学术能力被AI超越，从抑郁到接受事实，一位哈佛生物学家的内心独白

会员服务 ·

学术能力被AI超越，从抑郁到接受事实，一位哈佛生物学家的内心独白

2019 年 2 月 23 日 大数据文摘

大数据文摘出品

编译：陆震、刘佳玮、Javen、蒋宝尚

AI已经开始大规模接替人类工作了。

不仅是哪些做重复劳动的职业者将要失业，就连哈佛大学的教授也抑郁了。

故事是这样的。

哈佛生物学家Mohammed AlQuraishi 12月份前往Cancun参加一个科学会议时，他有一种奇怪的挫败感。

奇怪是因为他本应该为他所在的的领域刚刚取得的一项重大进步感到高兴，挫败感是因为这项进展并非由他或他的学术研究同仁所取得，而是由一台机器所实现的。

具体而言，在结构预测评估（CASP）竞赛中，DeepMind的表现优于所有参赛人员。

这项科学比赛对人类来说挑战性极大。尤其是蛋白质折叠问题，被誉为生物化学界最大难题之一。

非常多的研究人员都会提交关于某些蛋白质将会采取的3D形状的预测，来证明他们的学术研究能力。

但是，DeepMind打败了他们。使用机器学习的力量，AI以压倒性的胜利赢得了比赛。

确实，AI极其强大的预测能力无论是对生物界还是科技界来说都有着极其重要的意义。

但是对于AlQuraishi来说，接受这个事实，情绪上经历了好几个阶段。

在一篇博文中，他表示：他最初非常忧郁，他认为他和其他学者已经被淘汰了，但是他最终克服了那种感觉。

按照他的说法：“因为我的主体反应让我对科学进步价值的能够更加冷静和理性的评估。”

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

为了了解这位学者的真实感受，科技媒体VOX的记者Sigal Samuel对AlQuraishi进行了采访，在采访中，谈到了对DeepMind团队的看法，也谈到了工作替代问题。

“很可能机械工作需要很长时间才能被替代，因为实际上很难制造出能做出特定姿势的机器人。更高层次的智力工作可能会被更快地取代。”

下文是科技媒体VOX的记者对AlQuraishi的访谈实录，文摘菌做了有删改的翻译：

Sigal Samuel：你写了一篇非常个人化的博客文章，描述了从你出发去参加会议到你离开会议所感受到各种各样的情绪。你能给我梳理下那些情绪吗？

AlQuraishi：对于这个领域的人来说，结果实际上是在会议开始前两天发布的，我们都可以上网看看到。我当时很惊讶，因为我没想到DeepMind做得这么好。我也很失望，因为我也参加了这个比赛，并且我的表现没那么好，就产生了这种情绪，失望吧，因为我在这个问题上有个人利害关系。

然后在接下来的几天里，我开始意识到这是一个人们已经研究了几十年的领域。而一个新团体可以如此迅速地进入并做得很好这个事情让我感觉很难受，因为它显现出学术界结构的低效。我也为那些比我研究更长时间的人难受。所以有一种与其他学术团体感同身受的感觉。

然后变成了更外一种感觉，好吧，我们应该从不同的角度看待这个事情：这很好，它会引起人们对蛋白质折叠问题的关注。

Sigal Samuel：你认为是否有一种心理上的作用驱动你的同事想要贬损DeepMind的贡献，因为它正在取代他们？

AlQuraishi：我认为，如果它是某个著名的学术团体取得这项进展，人们会说，“毫不奇怪，我们一直知道这个团队会做得好。”但事实是这项进展来自机器......这可能造成某种程度的怨恨，是的。

但DeepMind团队在分享他们的见解方面非常开放，而且从我的角度来看，这个领域有一个新的团队，这是件好事。重点是竞争做好科学研究，而不是要求名誉。

Sigal Samuel：人工智能的进步有时可能会被夸大，并且可能会产生与实际不符的情绪，要么过于乐观，要么过于悲观。你认为人们在这场会议之后会对人工智能在未来为该领域做出的贡献抱有恰如其分的期望吗？

AlQuraishi：非专业报道有点过于乐观，过于热情。在科学界，很难说。我自己一直在摇摆不定。预测未来是一件困难的事情。

我把自己置于对机器学习相当乐观的阵营中。我确实认为很难看到科学在很长一段时间内的持续进步，如果你看科学史的话。我认为我们在机器学习的上一个6年时间里看到了的是一件相当独特的事情。机器学习是反复迭代的东西，是第一代真正的进步，可与大的知识革命相媲美。

Sigal Samuel：令我感到震惊的是，学术界存在声望经济（the prestige economy）。你觉得机器学习的进步会如何改变我们习惯的声望经济？

AlQuraishi：这是一个有趣的问题。一个版本是说，“这将使得能够理解数据将更加重要，将增加声望。”我认为这样想是合理的。作为一个领域，我们已经有了这种非常沉迷于数据收集的趋势。那些倾向于收集非常大的数据集的文章往往成为最负盛名的文章，而那些概念性上的文章或者提供某一新的分析视角的文章往往默默无闻。

从我的角度来看，如果从数据收集转向数据分析工作，我认为在某种程度上这是一件好事。在众多科学领域，我们过分关注数据本身而不是对数据的理解。

Sigal Samuel：这让我想起了我在随行记者中听到的关于人工智能的对话。就在最近有关人工智能如何撰写文章的新闻报道中——彭博社三分之一的文章都是在人工智能的帮助下撰写的。人们总是说，不要担心，这将是一件好事，因为这将解放记者的大脑，让他们对更细微的问题进行更深入的思考，而不是专注于5个W（who，what，where，when，why）——这是一个有趣的类比。

AlQuraishi：没错，当然。实际上，我认为，展望未来将改变我们对科学的整体认知。

依我看，认为人类是这个星球上最聪明的生物是一个有点愚蠢的想法。我们最终会被机器所超越并淘汰。在此期间，关于自然现象预测的建模将会有越来越多的机器参与构建。

有趣的是，当我们跨过这个门槛时，我们将到达这样一个点，即我们所构建的模型对我们来说是完全不可理解的。这就会引发一系列的问题，比如科研机构的本质是什么？我们所谓的“做科研”是什么意思？科学是指理解自然现象还是通过构建数学模型来预测未来？

Sigal Samuel：这太令人着迷了，实际上这可能已经颠覆了我们对科学的认识。

鉴于这种发展方向，我们是否可以做一些小的思维实验？假设明天一个很聪明很有潜力的本科生来找你说：“教授，我想将我的职业生涯奉献给蛋白质结构预测研究。”此时，你会建议她不要这么做吗？你会让她离开学院去为DeepMind工作吗？

AlQuraishi：我会鼓励她在机器学习和广泛的计算上变得更为熟练，因为这在未来几十年将是至关重要的。无论你想研究哪种现象，它都将是最重要的技能之一。至于你是留在学术界，还是去DeepMind或其他地方，我认为这可能是由个人的动机驱动。如果你真的热衷于解决问题，那么工业实验室就是最好的选择。如果你更受好奇心驱动，如果你想在特定的时间点处理任何你喜欢的话题，那么也许学术界仍然是最好的地方，因为你更独立。

Sigal Samuel：我想这里也有阶级维度在起作用，对吧？一个训练有素，具有高度专业知识的人，可以重新参加培训或调整他们工作的重心，这样他们就不会直接与人工智能竞争。你认为与一个工厂工人相比，你的内心更容易克服对被淘汰的恐惧吗？

AlQuraishi：那是绝对的。一个懂机器学习的学者现在有很高的工作保障。而从事其他工作的人，比如卡车司机——我认为如果你的工作不那么安全，那绝对会有完全不同的考虑。

有一段时间，很多人认为工作之间存在着等级制度，智力工作将是最后一个被取代的，而机械工作将是第一个。但实际上这还不清楚。很可能机械工作需要很长时间才能被替代，因为实际上很难制造出能做出特定姿势的机器人。更高层次的智力工作可能会被更快地取代。

Sigal Samuel：随着机器学习在该领域取得更多进展，科学家们觉得他们的工作没有意义吗？或者对你来说这不是问题，因为机器学习只会使科学进步更快，然后我们都可以从中获得意义吗？

AlQuraishi：我认为这两件事都是真的。许多科学家根据自己的聪明程度和解决问题的速度来判断自己。很多社会货币都是基于此。我们将自己与其他人比较，我们觉得自己是骗子。所以这可能导致一种普遍存在的危机。

在短期内，我认为这将是具有破坏性的。利益驱动最终会淘汰一群人。也许在中期，会有一些适应的方法。我们会想办法改变社会，以不同的方式定义我们的价值和身份。但我也怀疑，从长远的角度来看，会有某种形式的增强或半机械人场景，机器和人类会以某种方式结合在一起。

随着时间的推移，我们将开始面对一些更广泛的问题。我们，特别是机器学习社区，有必要开始就潜在的影响进行交流，并通过各种方式进行思考，以便顺利过渡到一个机器比人类更聪明的时代。

我认为这个问题与公平有关，也关乎到能否确保我们生活在一个我们乐于生活的地方。