AI能精准预测，但给不出科学的答案

2021年，AlphaFold把人类蛋白质组的结构预测精度推到了接近实验的水平，300万科研人员靠它加速药物研发、解析疾病机制，甚至拯救濒危蜜蜂。但没人能说清它是怎么做到的——输入一串氨基酸序列，它吐出精准的3D结构，却没留下任何能被人类内化的原理。就像你拿到了一份完美的考卷答案，却不知道每道题的解题思路。更让人不安的是，神经科学、天文学等领域的AI正沿着同一条路狂奔：它们能预测神经元放电、行星轨道，却跳过了科学最核心的那一步——把复杂现象熬成简单原理。

预测不是理解，就像答案不是知识

1952年，霍奇金和赫胥黎用四个微分方程，不仅精准预测了鱿鱼神经细胞的动作电位波形，还讲清了背后的机制：钠离子快速内流、钾离子缓慢外流，两种离子的推拉形成了神经信号。这个模型像一把钥匙，打开了整个计算神经科学的大门——后来的科学家能顺着它，理解不同神经元的放电模式、神经网络的节律生成，甚至设计人工神经假体。

这就是科学的传统：预测和理解是一枚硬币的两面，而理解的核心是「理论压缩」——把海量观测数据蒸馏成简洁、可迁移的原理。就像牛顿用万有引力定律，把天体运动、苹果落地、潮汐涨落这些风马牛不相及的现象，统一成了一个公式。这种压缩不是为了省事，而是让知识能装在人类的脑子里，能跨领域迁移，能催生新的创新。

但AI打破了这个传统。AlphaFold用的是深度学习模型，它在数亿个蛋白质结构数据里找规律，最终的预测模型包含数十亿参数，没有人类能看懂它的内部逻辑。它跳过了「蒸馏」的步骤，直接给你答案——你不用理解蛋白质怎么折叠，只要相信它的预测就行。

没有压缩的AI，只是更聪明的托勒密

MIT的Keyon Vafa团队做过一个扎心的实验：他们用Transformer模型预测行星轨道，给它喂了数千万条模拟的行星运动数据。模型的预测精度极高，甚至能精准算出某颗行星在100年后的位置。但当研究者让它推导背后的物理规律时，模型给出的结果却乱七八糟——在不同的训练样本里，它「发明」了不同的引力公式，没有一个符合牛顿的万有引力定律。

这像极了1400年前的托勒密。他用层层叠叠的「本轮」和「均轮」，精准预测了行星的位置，但这套模型只是对观测数据的拟合，完全没触及天体运动的本质。直到牛顿用万有引力定律把所有行星的运动统一成一个公式，人类才真正理解了太阳系。

现在的AI就是更聪明的托勒密。它能拟合数据、精准预测，但学不会提炼普适原理。在神经科学领域，Transformer模型能预测神经元群体的放电模式，却没法解释神经回路到底在计算什么；在药物研发领域，AI能筛选出潜在的药物分子，却没法说清这个分子为什么能作用于靶点。我们原本看不懂大脑，现在连AI做的大脑模型也看不懂了——相当于在未知的黑箱外面，又套了一层黑箱。

破解黑箱的新科学：机械可解释性

为了撬开AI这个黑箱，「机械可解释性」这个新领域诞生了。它的目标不是简单解释AI的输入输出关系，而是像逆向工程一样，拆解AI的内部计算，找到它用来做决策的「特征」和「电路」——就像神经科学家通过电极记录，找到大脑里负责识别边缘、颜色的神经元。

稀疏自编码器是目前最热门的工具之一。它能把AI模型里复杂的激活向量，分解成一个个稀疏的、可解释的特征。比如在分析处理钙成像数据的Transformer模型时，研究者用稀疏自编码器找到了对应特定神经元放电模式的特征——这些特征就像AI模型里的「神经元」，能让人类看懂它是怎么处理神经数据的。

但这又是一个新的讽刺：我们现在需要用科学方法，去研究我们自己造出来的科学工具。而且这条路才刚刚起步——目前的研究只能拆解小规模的AI模型，面对GPT-4、Claude这种千亿参数的大模型，机械可解释性还力有不逮。更关键的是，就算我们能拆解出AI的内部特征，这些特征也未必符合人类的认知习惯——就像你能拆解一台电脑的电路，但这和理解电脑怎么运行操作系统，还差得远。

AI正在变成科学研究里的「超级实习生」：它能帮你处理海量数据、生成初步假设、甚至设计实验，但它没法帮你完成最核心的那一步——把零散的事实，编织成一张能解释世界的知识网。

预测是答案，压缩才是知识。 这句话或许能概括我们现在的处境：AlphaFold们能给我们答案，但只有人类能把答案变成知识。未来的科学研究，应该是AI和人类的协同——AI负责在数据的海洋里捞鱼，人类负责把捞上来的鱼做成能吃的菜，甚至提炼出养鱼的方法。

毕竟，科学的终极目标从来不是精准预测，而是理解世界。如果我们只满足于答案，而放弃了追问「为什么」，那我们和只会按按钮的机器，又有什么区别？