教导AI构建科学模型——Anthropic

1951年，剑桥大学的计算机坏了整整六个月。这对生理学家安德鲁·赫胥黎来说是个大麻烦——他和同事艾伦·霍奇金刚刚构建了一组方程，用来描述鱿鱼神经细胞如何放电。他们想弄明白神经细胞的“动作电位”，也就是神经元之间通信用到的电脉冲，大脑的一切活动，从感知到智能，都建立在这个基础之上。要验证方程对不对，唯一的办法是把方程解出来，再拿结果和实验数据比对。赫胥黎本打算用那台新奇的计算机来算，结果只能用手摇机械计算器，一算就是三个多星期。 这段往事被AI研究机构Anthropic在其“AI for Science”资助计划的客座文章中重新提起，作者是图宾根ELLIS研究所和图宾根大学的研究员雅各布·马克、丹尼尔·格东和斯特凡·瓦尔，他们正在开发用于神经科学等领域科学建模的AI工具。故事的关键细节在于：霍奇金和赫胥黎的模型大部分结构由已知的细胞事实决定，但有一个环节纯粹是“ educated guess”——为了让曲线拟合实测数据，他们不得不把某个变量提到四次方，也就是自乘三次。当时他们并不知道为什么，只是隐约猜测：细胞膜上那些门控通道要打开，可能需要多个带电粒子先移动到位，所以出现了四次方。几十年后，另一支团队解析出相关钾离子通道蛋白的结构，发现它确实由四个相同的亚基围绕中央孔道排列。这个1951年拟合出来的模型，不仅较准确地预测了脉冲传导速度，还帮助预测了它从未拟合过的钾离子通道结构本身。 三位研究者借此提出的核心问题是：今天一个AI系统很可能一个下午就能找出类似霍奇金-赫胥黎的方程，甚至拟合得更好，但这远远不够。仅仅知道“四次方管用”并不能带来理解，真正重要的是知道“更简单的版本为什么不管用”。只给你模型的AI，给的是答案，不是洞见。用模型复现数据也不充分，因为无数个模型都能做到同样的事；关键在于能对真实系统本身做出判断，最好还能推广到其他类似系统——这要求你知道这个模型与其他有效模型共享哪些特征、又与失效模型区别在哪里。正如数学家理查德·汉明1962年所写：“计算的目的在于洞见，而非数字。” 基于这一判断，三人提出了一个三步框架，认为大多数科学建模都包含其中某些版本。第一步是构建模型：决定模型由什么构成、方程取什么形式。这一步恰恰是当前AI最容易被误用的地方——如果AI直接吐出最终方程，研究者就跳过了“哪些简化版本失败了”这一关键认知过程，而正是失败版本的排除，才构成了对真实系统的理解。对AI从业者和科学工具开发者而言，这意味着评价一个科学建模AI的标准，不能只看拟合精度，还要看它能否呈现模型选择的过程、能否解释某个结构项为何必要。对跨境电商和出海创业者来说，这套逻辑同样有参照意义：AI给出的选品结论或投放模型，如果只给结果不给推理路径，团队就无法判断它在什么条件下会失效，也就无法把一次成功复制到下一个市场。