Latest / The Long View / 2026-07-05 · 深度｜当科学开始自我运转:自主实验室、信任与武器化

Transcript

2026-07-05 · 深度｜当科学开始自我运转:自主实验室、信任与武器化 · The Long View

0:07
欢迎收听The Long View。
0:08
这一期我们做一次深度,摊开的是《科学美国人》二〇二六年七/八月号。
0:15
这一期杂志有个反复出现的专题标签,叫"年轻的美国科学家、
0:21
二〇二六"。
0:22
表面看,它在谈美国科学的现状与未来;
0:26
往深里看,它其实在同一时间盯着三件正在发生的大事。
0:32
第一,A I和机器人,正在把科研变成一台昼夜不停的引擎,
0:38
速度快到人类难以想象。
0:41
第二,公众心里的科学家,却还停在一个孤僻怪人的旧影像里。
0:46
第三,美国政府,已经开始把"用A I加速科学"这件事,
0:51
直接指向核武器与国家安全。
0:55
三件事叠在一起,浮出同一条主线—当A I与机器人重塑科研的速度、
1:01
公众对科学家的想象、乃至把科学变成武器时,
1:07
谁来验证、信任并决定科学的走向。
1:10
我们会走三篇文章。
1:12
第一篇,自由撰稿人Patrick Sisson的《未来的实验室自己运转》,
1:17
讲的是速度:一间自主实验室怎样以约一百倍于人类的速度自我迭代,
1:24
以及"更快"是否就等于"更好"。
1:27
第二篇,资深科学记者Dava Sobel的短文《作为陌生人的科学家》,
1:33
讲的是信任:一个被误解成怪人的群体,
1:37
如何影响公众对科学的态度,乃至对疫苗的判断。
1:42
第三篇,核武器议题专家Sarah Scoles的《要有武器》,
1:47
讲的是用途:当白宫的"创世纪计划"把A I加速科学接到能源部的核武器体系上时,"加速"与"危险"之间那条线,
1:57
该由谁来划。
1:59
三篇看似各说各话,收束处却是同一道题。
2:03
我们从那间半夜里没有人的实验室讲起。
2:07
先讲一个具体的画面,这是第一篇文章的新闻由头。
2:12
加州大学伯克利分校的赫斯特纪念采矿楼里,
2:15
过了午夜,一段大理石楼梯往下,有一间实验室在"没有人"的情况下继续做实验。
2:23
粉末状的前驱体和氧化物,在形状像清酒杯的坩埚里旋转,
2:29
被打成浆、在装了氧化锆珠的离心机里高速甩匀,
2:34
送进工业烤炉里烘烤,再用X射线衍射扫描,
2:39
最后在电池测试里测量离子导电率。
2:43
关键在最后一句:每一个结果,都会喂给下一个实验。
2:47
这间实验室叫A-Lab。
2:50
要理解这篇文章为什么重要,得先把它反复用到的几个术语,
2:55
一个一个从头搭起来。
2:58
文章作者是自由撰稿人Patrick Sisson,
3:01
他常年为《纽约时报》、彭博社的City Lab和《麻省理工科技评论》撰稿,
3:07
长期观察技术与城市。
3:10
他的视角不是实验室内部人,而是一个善于把复杂系统讲清楚的旁观者,
3:16
这也决定了他这篇文章既讲机器的酷,也讲机器带来的隐忧。
3:22
先说什么是自主实验室,它还有个别名,
3:26
叫自动驾驶实验室。
3:28
想象一间传统的化学实验室:研究生戴着手套,
3:33
一份一份称量粉末、混合、加热、测量、
3:37
记录,再根据结果想下一步该试什么。
3:42
自主实验室,是把这一整套动作交给机器人手臂、
3:46
自动化台面和A I来完成—从配料、加热、
3:51
表征,到"决定下一步试什么",全程不需要人站在旁边。
3:56
文章里给了一个很直观的类比:A-Lab的负责人、
4:00
伯克利材料学家Gerbrand Ceder,
4:03
把这件事的目标概括成一句话—"你能不能造出一个像科学家一样行动的A I?
4:10
"注意,这不是"造一个会搬瓶子的机器人",
4:13
而是"造一个会思考下一步实验的科学家"。
4:17
再说什么是闭环实验,这是自主实验室的灵魂。
4:21
传统科研是"开环"的:人做实验,人看结果,
4:26
人隔一段时间,有时是几个月,再回来决定下一步。
4:31
闭环的意思是,把"看结果、决定下一步、
4:35
再做实验"这个回路,完全交给系统自己转:一个定制的A I主体读懂这一轮的结果,
4:42
提出下一轮该做哪些实验,机器人立刻照做,
4:46
结果再喂回给这个A I。
4:49
研究者把这套系统叫作"回路之中的实验室"。
4:52
Ceder说:"我觉得人们没意识到,
4:55
这东西马上就要成真了。
4:57
"这里冒出来一个词,A I主体,英文叫agent,
5:02
值得单独讲一下。
5:04
今天大家熟悉的聊天A I,是你问一句、
5:07
它答一句;
5:08
而agent,是一个能被赋予目标、然后自己拆解步骤、
5:13
自己调用工具、自己根据反馈调整的程序。
5:17
放到实验室里,它扮演的正是那个"下一步试什么"的大脑。
5:22
文章里,这些跑通宵实验的机器人有名字—密涅瓦、
5:27
阿尔弗雷德、普罗米修斯、吉夫斯—它们由A I驱动,
5:32
但并不能自己从错误里恢复。
5:35
一旦出岔子—料架卡住、样品洒了、某种前驱体用完了—整套编排就会停下,
5:42
一个正在睡觉的研究生会收到一封邮件和一条即时消息提醒,
5:49
然后从床上登录进来,查看实验室的摄像头,
5:53
试着把问题解决。
5:55
这个细节很重要:所谓"自主",今天还远不是"全自主"。
6:00
还有两个反复出现的测量手段,得补上原理,
6:04
不然后面听不懂它快在哪。
6:06
第一个是X射线衍射。
6:09
道理是这样:晶体里的原子排成规则的格子,
6:13
格子的间距,恰好和X射线的波长在同一个数量级,
6:18
大约零点一到零点几纳米。
6:22
当X射线打上去,会像光穿过一排整齐的栅栏那样发生衍射,
6:27
原子层之间的散射波,在某些特定角度上叠加增强,
6:32
在别的角度上相互抵消,于是探测器上就记录下一组明暗相间、
6:39
位置精确的峰。
6:41
不同的原子排列,会散射出独一无二的"指纹"图样。
6:45
所以科学家不用把材料拆开、也不用知道它长什么样,
6:50
就能通过这张衍射图反推出"我到底合成出了什么晶体结构"—这就是为什么它成了材料实验室判断"我做出来的到底是不是我想要的那个东西"的标准手段。
7:04
第二个是离子导电率,衡量的是带电离子在一种材料里移动的难易程度。
7:11
这正是电池的命脉,因为电池充放电,本质就是锂离子这类带电粒子在正负极之间来回搬家,
7:20
搬得越顺畅,电池就越能快充快放。
7:24
测离子导电率,等于在问"这块新材料当电池材料好不好用"。
7:29
把这两件事连起来看,A-Lab做的是高通量材料发现。
7:34
"高通量"就是"同时、快速地跑大量实验",
7:38
像一条流水线,一次筛几十上百种配方,
7:42
而不是一次做一个。
7:45
传统上,合成并表征一种新的无机材料,
7:48
可能要花一个研究生几周到几个月,而高通量的意义,
7:54
正是把这个"一次一个"的瓶颈打开。
7:57
这里还得插一个贯穿整期杂志的概念,因为它在本章后面会成为关键,
8:04
叫科学的可复现性,以及"复现危机"。
8:08
科学之所以能被信任,靠的不是某一位聪明人说了算,
8:12
而是一条底线规则:同样的实验,换一批人、
8:16
换一个实验室,照着做,应该能得到同样的结果—这叫"可复现"。
8:22
如果一个结果只有原作者做得出来、别人重复不了,
8:27
它就不能算真正确立的科学。
8:30
过去十几年,心理学、生物医学等多个领域相继发现,
8:34
大量已发表的结果,在别人重做时复现不出来,
8:39
这被称为"复现危机"。
8:42
把这个背景装进脑子里,再去看自主实验室就会明白:当机器以一百倍速度产出结果时,"能不能被复现、
8:52
能不能被验证"这道老关卡,不但没有消失,
8:57
反而变得更吃紧。
8:58
这正是本章后半段的核心张力。
9:01
背景铺完了,我们看这台引擎到底怎么运转,
9:05
又快在哪里。
9:07
A-Lab由伯克利和劳伦斯伯克利国家实验室共同运营,
9:12
这家实验室简称L B N L。
9:16
它把机器人、实验室自动化,和一个能解读结果、
9:20
提出下一轮实验的定制A I主体拼在一起,
9:24
背后由L B N L的算力支撑。
9:27
文章给出的速度数字是核心证据:在运行的三年里,
9:31
A-Lab常常快过市面上买得到的商用工具。
9:36
早期Ceder的团队,甚至得给一台机器绑一根"假手指",
9:40
好骗它以为有人按下了启动键,机器人才肯开工;
9:45
而今天,这间实验室迭代的速度,大约是一个人类研究员的一百倍,
9:51
人类则退到"流程设计师"的位置:改进机器、
9:56
设定研究方向、决定下一步该验证什么。
10:00
这种速度从哪来?
10:02
文章点明:A-Lab依托L B N L的数据基础设施,
10:08
其中包括国家能源研究科学计算中心,简称N E R S C。
10:14
这是美国能源部下属的一个超算中心,专门支撑大规模科学建模和A I工作。
10:21
这里要补一个关键背景:对自主实验室来说,
10:25
算力正在变成"实验台"的一部分。
10:28
过去实验室的核心资产是烧杯、烤炉、离心机;
10:33
现在,一台能实时建模、预测、决策的超算,
10:37
和这些硬件一样,是做实验不可或缺的一环。
10:42
N E R S C眼下正在建一台名为杜德纳的下一代超算—它以伯克利生物化学家Jennifer Doudna命名,
10:51
她因为CRISPR基因编辑技术,分享了二〇二〇年诺贝尔化学奖;
10:57
这台机器与戴尔和英伟达合作,目标之一,
11:01
是把A I工具、科学仪器和数据,在整个能源部范围内打通。
11:06
A-Lab里还在装一套新的烤炉系统,
11:09
能逐刻追踪化学合成的全过程。
11:12
文章解释了为什么这件看似琐碎的事很关键:研究者现在知道"烧之前"和"烧之后"—把化合物在华氏一千度下烤三小时,
11:25
你拿到一个结果—但中间发生的反应看不见。
11:29
通过实时捕捉整个反应序列、并在过程中动态调整实验,
11:34
实验室希望攒出一个能用来做"预测性合成"的数据集。
11:39
换句话说,今天的科研很多时候是"黑箱两头"看结果,
11:45
而自主实验室想把黑箱里连续发生的过程,
11:49
也变成数据。
11:51
接下来这一段,是整篇文章最重要、也最克制的地方,
11:55
得原样保留它的不确定性。
11:58
Sisson写道:但速度并不等同于可靠性。
12:03
A-Lab已经成了这个领域当前极限的一块试金石。
12:07
它二〇二三年发表在《自然》杂志上的一篇高调论文报告称,
12:12
这间实验室在几天之内,自主合成了几十种新材料。
12:17
但—文章明确写道—这篇论文后来被更正了,
12:20
因为外部研究者提出了质疑:这些材料到底是不是真的"新",
12:26
数据是否真的支持了论文的主张。
12:29
这正是前面埋下的那道"复现、验证"关卡的现实版:一台机器可以在几天里报告"我造出了几十种前所未见的化合物",
12:39
可这份主张要成为确立的科学,还得经受实验室外的同行,
12:45
拿着同样的衍射图、同样的数据反复盘问—而这一次,
12:50
盘问的结果是,论文需要更正。
12:53
这个插曲暴露了自主科学的一个核心张力,
12:57
Sisson把它讲得很清楚:机器能比任何人都快地做实验,
13:02
但结果仍然必须由人来验证和解读。
13:06
这不是一句修辞,而是这篇文章的骨架。
13:10
这个张力也远不止A-Lab:机器人现在能以人类跟不上的规模采集数据,
13:16
机器学习能在数据洪流里找出模式,A I主体开始帮研究者决定下一步试什么。
13:24
支持者说,这三样工具合起来,能压缩科学发现的时间线—赌注,
13:30
从新药的成本,一直押到全球生物技术领导权的竞赛。
13:35
但文章把那个真正的问题顶在最前面:更快的科学,
13:40
是否也会是更好的科学?
13:43
注意这里的分寸:文章并没有说自主实验室做的是"坏科学",
13:48
它质疑的是一个更微妙的东西—当产出的速度提高一百倍,
13:53
验证和解读的能力却仍卡在人类的节奏上时,
13:58
这两者之间,会不会裂开一道口子,让没被充分验证的结果更容易溜进文献。
14:06
文章还引了一位持保留态度的研究者—创新基因组学研究所的执行主任Brad Ringeisen,
14:13
这家机构简称I G I,专注基因编辑。
14:18
他说:"让我抓狂的是,我们有百分之九十的时候都失败。
14:23
"他指出,生物技术行业在药物研发上砸下数十亿美元,
14:29
恰恰因为太多实验会失败。
14:32
Ringeisen提出两条路:要么用更能容忍失败率的方式做事,
14:36
干脆把那些实验一股脑全做了,来它个"放手一搏";
14:41
要么走I G I的路子,去造一个更好、
14:45
更精确的疾病模型。
14:47
这里体现了作者的公允—他没有把自主科学写成一边倒的胜利。
14:53
文章接着把镜头拉远,证明这不是一间大学实验室的孤例,
14:57
而是一场正在铺开的产业竞赛。
15:00
每一个例子都带着具体数字,这些数字才是论证的支点。
15:06
二月初一个周日,在波士顿举办的实验室自动化与筛选国际会议上,
15:12
与会者可以"打一辆免费的网约车"去参观Ginkgo Bioworks。
15:17
这家二〇〇八年成立的公司,曾在酵母菌株、
15:21
香精香料、食品等不同商业模式间摇摆,
15:25
如今聚焦在实验室机器人上。
15:28
它的"可重构自动化推车",是一个个装在轮子上的模块—条码扫描仪、
15:35
机械臂,排得像升级版的街机抓娃娃机—能被实时编程,
15:40
复现任意一串实验步骤。
15:43
会议前,Ginkgo请与会者建议一些实验;
15:47
当天下午访客到场时,实验室已经同时在跑几十个实验。
15:52
Ginkgo联合创始人Jason Kelly说,
15:55
真正打动人的不是速度或精度,而是实验的灵活性:"如果你是个科学家,
16:02
你会想,'等等,我可以一夜之间跑一个实验?
16:06
我可以早上起来端着咖啡看数据?
16:09
'……那是一种全新的体验。
16:11
"Kelly把实验室自动化,比作自动驾驶汽车,
16:15
说他实验室里的水平,大约相当于五年前的Waymo。
16:20
Ginkgo最近还推出了一项"云实验室"服务:全球的科学家提交一个实验、
16:26
拿到一份成本估算,同意后就能远程让实验跑起来,
16:30
每天都有一批新订单进来。
16:33
这套高通量发现的思路,创新基因组学研究所甚至把它推到了人类治疗之外—推到了一个行星尺度的威胁上:甲烷。
16:45
在谷歌和TED的"大胆项目"支持下,
16:48
这个实验室正在采集一整群牛的肠道微生物组—也就是消化道里那一大群细菌的总和—甚至追踪一头母牛的微生物组如何塑造她小牛的微生物组,
17:02
再把这些微生物复制出来、送进一套带计算机视觉的自主系统里跑。
17:08
这里的科学逻辑值得补一句:牛打嗝会释放大量甲烷,
17:13
而甲烷是一种远比二氧化碳更"强力"的温室气体;
17:17
这些甲烷,正是牛胃里一类叫"产甲烷菌"的微生物代谢产生的。
17:24
I G I训练系统去识别新的微生物构型,
17:27
想找出那些"喂养"产甲烷菌的生物,进而干预。
17:31
这个项目正在产生数以太字节计的数据,
17:35
和一个可用的牛微生物组模型;
17:38
I G I的Ringeisen说,他们希望找到一种干预手段,
17:42
可能会用到CRISPR,也就是那项让Jennifer Doudna拿诺奖的基因编辑技术,
17:49
让这种改变能持久下去。
17:52
他补充,这套一百万美元的启动配置,只需要"一名自动化工程师加一名微生物学家","我们把机器人和自动化当成一种辅助"。
18:03
这个例子的分量在于:它把"自主实验室"从造电池材料、
18:08
找药物靶点,一直延伸到了应对气候变化—同一套方法论,
18:13
靶子却完全不同。
18:16
如果说Ginkgo代表"灵活",那工业级规模就是另一个方向。
18:21
文章举了盐湖城的Recursion:它的机器人系统,
18:25
建在一家前 Dick's Sporting Goods s 体育用品卖场的地板上,
18:30
每周能跑高达两百二十万次细胞与培养实验。
18:34
索引卡大小的板子上,有一千五百三十六个孔,
18:38
循环经过孵育、处理和多角度显微成像,
18:42
产出的数据由一套A I系统分析。
18:46
这个数字得掂量一下:两百二十万次每周,
18:50
意味着一个人类研究员穷尽一辈子也做不完的实验量,
18:54
这套系统一周就跑完—高通量在这里被推到了极致。
19:00
Recursion处理它自研的内部超算上超过五十拍字节的专有数据—一拍字节约等于一千个太字节,
19:09
五十拍字节,大致相当于把几千万部高清电影的数据量堆在一起—用这些数据绘制生物过程图谱、
19:18
寻找意想不到的药物靶点。
19:21
据其神经科学副总裁 Christopher Winrow w 说,
19:25
平台已经借助神经元和小胶质细胞的模型,
19:29
帮着建起了大规模的细胞图谱,公司已推进了好几个候选药物进入临床试验。
19:37
制药业其余部分也在朝同一方向走,尽管—文章谨慎地补一句—回报对多数人来说仍未兑现。
19:46
商业地产公司CBRE的生物技术专家Matt Gardner说,
19:50
实验楼正在被重新设计,给服务器和机器人系统留出更多空间、
19:56
更重的供电。
19:57
瑞士的罗氏三月说,A I帮它把一款肿瘤药候选物的开发,
20:02
比传统方法快了百分之二十五;
20:05
英伟达和礼来宣布了一个价值最高十亿美元、
20:10
为期五年的A I药物发现实验室。
20:13
Gardner的评价很克制:"有一种希望是,
20:17
这条路通向更快、更好、更便宜的药物发现……但我们还没到那儿。
20:23
"这句"还没到那儿",几乎是整章里每一位从业者的共同口吻—热钱、
20:30
算力、机器人都到位了,唯独"更快是否等于更好"这件事,
20:35
还没有答案。
20:37
这里要专门补一个概念,因为它是理解这整场竞赛的钥匙。
20:41
L L M是"大语言模型"的缩写,就是驱动ChatGPT、
20:47
Claude这类系统的技术。
20:50
它的原理并不神秘:用海量文本训练一个庞大的神经网络,
20:55
让它学会"给定前面的词,预测下一个词最可能是什么",
21:00
如此反复,就能生成连贯的语言、甚至进行推理。
21:05
文章里,I G I的Ringeisen有一句很关键的警告,
21:10
点破了这类模型的软肋:"如果你想想ChatGPT和Claude是拿什么喂大的,
21:16
那份'食谱'来自整个互联网。
21:19
互联网上有些东西,会让你反胃,如果你吃太多的话。
21:24
"言下之意是:模型有多好,取决于喂给它的数据有多好。
21:30
所以文章反复出现的那句判断—训练要用对的数据,
21:34
配上对的学习方式—才是这场竞赛真正的胜负手,
21:39
而不是模型本身有多大。
21:42
文章还给了一个具体的"数据决定成败"的案例。
21:45
今年早些时候,Ginkgo与OpenAI合作,
21:49
部分就是为了测试机器人实验室,能不能像一个实验科学家那样运作。
21:54
一个用文献训练、并接入了Ginkgo装置的OpenAI主体,
21:59
被用于"无细胞蛋白质合成"—这是一种不必培养活细胞、
22:05
就能生产蛋白质的方法。
22:07
传统上造蛋白质,要靠养一整缸活细胞,
22:11
让它们替你合成;
22:13
无细胞法,则把细胞里那套"翻译机器"抽出来,
22:17
在试管里直接干活,更快也更可控。
22:21
在一份预印本里,团队报告说,经过好几轮实验、
22:25
超过三万六千次独特反应,这套系统在一个已发表的基准上,
22:30
把蛋白质产出的差错降低了百分之四十。
22:34
Kelly说,这些模型证明了自己是称职的实验者。
22:39
但文章立刻把话锋一转,点出这场竞赛真正的战场—称职地执行,
22:45
不等于有洞见。
22:47
也就是说,机器很会照着做、很会优化,
22:50
但科学史上那些真正的大突破,往往来自"看见别人没看见的联系",
22:57
而这恰恰是目前最难交给机器的部分。
23:01
Ceder本人还提了一个反直觉的洞见,
23:04
Sisson特意记下,它从人的一侧补足了这场辩论:"我还学到,
23:09
快速给人答案,会让人换一种方式思考。
23:13
"Ceder说,"如果你有一个想法,
23:16
又不用等几个月才知道答案,你在智识上就不会松懈。
23:20
""人们迅速拿到答案,就会持续投入,
23:24
也更容易撞上不同的问题。
23:26
"换句话说,速度的价值不只在产出的数量,
23:30
还在于它改变了科学家提问和保持投入的方式—慢,
23:36
有时会让人在等待里"掉线"。
23:39
文章为此举了Lila Sciences的例子:这是一家专为科学推理打造A I的创业公司。
23:46
其首席技术官Andrew Beam说,
23:48
大多数诺贝尔奖级别的发现,"不是被通量卡住,
23:52
而是被智力卡住"—多数生物学诺奖,奖的是把此前互不相干的领域连起来。
23:59
他说,蛮力能让你得到一个稍微好一点的药,"但它不会带你迎来下一个大突破"。
24:06
Lila用的是精选的数据,和一个经过强化学习训练的推理模型;
24:11
其首席自主科学官John Gregoire说,
24:15
Lila的实验台不是"封闭回路里的固定轨道",
24:19
而是"开放式的实验",像爵士乐即兴演奏。
24:23
这里也保留了它的不确定性:Beam认为Lila能在科学推理上胜过前沿系统,
24:29
公司声称用大约"行业领先水平百分之一的成本",
24:34
推进并优化了一种体内嵌合抗原受体T细胞疗法—这是一种实验性抗癌疗法,
24:41
改造病人自身的免疫细胞去攻击肿瘤—但文章明确写道,
24:46
这一说法仍是公司自己的案例研究,而非经独立验证的基准。
24:52
这一串创业公司故事底下,Sisson提炼出一条共同的线索,
24:57
值得单独记住:胜负手是"用对的数据、
25:00
配上对的学习方式"去训练模型。
25:04
前面Ringeisen那句"互联网这份食谱会让你反胃"是反面,
25:09
Lila用精选数据和强化学习是正面,
25:13
而Ringeisen还举了一个更有说服力的正面模板—DeepMind的蛋白质结构预测模型AlphaFold。
25:22
他说:"那是一个经过高度整理、高度相关、
25:25
极其庞大的数据集,才让AlphaFold能跑起来。
25:29
让我们把这件事重做一遍,再拿对的生理条件、
25:33
拿人类疾病去做,才能更好地喂养那些A I模型。
25:38
"换句话说,这一行真正稀缺的不是算力,
25:42
而是高质量、贴近真实生理的实验数据—这也解释了为什么这么多公司,
25:48
都在抢着"摄入实验数据、和研究机构合作来训练模型"。
25:54
文章的后半段,把这场技术变革抬到了国家层面。
25:59
Anthropic这家公司,二月宣布与艾伦研究所和霍华德·休斯医学研究所合作,
26:05
不只支持实验室运营,还要开始参与提出假设、
26:10
设计实验。
26:12
顺便说一下Anthropic的背景:它的C E O是受生物物理学训练的Dario Amodei,
26:18
他曾在二〇二四年写过一篇文章《爱的机器》,
26:23
主张A I能极大加速生物学发现。
26:27
Anthropic生命科学合作与部署主管Jonah Cool点出了一个关键判断:一个科学家的职业生涯,
26:35
常常是"磨人的观察或分析"—恰恰是这种琐碎、
26:40
耗时、重复的工作,正是Anthropic想用A I去加速的部分。
26:46
这句话把整章的乐观面讲得很实在:自主科学最先能替人分担的,
26:52
不是"灵光一现的洞见",而是那些占掉科学家大半时间的苦力活。
26:58
国家科学基金会负责技术、创新与合作的首任助理主任 Erwin Gianchandani i 说,
27:05
这家机构简称N S F,联邦对这类基础设施的投资是"低垂的果实",
27:12
他正帮着把《芯片法案》的资金,用来提高科学家的产出。
27:17
文章也点出了政治的另一面,而且这一面,
27:20
恰好和第三章接上了榫头。
27:23
即便特朗普政府已经削减或限制了许多领域的科研,
27:27
它却把A I赋能的实验室基础设施,当成一项战略优先事项—因为中国在生物技术上的进展,
27:36
让业界和国会警觉,他们把自主实验室视为一项关键的"军民两用"能力。
27:43
国家新兴生物技术安全委员会,连同印第安纳州参议员Todd Young等国会盟友,
27:50
已经呼吁为下一代实验室推动"大刀阔斧"的立法改革和新的联邦资金;
27:57
该委员会警告说,中国将"把生物技术武器化"。
28:01
委员会的建议正分头在国会推进,其路线图要求联邦对生物制造和生物数据基础设施投入新资金、
28:11
扩大对生物技术设备的出口管制,并在行政部门内设一个协调机构。
28:18
委员会执行主任Caitlin Frazer说:"我们现在是在告诉政策制定者,
28:24
他们此刻、在这个立法年度里做出的决定,
28:28
是关乎美国能否引领即将到来的'生物产业革命'的、
28:32
最重大的决定之一。
28:34
"请注意这句话,和第三章Scoles笔下的"创世纪计划",
28:39
是同一股力量的两个投影:一边是加速发现,
28:43
一边是国家安全焦虑,而自主实验室,正好卡在两者的交点上。
28:49
于是文章落回它一开始就埋下的那个标准问题。
28:54
要真正实现这套愿景,支持者说,联邦政府得做的远不止买设备:一个全国性的云实验室系统,
29:03
需要"道路规则"—硬件和软件标准、数据收集与共享的规范、
29:09
云存储的约定,这些也可能都需要联邦掏钱。
29:14
L B N L主任Michael Witherell说得直白:"我们的工作,
29:18
是证明只要恰当地使用A I,你就能把科学的速度翻一倍。
29:23
""我们需要核聚变。
29:25
我们需要更好的水再处理。
29:28
所有这些国家级难题—我们得比中国走得更快。
29:33
"而文章用一个古老的比喻收尾,把整章的张力压缩成一句话:科学研究常被比作"在黑暗里的路灯下找东西"—研究者聚在已知之光下,
29:46
提防阴影里的未知。
29:48
当整片天空都被照亮时,会发生什么?
29:52
CBRE的Gardner说,那种可能性是惊人的,
29:55
比如能实时观察细胞行为。
29:58
但更快的科学,仍将不得不用老派的科学标准来证明自己。
30:04
未来的实验室也许会通宵运转,而科学家的工作,
30:08
是决定当早晨到来时,应该发生什么。
30:12
第一章讲完了,我们收一句:自主实验室把科研变成了一台约为人类一百倍速度的昼夜引擎,
30:20
靠的是闭环实验、A I主体,和把超算当成实验台;
30:25
但那篇二〇二三年《自然》论文"后来被更正"的插曲,
30:30
恰恰点明了整章的主线—机器能更快地做实验,
30:35
结果却仍必须由人来验证。
30:39
速度不等于可靠,更快的科学,还没证明它就是更好的科学。
30:45
接下来是第二篇,资深科学记者Dava Sobel的短文《作为陌生人的科学家》。
30:52
这一章短,但不该被草草带过,它触到的是整期杂志的信任内核。
30:59
文章的论点从第一句就立住了:在大众想象里,
31:03
科学家是"怪人"。
31:05
Sobel写道,一个化学家或地质学家也许是天才—这一点大家都认,
31:10
但那份超常的心智敏锐,据说是以巨大的社交与情感代价换来的,
31:17
于是科学家被想象成一个不合群的人、一个怪胎、
31:22
一个"披着人皮的机器人"。
31:24
Sobel直言:"这种认知让我困扰。
31:27
"先说作者为什么有资格谈这个。
31:31
Dava Sobel是前《纽约时报》科学记者,
31:33
著有六本书,包括国际畅销书《经度》,
31:37
那是一九九五年的书,还有近作《居里家的元素》,
31:41
二〇二四年出版;
31:42
她还主持《科学美国人》的月度诗歌专栏,
31:46
叫Meter。
31:47
也就是说,她既是资深科学记者,又是把科学写成人文故事的高手。
31:54
她这一章的立场,建立在"五十年职业生涯里访谈过数百位科学家"的一手经验之上。
32:02
她说,从年轻博士后到年长的实验室主任、
32:06
包括好几位诺贝尔奖得主,没有一个人符合那个刻板印象的框子。
32:12
诚然,有几个人被证明确实惹人厌、甚至叫人受不了,
32:18
但那也不是"刻板印象意义上的"那种。
32:21
她的问题于是很尖锐:那我为什么走到哪儿都还在撞见这个陈词滥调?
32:28
Sobel给这个刻板印象找了一个结构性的解释,
32:31
而这恰恰需要一个从头讲起的概念—科学家在人群中的稀有性。
32:38
她援引联合国教科文组织现有的最新统计:全世界大约有九百万人从事科学研究。
32:45
听起来不少,但把它放进分母里就变了味—他们的人数,
32:50
被其他人以大约一千比一的比例压倒。
32:54
也就是说,你随机遇到一个人,他是科学家的几率,
32:58
一开始就很低。
33:00
而且更低,因为科学家有一种"扎堆"的倾向:他们聚集在配有专门设备、
33:06
门禁森严的场所里—比如美国国家航空航天局,
33:11
和欧洲核子研究组织的实验室;
33:14
欧洲核子研究组织简称C E R N—在那里,
33:18
他们与非科学家进一步隔绝开。
33:21
这就是文章的机制:不是科学家真的古怪,
33:25
而是普通人几乎没机会看到科学家日常真实的样子,
33:30
于是刻板印象填补了这片空白。
33:34
Sobel用自己作反例:作为一个科学作家,
33:38
她能进入许多这样受保护的空间;
33:40
但她反问,如果她当年做的是体育记者或驻外记者,
33:45
她又怎么可能发现"做研究"这个说法背后,
33:48
包含多少种活动、又能带来多少乐趣?
33:52
Sobel特意把话说重,这是她整篇最鲜明的观点,
33:57
得原样归到她名下:"这些关于科学家的扭曲观念,
34:02
不只是可笑、不准确,而是有害的。
34:05
"她担心两件事:它们让整个社会对科学事业的态度变糟;
34:10
它们让年轻学生看不到"科学"是一个可能属于自己的未来。
34:15
她举了两个证据。
34:17
一个是文化产品:孩子被要求画一个科学家,
34:21
画出来的最常是一个戴眼镜、穿白大褂的白人男性—玛丽·居里和 George Washington Carver r 的存在,
34:29
也改变不了这一点。
34:31
另一个是电视:演员Jim Parsons在哥伦比亚广播公司的情景喜剧《生活大爆炸》里,
34:39
扮演理论物理学家谢尔顿·库珀近三百集,
34:43
那是从二〇〇七到二〇一九年,凭这个"典型的社交无能"角色,
34:49
拿了四座艾美奖和一座金球奖—她用这个例子说明,
34:54
流行文化如何把"科学家等于怪人"反复夯实。
34:59
在展开正面论证之前,Sobel先处理了科学界内部的一种"自救"提议,
35:05
并明确表达了自己的保留。
35:08
有些科学家意识到了这个形象问题,提出:凡是拿了联邦科研经费的人,
35:14
都应该被要求向纳税人解释自己的研究,
35:17
说明钱怎么花、项目预计有什么用。
35:21
Sobel说,她认同"与公众有效沟通"很重要,
35:25
但反对把这变成一刀切的硬性要求:并不是每个科学家都具备有效沟通的能力,
35:33
要求所有人都做到,既不公平也不现实。
35:38
不过她也承认,那些确实有这份本事的人,
35:42
能用它产生巨大的影响。
35:44
她举了一个跨代的例子:某个年龄段的天文学家,
35:48
几乎无一例外地告诉她,他们对这门学科的兴趣,
35:53
是被Carl Sagan一九八〇年在公共电视上首播的《宇宙:个人航行》点燃的。
36:01
她还俏皮地补一句:Sagan本人爱看篮球。
36:05
这个细节本身就是对刻板印象的一记反驳—一个能点燃一代人的科学传播者,
36:12
和"披着人皮的机器人"毫不沾边。
36:15
Sobel还从"科学方法"这个大众最熟悉的概念入手做了反驳,
36:19
值得补一句背景。
36:22
我们多数人在中小学被教:科学方法是一套严格的规则或"食谱"—提出假设、
36:29
设计实验、验证、得出结论,一步接一步。
36:34
但Sobel说,科学家自己承认,他们真实的探索,
36:38
主要由好奇心驱动,那种探索对他们而言,
36:42
更像画家或雕塑家在创作。
36:45
作为《科学美国人》诗歌专栏的编辑,她常收到科学家写的诗—这些人被工作中的某种体验打动,
36:53
提笔写诗。
36:54
她说这种趋势由来已久:伽利略写诗;
36:58
发展出电磁理论的 James Clerk Maxwell l 也写诗;
37:02
一九二〇、三〇年代,哈佛学院天文台雇的有天赋的音乐家,
37:07
多到能凑成一支管弦乐队。
37:10
换句话说,创造力和艺术冲动,在科学家身上不是例外,
37:15
而是常态—这与"冷冰冰的怪人"形象正好相反。
37:20
Sobel的正面论证同样有力,而且全是具体的人和话。
37:25
她说,这个刻板印象靠的是"真正的科学家很稀有";
37:31
可她只要真去听科学家谈自己的研究,听到最多的那个词,
37:36
恰恰是最与刻板印象相悖的—是"激情"。
37:41
她举了二〇二三年诺贝尔奖颁奖那周、在斯德哥尔摩王宫一场圆桌讨论上的例子。
37:49
当年三位物理学奖得主之一Anne L'Huillier,
37:52
为描述科学家的内在驱动力,伸手去够一个词:"这是一件让你充满激情的事"—她无意中生造了一个动词,
38:02
用来涵盖那份带着她走过四十年阿秒物理研究的着迷、
38:07
动力、执拗与热忱;
38:10
她说,一旦"得奖的喧嚣平息",她就迫不及待想回到这份工作里去。
38:16
文章还顺手打破了另外一个刻板印象:同一场圆桌透露,
38:21
L'Huillier,和二〇二三年诺贝尔生理学或医学奖两位得主之一的Katalin Karikó,
38:28
都长期已婚、也都是母亲—尽管"对家庭的投入",
38:33
在那个刻板科学家的生活里,是被公认为不存在的。
38:38
这里顺带补一句:Karikó 正是mRNA技术的关键奠基者之一,
38:43
而她的名字,在下一节会以另一种方式回来。
38:48
文章的结尾,把"形象问题"从文化层面,
38:52
狠狠拽进了现实的公共卫生后果里—这也是它最有分量的一击,
38:58
得完整保留其中的因果与警示。
39:01
为此先补一个背景概念:mRNA疫苗与疫苗犹豫。
39:07
mRNA疫苗是一种较新的疫苗技术,不像传统疫苗那样注入减毒或灭活的病原体,
39:15
而是递送一段信使R N A—信使R N A是细胞用来照着合成蛋白质的"施工图纸"—让你自己的细胞先造出病原体表面的一小块蛋白,
39:28
免疫系统据此提前"认脸",从而在真正遇到病毒时能迅速反应;
39:34
新冠疫苗正是用了这项技术。
39:37
而"疫苗犹豫",指的是人们对接种疫苗的怀疑、
39:41
拖延乃至拒绝,常常被围绕疫苗的阴谋论所放大。
39:47
Sobel讲了一个真实的场景。
39:49
Drew Weissman—他是Karikó 在mRNA发现上的合作者、
39:54
共同分享诺奖—曾指出,他的妻子和女儿参与了那些疫苗的三期临床试验,
40:00
这件"家人也一起上"的事,后来在他所在的社区里,
40:05
成了对抗疫苗犹豫的有力工具。
40:08
当Weissman太太—她本人是心理学家 Mary Ellen Weissman—去参加教堂礼拜和社区聚会、
40:15
听到邻居们说出源于阴谋论的担忧时,她会反问:"你觉得我丈夫,
40:22
会让他的女儿和妻子,去打一支会让她们不孕的疫苗吗?"当然不会。
40:27
Sobel由此推出全文最沉的一段推论,
40:31
并明确标为她自己的忧虑:如今疫苗的有效性正被政府当局质疑,
40:38
关于新型mRNA疫苗的、有前景的研究已被叫停;
40:43
她说,考虑到科学家刻板印象传播之广,
40:47
她不得不担心,有多少人可能会对 Mary Ellen Weissman n 那个反问,
40:52
回答"会"。
40:53
她把最后一句话钉得很重:"让自己的配偶或子女陷入致命危险,
40:59
听起来,恰恰像是一个疯狂科学家会做的事。
41:03
"—刻板印象在这里不再是笑话,而是可能让人在真实的健康决策里,
41:10
做出错误判断的东西。
41:12
第二章也收一句:科学家在人群里稀有,
41:16
大约九百万人,被以一千比一压倒,又扎堆在门禁森严的场所,
41:22
于是刻板印象填补了空白;
41:26
但Sobel五十年访谈的一手经验说,
41:28
真正的科学家最常用来形容自己工作的词,
41:32
是"激情"。
41:33
她坚持这个刻板印象"有害"—它挡住年轻人把科学当成自己的未来,
41:39
更危险的是,它可能在mRNA疫苗被叫停、
41:43
疫苗犹豫抬头的今天,把人推向错误的健康判断。
41:48
最后是第三篇,核武器议题专家Sarah Scoles的《要有武器》。
41:53
这一章的新闻由头很硬。
41:56
Scoles用一段戏仿《创世记》的开场把它点出来:"起初,
42:01
人们造出了计算机。
42:03
有人说,'要有软件',那软件大体是好的。
42:09
然后有人说,'让软件更聪明些',他们把那种聪明叫作人工智能。
42:16
到了二〇二五年十一月,白宫启动了一个叫创世纪计划的A I项目。
42:22
"先介绍作者。
42:23
Sarah Scoles是驻科罗拉多的科学记者、
42:27
《科学美国人》的特约编辑,最新著作是《倒计时:核武器令人目眩的未来》,
42:34
二〇二四年出版。
42:35
也就是说,她是长期研究核武器议题的专家,
42:39
这一章的分量,建立在她对核武器体系的深厚背景之上。
42:44
事情的经过是:二〇二五年十一月,特朗普总统通过一道行政命令,
42:50
责成能源部—牵头进行一次"专门、协调的国家努力,
42:56
以开启一个A I加速创新与发现的新时代,
43:00
解决本世纪最具挑战性的难题"。
43:03
说得更直白些,这个计划要与大学和私营公司合作,
43:07
搭一个A I平台,去攻从先进制造、生物技术、
43:12
核能、量子信息科学,到关键矿物、半导体等一系列领域的研究。
43:19
这里Scoles有一个很敏锐的观察,
43:22
是整章的切入点。
43:24
大多数对创世纪计划的公开描述,都强调它的科学使命—就像能源部自身,
43:31
平时也倾向于把超新星研究、疾病建模摆到台前,
43:36
而不是它维护的那些核弹头。
43:39
但Scoles指出,能源部这回发布的这二十六个挑战,
43:43
却呈现出这项使命更具军事色彩的一面:头一批里就有七个,
43:48
直接聚焦核武器与国家安全。
43:51
也就是说,平日里被"科学"外衣包着的那部分,
43:55
这一次被摆到了明面上—这正是为什么,
43:59
这篇文章的标题是刺眼的《要有武器》。
44:03
读到这里,大多数人会有一个合理的疑惑:一个叫"能源部"的部门,
44:08
怎么会去管核武器和国家安全?
44:11
这正是理解整章的钥匙,得从头补上。
44:15
原因在于能源部的历史职责:它监管着美国的核武器库存—这是冷战留下的制度安排,
44:23
核武器的设计、维护与相关的基础科学,
44:27
长期归在这个名字听起来只管电网和油气的部门底下。
44:32
研究学者 Bahrad Sokhansanj,
44:34
,任职于波士顿的法律与A I研究所,
44:38
曾在劳伦斯利弗莫尔国家实验室工作,他解释,
44:43
正因为能源部既做核武器研究、又有既有的基础科学布局,
44:49
这个机构本来就拥有对的基础设施:"它有实验室,
44:53
有计算机,"Sokhansanj说,"它拥有大量与科学技术未来相关的资源。
44:59
"事实上,世界上一些最强大的超级计算机,
45:03
就坐落在能源部的国家实验室里,包括利弗莫尔、
45:08
洛斯阿拉莫斯,以及能源部总部,不过这几家均未回应置评请求。
45:14
Sokhansanj说,创世纪计划的意义,
45:17
是把这些资源聚焦到一个战略目标上,而不是任由它们分散在政府各自为政的"筒仓"里。
45:26
要看懂这七个核武器挑战,得先补齐几个国家安全领域的专有名词。
45:31
文章都提到了,这里逐一从头讲。
45:36
第一个是核库存管理。
45:37
这是最容易被误解、也最关键的一个。
45:41
冷战后,美国不再进行核试爆,但已经造出来的核弹头会老化—材料会衰变、
45:49
部件会退化。
45:50
于是"库存管理"要回答的问题是:在不真正引爆的前提下,
45:56
如何确认这些老化的核弹,还能可靠工作、
45:59
且是安全的?
46:01
文章说,能源部的库存管理项目,正是要理解老化的核弹会如何表现、
46:08
以及现代化改造会如何影响其安全与性能。
46:12
创世纪计划打算用A I去"翻爬"能源部的旧数据档案:那些机密实验和武器测试的结果,
46:20
连同有时仍被困在"手写潦草的笔记、纸质文件或胶片照片里"的非机密核研究。
46:28
Herbert Lin—他是斯坦福大学国际安全与合作中心的资深研究学者、
46:33
网络与核政策专家—说:"毫无疑问,那里头有有意思的东西,
46:39
只是他们还没找到。
46:41
"这套系统也会摄入并处理新数据,不过这些新数据,
46:46
至少不来自核武器试爆。
46:48
第二个是核取证。
46:50
想象一场核或放射事故之后,现场留下了放射性材料。
46:55
核取证要做的,是像刑侦破案一样,分析这些材料的"化学与同位素指纹",
47:02
反推它从哪里来。
47:04
文章说,创世纪计划的一个挑战,就是用A I加速核取证—帮助分析师刻画从某次事件或某件武器中回收的放射性材料,
47:15
追查它的来源。
47:16
这对追责和防范至关重要。
47:19
第三个是防扩散。
47:21
"扩散"指核武器技术、材料向更多国家或组织蔓延;
47:26
"防扩散"就是设法阻止这种蔓延。
47:30
文章说,创世纪计划还会承接防扩散工作:用A I去分析"卫星影像、
47:36
传感、开源和政府数据",找出那些暗示"危险物质正被运往它不该去的地方"的异常信号。
47:44
第四个是军民两用。
47:46
这是贯穿整章、也贯穿整期杂志的关键词,
47:50
得讲透。
47:51
所谓"军民两用",指同一项技术既能用于和平的民用目的,
47:56
也能用于军事或危险用途。
48:00
Sokhansanj说,能源部想加速的很多科学都是军民两用的:"如果你在做粒子加速器,
48:08
如果你在做先进工厂,那些也都会有别的用途。
48:12
"他举了一个很具体的例子:一台粒子加速器,
48:16
除了正常科研,也能帮助揭示粒子在一件武器内部的行为。
48:22
这里补一句原理:粒子加速器把电子、质子这类粒子加速到极高能量,
48:28
本是用来探测物质最深处结构的科研利器;
48:32
可同样一束高能粒子,也能被用来"看穿"一件核装置的内部、
48:38
研究它的构造与行为。
48:41
这就是"两用"的两面性—同一件工具,
48:44
一面朝向发现,一面朝向危险,而且往往是同一台机器、
48:50
同一群人。
48:52
这个概念之所以关键,是因为它意味着:你没法简单地"只加速好的那一半科学",
48:59
因为好的一半和危险的一半,常常是一枚硬币的两面。
49:04
术语补完了,我们看这一章最精彩的部分—Herbert Lin提供的一个思考框架,
49:11
得原样归到他名下、并保留其分寸感。
49:16
Lin把"把A I更深地嵌进核工作"看作一种"计算能力长期演进中的下一步、
49:22
一次巨大的跳跃"。
49:24
他有一句提纲挈领的话:"A I只不过是另一种做计算的方式,"Lin说,"而计算机可以被应用到一切,
49:34
所以这意味着A I也可以被应用到一切,
49:38
包括武器。
49:39
"但Lin立刻给这句话加了非常重要的边界,
49:44
文章也把这份克制原样保留了。
49:47
人们听到"A I加核武器",脑子里马上蹦出最有电影感的场景:一个自主系统自己决定发射一颗原子弹。
49:56
Lin明确指出—幸运的是,没有任何人在提议那种安排。
50:01
他说:"没有人在提这个。
50:04
"他把"让A I掌管核发射"称为一种"愚蠢却良性"的想法—荒唐,
50:10
但因为没人真去做,所以无害。
50:13
而在另一个极端,是像"用一个A I语法工具去改一份核政策备忘录"这种事,
50:20
同样良性。
50:21
Lin说,"中间有一大片地带","创世纪计划的核武器A I计划,
50:26
活在'糟糕的语法'和'发射密码'之间的某个位置。
50:30
"这句话,文章特意提炼成了小标题:创世纪计划的核与A I方案,
50:36
活在"糟糕的语法"和"发射密码"之间的某处。
50:40
文章还举了具体的、落在这条光谱不同位置上的用途。
50:45
有些挑战朝外,保护人们免受核威胁:比如用A I融合来自传感器、
50:52
模拟和情报的数据,去侦测并响应潜在的核或放射攻击;
50:58
比如前面说的核取证—加速刻画从某次事件或某件武器中回收的放射性材料、
51:06
追查其来源。
51:08
防扩散也在其中:用A I去"翻爬"卫星影像、
51:12
传感、开源和政府数据,找出"危险物质正被运往它不该去的地方"的异常。
51:20
有些则朝内—深入到维护和现代化国家核武库的工作里。
51:25
文章举了洛斯阿拉莫斯的双轴射线照相流体动力学测试设施:它用巨型X射线机器,
51:34
给"内爆的模型弹芯"拍高速影像。
51:38
这里得补上它和"库存管理"的关联,才看得懂它为什么重要:一枚内爆式核弹的引爆,
51:45
靠的是用常规炸药,把一层核材料在极短时间里对称地压向中心;
51:52
要确认老化后的弹仍能可靠工作、又不真的引爆核当量,
51:57
科学家就用替代材料做的模型弹芯,来做"流体动力学试验"—把它像真弹那样内爆,
52:05
再用高速X射线机器拍下压缩瞬间的影像,
52:10
看压缩是否对称、是否达标。
52:13
这正是"不试爆而维护核武"这条冷战后底线的技术支柱之一。
52:19
一个创世纪挑战,会开发一套自动化系统,
52:22
充当那里的"管理员",帮着排期实验、
52:26
实时引导实验、跑现场诊断。
52:30
在武器现代化与生产发生的高危设施里,
52:33
创世纪计划还会用A I做安全规划—文章在这里非常小心地保留了一个刺眼的细节:某些概要文件把目标描述为"精简生产"和"去掉红头文件的繁文缛节",
52:48
而文章紧接着补了一句耐人寻味的括注—而不是那些出于正当理由才存在的"红带子"—提醒读者:在核武设施里,
52:58
有些流程上的"繁文缛节"本身就是安全防线,"提速"和"拆防线"在这里只有一线之隔。
53:07
Scoles把镜头拉到剩下那十九个挑战,
53:10
并借Sokhansanj点出更大的图景与风险。
53:15
二十六个挑战里,其余的比头七个离国家安全更远:美国想在A I上"赢",
53:22
也想在关键矿物、制造等领域实现自给自足,
53:26
以减少对他国的依赖。
53:28
文章有一句很到位的观察:自二战结束以来,
53:32
科学领导力一直是美国软实力的一种形式;
53:36
但在能源部的世界里,即便是"软"的东西,
53:40
也往往带着"硬实力"的含义。
53:43
正因为大量科学是军民两用的,Sokhansanj说,
53:47
创世纪计划带出了潜在的治理难题。
53:50
这里要补一个概念:什么是合成生物学?
53:55
它指的是像工程师设计电路那样,去"设计"和改造生命—重写或拼接基因序列,
54:02
让细胞去生产我们想要的东西,比如药物、
54:06
燃料、材料,甚至造出自然界原本没有的生物功能。
54:12
这是一门前景极大的学科,可它的危险面同样直白:同一套"读、
54:18
写基因"的能力,原则上也能被用来设计更危险的病原体。
54:24
所以Sokhansanj说,如果能源部在加速科学,
54:28
那些成果就不只是"很酷"—它们也可能很危险:比如合成生物学研究,
54:36
可能揭示出通往生物武器的"路线图"。
54:40
基于此,他建议,能源部应该把创世纪计划的一部分资源,
54:45
反过来拿去做反制措施和网络安全,好让科学的秘密与突破,
54:51
不至于被"黑"出去、泄给全世界。
54:54
换句话说,一个旨在"加速"的计划,恰恰需要同时投资于"设防"。
55:00
Lin则给这块A I与核的"文氏图重叠区"下了另一条相关的警告,
55:06
尤其是在评估真实或潜在攻击时。
55:10
这条警告是全章的落点,得一字不改地保留它的态度:"有一大堆人以为A I是一个能告诉你真相的神谕,"Lin说,"但它不能。
55:21
"这句话,恰好把第三章和第一章接了起来:无论是自主实验室里那篇"后来被更正"的论文,
55:29
还是核政策里被当成"神谕"的A I,
55:33
病根是同一个—机器能算得更快、更多,
55:38
但它给出的东西,仍然需要人来验证,尤其当赌注是核武器时。
55:44
第三章收一句:创世纪计划把"用A I加速科学"这件事,
55:50
通过能源部,直接接到了核武器与国家安全上,
55:54
二十六个挑战里有七个如此,因为能源部本就主管核库存、
56:00
握有超算与实验室。
56:03
Lin的框架,划出了从"糟糕的语法"到"发射密码"的整条光谱,
56:08
并特意澄清:没有人在提议让A I掌管核发射。
56:13
但军民两用的本质、以及"把A I当成能说真话的神谕"的诱惑,
56:19
构成了真正的治理风险—而Lin的结论很硬:A I不是神谕,
56:25
它不能告诉你真相。
56:27
三篇文章走完了,我们把它们并排放。
56:30
《科学美国人》这一期,其实在讲同一件事的三个切面—当A I与机器人重塑科研速度、
56:38
公众对科学家的想象、乃至把科学变成武器时,
56:43
谁来验证、信任并决定科学的走向。
56:46
第一篇讲速度:自主实验室以约一百倍于人类的速度昼夜运转,
56:52
但那篇"后来被更正"的《自然》论文提醒我们,
56:56
机器能更快地做实验,结果仍必须由人来验证—速度不等于可靠。
57:03
第二篇讲信任:公众几乎遇不到真实的科学家,
57:08
于是"怪人"的刻板印象填了空白,而Dava Sobel警告,
57:12
这种误解在mRNA疫苗被叫停、疫苗犹豫抬头的当下,
57:18
已经不再是无害的笑话。
57:20
第三篇讲用途:当美国把"用A I做科学"通过能源部直接指向核武器,
57:28
Herbert Lin提醒,A I只是"另一种做计算的方式",
57:32
能被用于一切—包括武器,而人们最危险的幻觉,
57:36
是把它当成"能告诉你真相的神谕"。
57:40
三条线在同一处收束:A I让科学能算得更快、
57:45
更多、更强,但"验证、信任、决定"这三件事,
57:50
始终只能由人来做。
57:52
第一篇里那个待验证的结果、第二篇里那份待赢回的信任、
57:58
第三篇里那个待守住的分寸,本质上是同一道题—在机器加速一切的时代,
58:05
人类的判断,不是可以被省掉的环节,而是唯一不能外包的环节。
58:12
这一期杂志没有给出一个乐观或悲观的定论,
58:15
它做的是一件更难的事:把"科学正在被A I重写"这个大而空的口号,
58:22
拆成三个具体、可触、彼此咬合的现场—半夜自己运转的伯克利实验室、
58:29
被画成戴眼镜白大褂的科学家、盖着能源部机密印章的核档案。
58:35
真正的问题从来不是"机器能不能更快",
58:38
而是"当机器更快之后,谁来验证它算得对、
58:42
谁来信任做这件事的人、谁来决定这份速度该被用来发现新药、
58:49
还是打磨核弹"。
58:51
这三个问题,机器都答不了。
58:53
答它们的,还得是早晨到来时,决定该发生什么的那个人。
58:59
今天的深度就到这里,感谢收听The Long View,
59:03
我们下次再见。