學術能力被AI超越，從抑鬱到接受事實，一位哈佛生物學家的內心獨白

大資料文摘出品

編譯：陸震、劉佳瑋、Javen、蔣寶尚

AI已經開始大規模接替人類工作了。

不僅是哪些做重複勞動的職業者將要失業，就連哈佛大學的教授也抑鬱了。

故事是這樣的。

哈佛生物學家Mohammed AlQuraishi 12月份前往Cancun參加一個科學會議時，他有一種奇怪的挫敗感。

奇怪是因為他本應該為他所在的的領域剛剛取得的一項重大進步感到高興，挫敗感是因為這項進展並非由他或他的學術研究同仁所取得，而是由一臺機器所實現的。

具體而言，在結構預測評估（CASP）競賽中，DeepMind的表現優於所有參賽人員。

這項科學比賽對人類來說挑戰性極大。尤其是蛋白質摺疊問題，被譽為生物化學界最大難題之一。

非常多的研究人員都會提交關於某些蛋白質將會採取的3D形狀的預測，來證明他們的學術研究能力。

但是，DeepMind打敗了他們。使用機器學習的力量，AI以壓倒性的勝利贏得了比賽。

確實，AI極其強大的預測能力無論是對生物界還是科技界來說都有著極其重要的意義。

但是對於AlQuraishi來說，接受這個事實，情緒上經歷了好幾個階段。

在一篇博文中，他表示：他最初非常憂鬱，他認為他和其他學者已經被淘汰了，但是他最終克服了那種感覺。

按照他的說法：“因為我的主體反應讓我對科學進步價值的能夠更加冷靜和理性的評估。”

https://moalquraishi.wordpress.com/2018/12/09/alphafold-casp13-what-just-happened/#comment-26005

為了瞭解這位學者的真實感受，科技媒體VOX的記者Sigal Samuel對AlQuraishi進行了採訪，在採訪中，談到了對DeepMind團隊的看法，也談到了工作替代問題。

“很可能機械工作需要很長時間才能被替代，因為實際上很難製造出能做出特定姿勢的機器人。更高層次的智力工作可能會被更快地取代。”

下文是科技媒體VOX的記者對AlQuraishi的訪談實錄，文摘菌做了有刪改的翻譯：

Sigal Samuel：你寫了一篇非常個人化的部落格文章，描述了從你出發去參加會議到你離開會議所感受到各種各樣的情緒。你能給我梳理下那些情緒嗎？

AlQuraishi：對於這個領域的人來說，結果實際上是在會議開始前兩天釋出的，我們都可以上網看看到。我當時很驚訝，因為我沒想到DeepMind做得這麼好。我也很失望，因為我也參加了這個比賽，並且我的表現沒那麼好，就產生了這種情緒，失望吧，因為我在這個問題上有個人利害關係。

然後在接下來的幾天裡，我開始意識到這是一個人們已經研究了幾十年的領域。而一個新團體可以如此迅速地進入並做得很好這個事情讓我感覺很難受，因為它顯現出學術界結構的低效。我也為那些比我研究更長時間的人難受。所以有一種與其他學術團體感同身受的感覺。

然後變成了更外一種感覺，好吧，我們應該從不同的角度看待這個事情：這很好，它會引起人們對蛋白質摺疊問題的關注。

Sigal Samuel：你認為是否有一種心理上的作用驅動你的同事想要貶損DeepMind的貢獻，因為它正在取代他們？

AlQuraishi：我認為，如果它是某個著名的學術團體取得這項進展，人們會說，“毫不奇怪，我們一直知道這個團隊會做得好。”但事實是這項進展來自機器......這可能造成某種程度的怨恨，是的。

但DeepMind團隊在分享他們的見解方面非常開放，而且從我的角度來看，這個領域有一個新的團隊，這是件好事。重點是競爭做好科學研究，而不是要求名譽。

Sigal Samuel：人工智慧的進步有時可能會被誇大，並且可能會產生與實際不符的情緒，要麼過於樂觀，要麼過於悲觀。你認為人們在這場會議之後會對人工智慧在未來為該領域做出的貢獻抱有恰如其分的期望嗎？

AlQuraishi：非專業報導有點過於樂觀，過於熱情。在科學界，很難說。我自己一直在搖擺不定。預測未來是一件困難的事情。

我把自己置於對機器學習相當樂觀的陣營中。我確實認為很難看到科學在很長一段時間內的持續進步，如果你看科學史的話。我認為我們在機器學習的上一個6年時間裡看到了的是一件相當獨特的事情。機器學習是反覆迭代的東西，是第一代真正的進步，可與大的知識革命相媲美。

Sigal Samuel：令我感到震驚的是，學術界存在聲望經濟（the prestige economy）。你覺得機器學習的進步會如何改變我們習慣的聲望經濟？

AlQuraishi：這是一個有趣的問題。 一個版本是說，“這將使得能夠理解資料將更加重要，將增加聲望。”我認為這樣想是合理的。作為一個領域，我們已經有了這種非常沉迷於資料收集的趨勢。那些傾向於收集非常大的資料集的文章往往成為最負盛名的文章，而那些概念性上的文章或者提供某一新的分析視角的文章往往默默無聞。

從我的角度來看，如果從資料收集轉向資料分析工作，我認為在某種程度上這是一件好事。在眾多科學領域，我們過分關注資料本身而不是對資料的理解。

Sigal Samuel：這讓我想起了我在隨行記者中聽到的關於人工智慧的對話。就在最近有關人工智慧如何撰寫文章的新聞報導中——彭博社三分之一的文章都是在人工智慧的幫助下撰寫的。人們總是說，不要擔心，這將是一件好事，因為這將解放記者的大腦，讓他們對更細微的問題進行更深入的思考，而不是專注於5個W（who，what，where，when，why）——這是一個有趣的類比。

AlQuraishi：沒錯，當然。實際上，我認為，展望未來將改變我們對科學的整體認知。

依我看，認為人類是這個星球上最聰明的生物是一個有點愚蠢的想法。我們最終會被機器所超越並淘汰。在此期間，關於自然現象預測的建模將會有越來越多的機器參與構建。

有趣的是，當我們跨過這個門檻時，我們將到達這樣一個點，即我們所構建的模型對我們來說是完全不可理解的。這就會引發一系列的問題，比如科研機構的本質是什麼？我們所謂的“做科研”是什麼意思？科學是指理解自然現象還是通過構建數學模型來預測未來？

Sigal Samuel：這太令人著迷了，實際上這可能已經顛覆了我們對科學的認識。

鑑於這種發展方向，我們是否可以做一些小的思維實驗？假設明天一個很聰明很有潛力的本科生來找你說：“教授，我想將我的職業生涯奉獻給蛋白質結構預測研究。”此時，你會建議她不要這麼做嗎？你會讓她離開學院去為DeepMind工作嗎？

AlQuraishi：我會鼓勵她在機器學習和廣泛的計算上變得更為熟練，因為這在未來幾十年將是至關重要的。無論你想研究哪種現象，它都將是最重要的技能之一。至於你是留在學術界，還是去DeepMind或其他地方，我認為這可能是由個人的動機驅動。如果你真的熱衷於解決問題，那麼工業實驗室就是最好的選擇。如果你更受好奇心驅動，如果你想在特定的時間點處理任何你喜歡的話題，那麼也許學術界仍然是最好的地方，因為你更獨立。

Sigal Samuel：我想這裡也有階級維度在起作用，對吧？一個訓練有素，具有高度專業知識的人，可以重新參加培訓或調整他們工作的重心，這樣他們就不會直接與人工智慧競爭。你認為與一個工廠工人相比，你的內心更容易克服對被淘汰的恐懼嗎？

AlQuraishi：那是絕對的。一個懂機器學習的學者現在有很高的工作保障。而從事其他工作的人，比如卡車司機——我認為如果你的工作不那麼安全，那絕對會有完全不同的考慮。

有一段時間，很多人認為工作之間存在著等級制度，智力工作將是最後一個被取代的，而機械工作將是第一個。但實際上這還不清楚。很可能機械工作需要很長時間才能被替代，因為實際上很難製造出能做出特定姿勢的機器人。更高層次的智力工作可能會被更快地取代。

Sigal Samuel：隨著機器學習在該領域取得更多進展，科學家們覺得他們的工作沒有意義嗎？或者對你來說這不是問題，因為機器學習只會使科學進步更快，然後我們都可以從中獲得意義嗎？

AlQuraishi：我認為這兩件事都是真的。許多科學家根據自己的聰明程度和解決問題的速度來判斷自己。很多社會貨幣都是基於此。我們將自己與其他人比較，我們覺得自己是騙子。所以這可能導致一種普遍存在的危機。

在短期內，我認為這將是具有破壞性的。利益驅動最終會淘汰一群人。也許在中期，會有一些適應的方法。我們會想辦法改變社會，以不同的方式定義我們的價值和身份。但我也懷疑，從長遠的角度來看，會有某種形式的增強或半機械人場景，機器和人類會以某種方式結合在一起。

隨著時間的推移，我們將開始面對一些更廣泛的問題。我們，特別是機器學習社群，有必要開始就潛在的影響進行交流，並通過各種方式進行思考，以便順利過渡到一個機器比人類更聰明的時代。

我認為這個問題與公平有關，也關乎到能否確保我們生活在一個我們樂於生活的地方。

相關報導：

https://www.vox.com/future-perfect/2019/2/15/18226493/deepmind-alphafold-artificial-intelligence-protein-folding