重塑科学专业知识的版图:科学全面自动化的新兴研究计划

《Big Data & Society》:Remaking the landscape of scientific expertise: The emergent research program of total automation in science

【字体: 大 中 小 】 时间:2026年08月28日 来源:Big Data & Society 5.9

编辑推荐:

  本文考察了一个旨在完全自动化科学的新兴研究计划,分析了由DARPA及其他机构资助的各种自动化项目如何致力于复制传统上属于人类的科学能力。这些项目并非直接试图创造完全自主的机器人科学家,而是将复杂的科学工作分解为离散的、可自动化的“任务”。虽然个别项目通常为人类

  
本文考察了一个旨在完全自动化科学的新兴研究计划,分析了由DARPA及其他机构资助的各种自动化项目如何致力于复制传统上属于人类的科学能力。这些项目并非直接试图创造完全自主的机器人科学家,而是将复杂的科学工作分解为离散的、可自动化的“任务”。虽然个别项目通常为人类科学家保留了一定角色,但总体来看,它们揭示了一个全面的科学自动化蓝图。通过对26位DARPA承包商、项目经理及其他参与科学自动化的人员进行访谈,研究人员展示了自动化努力如何针对人类科学专长的三个关键领域:洞见(insight,即假设生成与模式识别)、具身知识(embodied knowledge,即实验程序与技术)和判断(judgment,即科学主张的评价)。这些倡议并非简单地试图复制人类能力,而是通过标准化本体论(standardized ontologies)和机器可读数据格式(machine-readable data formats)等举措,积极重塑科学实践,使其更便于机器干预。尽管完全自动化面临重大的技术和制度挑战,这一新兴研究计划预示着科学实践和职业的重大变革,同时提出了关于人类知识在科学发现中未来角色的重要问题。该文章为正在进行的关于人工智能在科学中作用的辩论做出了贡献,同时挑战了现有社会学关于所谓独特人类科学能力的解释。
科学研究长久以来被视为人类智慧的独特高地,然而人工智能和机器人技术的快速发展使得这一领域也开始面临自动化浪潮。已有讨论多聚焦于机器能否复制人类科学家的能力,但本文作者提出更深刻的观点:自动化并非只是逼近科学能力的高峰,而是通过“任务化”重塑科学实践本身,使其更便于机器介入。该研究发表于《Big Data》。

研究背景显示,莫拉维克(Hans Moravec)的“人类能力景观”隐喻将人类技能比作山峦,机器智能如洪水般上涨,先淹没低地,再逐步逼近高峰。但作者认为,自动化进程并非被动等待洪水,而是主动改造地形——将模糊、难以言明的技能(如洞见、具身知识和判断)转化为离散、可测度的任务,并通过“登山式进步”(hill-climbing,即逐步解决更复杂任务以提升AI能力)持续提升机器表现。这一新兴研究计划由DARPA(美国国防高级研究计划局)等机构资助,虽然单个项目规模有限,但整体呈现出一个全面的科学自动化蓝图。

为深入考察这一趋势,研究人员对26位DARPA承包商、项目经理及其他参与科学自动化的人员进行了半结构化访谈,访谈平均时长约55分钟。受访者来源包括微软、IBM、飞利浦工程、陈-扎克伯格倡议、经济合作与发展组织,以及哈佛大学、芝加哥大学、麻省理工学院、阿姆斯特丹大学等学术机构。此外,研究还借鉴了早期科学改革项目的4次访谈数据。基于拉卡托斯“研究纲领”概念,研究人员提出了“新兴研究计划”(emergent research program,指由多个独立项目汇聚而成的整体科研方向)这一分析框架。

研究结果围绕以下小标题展开:“梦想中的机器人科学家与现实”“DARPA与科学自动化者”“登山式攀登科学技能的峰顶”(包括“洞见的任务化”“具身知识的任务化”和“判断的任务化”)、“独特人类技能的障眼法”以及“重塑科学版图以促进自动化”(包括“使科学机器可读”和“专门为机器生产数据”)。

在“梦想中的机器人科学家与现实”部分,作者描绘了理想化的机器人科学家系统:该系统自动阅读全部文献、评估证据、生成因果图、设计并运行数百个实验,最终输出论文和数据。与人类相比,它能够不知疲倦地工作、跨越学科界限整合知识,并近乎实时地评估新知识的真伪。在“DARPA与科学自动化者”部分,研究者回顾了DARPA在AI领域的历史角色,指出其在20世纪80-90年代通过“共同任务”和“基准测试”策略,将复杂问题分解为可衡量的子任务,推动了“任务化”和“登山式进步”的普及。这一模式正在被应用于科学自动化领域,例如2018年启动的“AI Next Campaign”。

在“洞见的任务化”部分,研究人员通过对DARPA资助的计算生物学家Atif Khan和哈佛医学院计算机科学家Benjamin Gyori的访谈,展示了机器学习系统如何自动化文献阅读、知识整合和模式识别,甚至能够主动提出新的研究问题。例如,一个针对COVID-19的系统每天阅读新文献,自动检测新知识与已有知识的补充、细化或矛盾关系。在“具身知识的任务化”部分,以“Adam”机器人科学家为例,该系统能够自动运行功能基因组学实验,重复实验循环并解释结果。访谈对象Larisa Soldatova指出,自动化重复性实验可以减少人类疲劳导致的错误,但人类仍被赋予制定总体目标和策略的职责。在“判断的任务化”部分,DARPA的SCORE项目旨在为社会科学和行为科学研究结果分配“置信度评分”,以应对可重复性危机。研究者通过访谈承包商Sarah Rajtmajer,说明人工预测市场虽有效但难以扩展,因此需要开发自动近似专家判断的人工市场。

在“独特人类技能的障眼法”部分,作者指出,尽管每个自动化项目都声称保留了一些人类专属角色,但这些角色在不同项目间相互矛盾。例如,假设生成项目将实验执行视为人类独特技能,而机器人项目则将创造性综合视为人类独特技能。这揭示了一个“壳游戏”:所谓不可自动化的人类技能,只是尚未被任务化的领域。在“重塑科学版图以促进自动化”部分,作者分析了科学基础设施的变革。一方面,开放科学运动要求数据可获取,这为机器学习提供了训练语料;但另一方面,现有数据往往高度非结构化,难以直接用于算法。为改变这一局面,研究者正在推动“机器可读”的出版格式、标准化本体论(如生物医学中的术语体系)以及专门为机器设计的数据库。例如,NSF(美国国家科学基金会)的“驾驭数据革命”计划以及下一代知识库设计都明确将机器视为核心用户。

讨论部分指出,科学全自动化虽然仍面临重大技术和社会障碍,但其发展趋势已经对实验实践、科学交流和研究生涯产生深远影响。作者认为,即使机器人科学家无法完全取代人类,大规模自动化也会改变科学劳动力结构,并挑战科学哲学和社会学中关于“人类不可替代技能”的传统叙事。结论部分强调,如果机器在研究生和博士后目前执行的大多数任务中达到或超越人类水平,那么留给人类研究者的问题将不是“机器能否做科学”,而是“人类知识在科学中还应扮演何种角色”。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号