AI技术如何在短时间内重塑一个学科？AlphaFold2给出了答案

在人工智能取代你的岗位之前，它已经先取代了生物学家的岗位。

2020年，谷歌DeepMind团队推出了AlphaFold2，这是一款旨在攻克重大科学难题的人工智能系统：能否根据蛋白质的氨基酸序列预测其空间构型？如果无需漫长且昂贵的实验室分析就能做到这一点，那么人类对生命科学的理解将发生根本性变革，新药研发也将迎来加速期。

在科学家们年复一年举办的蛋白质结构预测竞赛中，AlphaFold2成为首个能够与实验结果相媲美的人工智能系统。此后数年里，它成功预测了超过两亿种不同蛋白质的空间结构，这一数字相当于过去几十年间全球实验室解析总量的1500倍。该系统的核心研发者在2024年摘得诺贝尔化学奖桂冠。

凯洛格管理学院战略管理助理教授瑞安·希尔指出，AlphaFold2及相关系统对整个科学界产生了“巨大冲击”。他与美国加州大学伯克利分校的卡罗琳·斯坦携手，试图精确评估AlphaFold究竟如何重塑了生物学领域——从研究发现的速率和方向，到科学探索的基本模式。

他们的研究成果预示着人工智能短期内颠覆某个专业领域的真实图景。步入人工智能时代，此类颠覆性变革或将接踵而至。

希尔指出：“经济学家们正试图解答人工智能在我们日常生活和经济发展中究竟扮演何种角色等系列问题。AlphaFold2为研究这些影响提供了一个绝佳案例，因为这款强大人工智能工具专注于一项我们能够观察和衡量的具体任务。”

瞬息万变

尽管自然界中存在超过两亿种蛋白质，但它们均由同一套20种基本结构单元（即氨基酸）组成。由于这些组件能够折叠成极其繁复的三维形态，要推断某种蛋白质由哪些氨基酸序列组成，其难度堪比从一堆散乱的零件想象出一辆完整的汽车。随后要解析蛋白质的三维构型，深入理解其功能作用和调控机制，则需要付出更多心血，至少以往是这样。

采用传统实验手段测定蛋白质的三维结构需要耗费多年心血，据估算解析单一蛋白质结构平均需投入约10万美元。因此截至2020年，已知蛋白质中仅有不足0.1%的结构被成功解析。

AlphaFold2几乎在一夜之间扭转了这一局面，提供了数百万种结构预测，其精准度可与那些耗资巨大的实验相提并论。

希尔评论道：“许多人运用历经多年学习掌握的技术来解析实验结构。然而就在某一天，谷歌DeepMind将他们的算法应用于所有已知蛋白质序列，并将结果公之于众。”

赋能而非替代

希尔和斯坦整合了多个蛋白质研究科学数据库，以探究AlphaFold的瞬间突破对科学界造成的实际影响。这些数据库汇集了数十年来科学家们针对每种已知蛋白质所进行的研究和发表的成果。

这使他们得以深入分析AlphaFold2的巨大冲击对结构生物学领域究竟产生了何种影响。结果出人意料——从表象来看，影响并不显著。AlphaFold2发布后的数年间，利用耗时费力的实验手段解析蛋白质结构的学术论文数量并未出现下降。

“结构生物学家的日常工作方式在很多层面并未发生根本改变。”希尔指出。“他们发表的论文数量与以往持平，令我们惊讶的是，他们依然能够在顶级科学期刊发表研究成果，尽管其部分工作已被人工智能所替代。”

然而经过深入挖掘后，研究人员从多个迹象中发现，AlphaFold2实际上是拓展了实验科学家的能力边界，而非简单替代。结构生物学家借助人工智能系统来强化自身技能，使得新发现变得更加迅速和精确。

希尔解释道：“两种方法获得的洞察常常互为补充。人工智能并非完美无缺。有时蛋白质或特定结构区域会出现变异，人工智能工具难以准确预测，而实验方法同样可能存在质量缺陷。将实验与人工智能的分析结果相结合，我们更有把握获得正确的蛋白质结构，这对后续研究可能具有决定性意义。”

科学探照灯

此外，AlphaFold2的发布似乎激发了科学家对更多蛋白质的研究热情。在AlphaFold2出现之前，大量尚未解析结构的蛋白质被束之高阁，并非因为科学家缺乏研究兴趣，而是因为实验手段不切实际，或者缺乏足够的结构生物学专业人员来满足研究需求。

希尔和斯坦发现，AlphaFold2迅速扩大了该领域研究的蛋白质范围，他们将此现象比喻为“科学探照灯”效应。

以斑马鱼繁殖研究为例，科学家们发现了一种关键蛋白质，但实验室缺乏确定其结构的专业能力。

希尔介绍：“那些研究人员原本只能被动等待他人取得突破，以便在此基础上继续推进研究。这种情况在科学界并不罕见。”

AlphaFold2发布后，这些研究人员得以运用人工智能预测蛋白质结构，继而利用这些信息指导后续的功能验证实验。他们的研究成果最终发表在生物学顶级期刊《细胞》上。

希尔和斯坦观察到这一趋势在整个领域普遍存在。

“AlphaFold发布数年后，我们发现针对以往尚未解析的蛋白质的研究显著增加。”希尔表示。“这种现象在技术革新中较为常见。如果通过自动化大幅降低某项任务的成本，人们便能开展各种以前无法实现的新研究。”

层层递进的障碍

构建复杂蛋白质结构的精美三维图像，并非蛋白质折叠挑战的终极目标。利用这些结构信息，科学家们期望更深入地理解重要蛋白质的作用机制，并最终通过研发治疗疾病、延缓衰老或以其他方式提升人类健康水平的新型药物来干预其功能。

希尔和斯坦试图证明AlphaFold2也在推动这些下游领域的研究进展，但截至目前尚未观察到人工智能系统的推出对药物研发产生实质性影响。

“即便拥有强大的机器学习工具来处理这些结构步骤，它也只是庞大复杂体系中的冰山一角。”希尔指出。“由于存在太多制约因素，没有任何单一环节能够实现完全自动化，从而对药物研发的整体速度产生决定性影响。”

他补充道：“积极的一面是，这带来了发展机遇，因为我们能够将人力资源投入到关键的制约问题上，有望提升科研效率。这样做将带来切实益处，但我并不期待它能够在一朝一夕间实现。”

新型合作伙伴

ChatGPT的发布引发了公众对生成式人工智能模型及其改变工作方式潜力的广泛关注，而AlphaFold2的发布比ChatGPT早两年，处于人工智能发展的一个特殊阶段。随着这些模型迅猛发展，人们越来越担忧它们甚至能够取代高度专业化的脑力劳动者。

然而鲜有职业比结构生物学家更加专业化。希尔认为AlphaFold2的案例或许能为其他领域的技术工作者带来一丝慰藉。

“众多新技术都能够出色地完成许多以往由人类执行的任务，因此人们总是担心会受到负面冲击。”他表示。“但从历史角度看，大多数自动化案例中，技术进步同样为经济发展创造了大量新机遇，催生了新的工作岗位，或改变了现有工作的性质。这类工具通常能够提升人类的工作效能。”

类似AlphaFold2这样的颠覆性技术，并非取代人类专家的能力，而是拓展其边界，这为人类与人工智能在科学及其他领域协同合作的美好前景提供了初步佐证。

希尔展望：“普遍认为，如果人工智能能够更深入地参与科研过程，显著提升科学家的工作效率，甚至能够独立提出研究构想，那么很可能对经济发展产生深远的连锁反应，使更广泛的人群和更多流程变得高效。这是一个令人振奋的前景。有望出现一些在缺乏人工智能工具辅助情况下原本无法实现的重大突破。”（财富中文网）