思考那些尚无答案的问题。（战钊）