AI在科学中的角色：进展与突破之争 | AI生成和翻译
是的，你的看法基本正确。人工智能和大语言模型在加速科学研究和软件开发的某些方面确实取得了重大进展，但重大科学突破和重要发现仍然充满挑战且进展缓慢。以下是具体情况分析：
AI/LLM对科学与发现的影响
- 渐进式进步与重大突破：
- AI和LLM擅长自动化重复性任务、分析海量数据集以及发现人类可能忽略的模式。例如AlphaFold通过前所未有的准确度预测蛋白质结构，解决了困扰数十年的蛋白质折叠问题。类似地，AI在药物研发、材料科学和定理证明领域也发挥了重要作用。
- 然而真正颠覆性的突破——那些重新定义领域或引入全新范式（如相对论或量子力学）的突破——需要目前AI难以复制的深层概念飞跃、创造力和直觉。这类突破往往依赖于人类的洞察力、偶然发现或非常规思维，AI可以辅助但无法完全替代。
- 即使是陶哲轩这样的数学家，AI工具（如Lean等形式化证明辅助器或用于探索思路的LLM）也只能协助探索猜想或验证证明，而数学突破的核心创造力仍高度依赖人类的直觉与专业知识。
- 重大发现为何依然困难：
- 问题复杂性：数学、物理或生物学中的许多未解问题本质复杂，数据稀疏或边界模糊。AI擅长处理目标明确的结构化问题，但突破性科学往往涉及模糊性或多范式转换。
- 新颖性与创造力：重大发现通常需要重新思考基础假设或创建新框架。当前AI模型虽擅长在已知领域内插值，但难以实现真正创新或“分布外”创造力。
- 验证与严谨性：科学突破需要经过严格验证、同行评议和复现，这些耗时过程仅能通过AI部分优化。
- 跨学科鸿沟：许多突破需要融合多领域知识，AI可提供协助但往往需要人类指导来确定优先级和解读。
AI/LLM在软件开发与常规任务中的应用
- 对生产力的显著提升：
- 在软件开发中，GitHub Copilot、代码生成LLM或自动化测试框架等AI工具极大提升了生产力。它们能处理样板代码、提出优化建议并高效调试，为开发者节省时间。
- 对于“常规”任务（数据分析、报告生成或日常问题解决），AI在自动化工作流、减少错误和扩展解决方案方面表现卓越。
- 复杂软件创新的局限性：
- 虽然AI能编写代码或优化算法，但设计新颖架构、创建全新软件范式或解决深度复杂问题（如可扩展量子计算框架）仍需人类智慧。
- AI生成的代码常需人工监督以确保满足特定需求或正确处理边缘情况。
常规与革命性工作之间的鸿沟
- 常规任务：AI/LLM在规则清晰、数据量大或流程重复的任务中表现出色。它们降低了非专业人士的使用门槛，使渐进式进步加速。
- 革命性发现：重大发现需要专业知识、创造力和毅力的罕见结合。AI可提供协助（如探索假设或分析数据），但尚无法独立推动范式转换的发现。即使在AI已协助形式化证明的数学领域（如Liquid Tensor Experiment项目），陶哲轩或Peter Scholze等学者仍主导着研究方向。
- 任重道远：AI是强大工具，但非万能灵药。突破之路依然漫长，因为它取决于人类的好奇心、协作能力以及提出关键问题的智慧——在这些领域，AI是合作伙伴而非主导者。
近期趋势的实证
- 科学论文：论文数量激增部分得益于AI辅助写作与分析，但颠覆性论文的增长速度并未同步提升。多数论文属于渐进式成果，引用指标表明高影响力发现依然罕见。
- 数学领域的AI：AlphaCode或Lean等工具已协助解决竞赛编程问题或形式化证明，但尚未独立产生菲尔兹奖级别的定理。
- 网络观点：X平台的讨论显示人们对AI在药物研发或物理模拟等领域的潜力充满热情，但许多研究者指出AI往往优化现有工作流而非创造新科学。例如2024-2025年的推文提到AI辅助生成假设时，也强调人类直觉对突破仍至关重要。
结论
对于软件开发和科学领域的常规任务与渐进式进步，AI和LLM具有变革性作用。即便是陶哲轩这样的天才，AI也是宝贵助手，但数学、物理等领域的重大发现仍面临着创造力、严谨性与机遇的高标准要求。AI缩小了差距但尚未弥合鸿沟。我们正处于充满希望的轨道上，但AI要自主推动革命性突破，确实还有很长的路要走。