刚刚！《Nature》：AI最重要的科研价值，可能不是回答问题，而是发明工具！

大众叙事很喜欢把科学革命写成“天才的一闪念”：牛顿、爱因斯坦、偶然发现、灵感乍现。

但 Alexander Krauss 在新书中提出了另一种科学史解释：科学进步的真正发动机，往往是方法和仪器。 他基于700多个重要科学发现的历史案例，认为很多重大突破之所以发生，是因为新工具把原本不可观察、不可测量、不可操控的对象第一次带入科学研究范围。

在这一框架下，人类甚至不只是 Homo sapiens（智人），还可以被理解为 Homo methodologicus——一种依靠不断发明工具，扩展自身观察、测量和理解边界的物种。

显微镜、望远镜、粒子加速器、超速离心机、电泳、电子显微镜……这些工具的意义，并不只是把原来的实验做得更快、更准。

例如，电子显微镜并不只是“更高倍的显微镜”。它帮助研究者进入此前不可见的超微结构层级，并推动现代细胞生物学形成。

从这个角度看，真正高价值的科研工具会改变一个领域的“可观测空间”：它决定科学家能看到什么、能问什么，以及哪些问题第一次变得可以验证。

今天的AI已经非常擅长一件事：从已有数据和知识中提取结构。 它可以快速识别统计规律、压缩复杂数据分布、完成预测与推理，并以远高于人类的速度处理巨量信息。

Evans 的关键担忧是：如果科学过度依赖这种能力，AI可能会让研究变得更高效，却不一定让科学变得更“陌生”。 它可能持续优化我们已经知道如何提问的问题，却减少那些真正打破预期的观察。

科学最重要的时刻，往往不是模型预测得特别准，而是实验结果不符合预期。

一个异常信号、一张“不对劲”的图、一种不符合现有理论的现象，可能迫使科学家重新构建解释框架。 这种由意外观察出发、寻找最合理解释的过程，正是科学发现中非常重要的溯因推理（abductive reasoning）。

文章给出的答案非常明确：让AI参与设计新的科学仪器、传感器和研究平台。

当AI可以帮助优化传感器结构、探索全新的测量方式、自动设计实验平台，甚至决定“应该造什么工具来发现未知现象”时，它的角色就从知识压缩器变成了科学边界扩展器。

Evans 并没有完全接受 Krauss 的所有论证。

书中强调科学高度累积，并提出其分析的突破中只有约1%后来被完全推翻。但书评作者认为这一点有些过度推演：科学体系本身并不像技术演进那样线性，错误发现、撤回、理论替代和范式跳跃始终存在。

如果说显微镜曾让细胞世界第一次进入人类视野，那么AI时代真正值得期待的问题或许不是： AI还能替我们回答多少问题？而是： AI能否帮我们造出下一台“显微镜”，打开一个今天还不存在的科学领域？

本公众号除原创声明外，其他文章为官方网站原文或其他网络渠道信息，版权归属原作者，如有侵权，请联系后台删除。