远见网一、真正重要的书反而遍寻不到
1、真正重要的书反而遍寻不到
在1941年发表的小说《巴别塔图书馆》里，博尔赫斯刻画过一座由无数六边形房间组成的图书馆，里面收藏着所有可能的字符组合，真理和预言都在其中某处。
悖论在于，无限的文本里，真正重要的书反而遍寻不到。
不知道是不是受此影响，刘慈欣的《朝闻道》也描摹过一个类似的思想实验。
如果你是学者，给你一个机会获取自己研究领域那些谜题的答案，但代价是献祭自己，你愿意做这个选择吗？
要我说，作家们的想象力还是太丰富了，仅靠推演便预知，若干年后，我们将置身于一个不断生成答案的未来。
博尔赫斯试图揭示的是，知识的存在和知识的可获得之间，隔着一道无法靠堆积数量跨过的墙。
有无限多的知识，但人类的带宽有限，有可能都接收和理解吗？如果不理解，这些知识还有意义吗？
刘慈欣则进一步追问，知识的意义究竟在于求知的过程，还是现成的答案？
如果说知识是宇宙的法则，宇宙和人生的意义又是什么？
我同事张楠写过一篇 《陶教授忧天》，论的也是这些道理。
所以，当我坐在一个当红AI4S创业者面前时，除了关心他的学术、业务和融资，我忍不住抛出的问题是，这些在推进的科学研究会造成陶哲轩说的那种学科危机吗？
本期BlueHour嘉宾杨灵，是北大机器学习研究中心助理教授，长期与普林斯顿王梦迪教授合作，在大模型推理、强化学习和多模态扩散模型等领域都有成果。
他由鄂维南院士引进回国任教，后者是最早在国内提出AI4S （AI for Science）概念的人。
杨灵的另一重身份，是AI4S基础设施公司未明新域（PhAI Labs）联合创始人。
在他的定义里，AI4S远远超过一开始大家定义的范畴：不光希望AI帮助人类理解，还要自己理解，提出新假说、自己验证、自己迭代。
2、在其他科学问题上
首当其冲的科学是数学，现在大模型已经开始在一些前沿数学问题上追平人类数学家。
他相信，在其他科学问题上，迟早也会有这样的突破。
关于那个问题，他的答案是，“AI会提出很多假说，但还是需要跟人碰撞。
而且就算假说是对的，也不一定有价值，taste很难被形式化定义。
” 至于为什么学术品味难以通过一套标准来定义，我想，大概率是因为任何标准都得用语言来描述，而任何描述都很难囊括情境里的所有因素。
恰恰是那些人类不能用语言表述的，才是关窍所在。用最通俗的话讲，为什么我们懂很多道理，却过不好这一生呢？
未明新域成立仅3个月，营收4000万，来自头部机构的两轮融资已经close。密集的融资节奏，说明资本市场对这个概念正在下注的阶段。
这场对话里我印象最深的细节，是杨灵回忆自己创业的决定性瞬间。在一场活动上，当他发现大家人手一个公司时，大受震撼。
“大家都能做，那我为什么要等后面呢？” 仅花半天时间，他便决定不再等待所谓更合适的时机，投身科学家创业的浪潮。
他有信念，也敏锐地抓住机会。
当然，AI4S还是一个非常前沿，需要长时间验证的领域，所以杨灵给这家公司起名“未明新域”。
在我眼里，刚踏上创业这条路的他是银辉色的，身上闪着光芒。
我们在中关村科学城的活动现场录制了这期BlueHour，希望你喜欢。
刘燕秋：我最近刚好看了某个FA做的调研，在1000多位投资人当中，大概有接近一半的人，在看或是已经看过AI for Science相关的项目。
这个数据能说明，现在AI for Science是一张“明牌”，是资本市场的一个共识。
二、大公司的动态也非常积极
1、大公司的动态也非常积极
另一方面，大公司的动态也非常积极。
2、媒体披露的估值最高可能达到500亿美
比如在海外，DeepMind拆分出来的Isomorphic Labs在进行新一轮融资，媒体披露的估值最高可能达到500亿美元。
国内的话，也有字节拆出来的那家公司，刚出来也已经是独角兽级别了。
三、AI for Science这个概念其实听起
1、AI for Science这个概念
与此同时呢，对大众来说，AI for Science这个概念其实听起来还挺抽象的。
至少它不像机器人和具身智能这类主题，更容易被普通人感知到。
所以今天也很荣幸邀请到杨老师一起探讨。AI for Science到底是什么？为什么在现阶段变得重要？以及你们到底在干一件什么样的事情？
咱们先从一个有意思的小话题开场。
正好我刚看了一篇文章，说硅谷有一些年轻的AI研究员突然开始抽烟了，因为他们判断AI很快就要攻克癌症难题了。
我不知道你怎么看：现在情况已经这么乐观了吗？
杨灵：这我觉得更多还是一个玩笑，说明大家现在对AI for Science比较关注。
要说攻克癌症，这是一个长期话题，它代表的是，AI for Science真正能够在各个科学领域被广泛应用、被深度使用。
目前AI for Science其实还处于一个相对比较初级的阶段。
不管是做广泛意义上的科学计算模型，还是和各个下游领域做垂类科学模型，都还很初级。
它更多还是科学家的辅助工具，并没有真正意义上代替人类科学家做更多事情。但也正是因为还比较初级，所以才值得做。
刘燕秋：我第一次听说AI for Science这个词，是在一个创新药沙龙上。
2、您提到的这两个企业
现在国内AI for Science相关的上市公司，像晶泰和英矽智能，更多也是和AI制药公司。
但我理解AI for Science应该不止于此吧。它应该怎样相对准确地定义？
杨灵：您提到的这两个企业，其实我们都有聊过。
像晶泰，包括他们的一些研究团队，我们当时也探讨过成立联合研究院这些事情。
他们现在的AI for Science，更多意义上是针对不同垂直领域做专属模型。
比如分子生成这块，他们可能用扩散模型；对一些序列模型，他们可能用Transformer这样的大语言模型范式。
所以他们现在的很多AI for Science，其实是垂类小模型，去做相应领域的专有任务。
对我来说，AI for Science是由大语言模型为代表的通用智能走向科学智能的一次跨越。
这样的跨越，中间代表的不光是模型范式的创新，还包括从数据、训练范式、部署层面、应用层面、agent层面等各个不同层面，都要进行新的跨越，来实现AI for Science。
所以它比之前理解的AI for Science概念要更大一层，是一个更强的通用智能。
我们公司其实就是基于这样一个洞察成立的。
刘燕秋：你觉得现在大家都同意你的定义吗？还是说这个领域也会像“世界模型”一样，存在一个各说各话的问题？
杨灵：大家是同意的。但问题在于，做这个事情很难。你要有通用的科学研究能力、探索能力，又要有领域的深入挖掘能力。
四、拥有这两部分能力
1、拥有这两部分能力
同时拥有这两部分能力，其实非常困难。从更实际的层面说，其实就是因为他们没有数据。
科学这块不像Coding或Math，你可以自己造数据，而且中间过程可以形式化验证——自己造数据、自己验证自己，这样就有大量训练数据让模型能力进一步增强。
但科学这块就是：你知道就是知道，不知道就是不知道。如果你没有相应的数据，很难完成这个领域的研究。
所以现在做AI for Science的人，大部分卡点就在数据上。
再进一步是模型能力：有了这份数据，你就一定有AI for Science能力吗？也不一定。
AI for Science其实有两方面，既要懂AI，又要懂Science。
所以我们公司是三个人，是因为我们既要有AI能力，又要有Science能力。
我看到很多纯AI的人，或者纯Science的人来做AI for Science，体感不太一样。
AI的人想的是：我怎样去尽可能泛化地解决科学问题。
但往往一些具体科学问题很难被泛化，每个领域都有自己专门的问题、专门的范式、专门的操作，很难统一泛化。
做Science的人想的是：我怎样更具体地解决问题。
那从一开始他要做大模型，可能就变成做小模型，甚至不用做模型，用传统方法就能解决领域内的问题。
但这样带来的问题是，很难做别的领域的科学问题。
刘燕秋：这其实还是两种挺不一样的视角：一种是从AI出发的视角，一种是从产业出发的视角。你们几个合伙人之间会不会有一些碰撞？
杨灵：我们天天都在碰撞。比如我们的CEO是科学背景，我是AI背景。
2、最后会达到一个平衡
他会从具体科学问题是否有意义、这个问题是否被广泛认为很重要来看；
我看的视角可能是，这个科学问题是否能被规模化，是否能被模型大量了解、训到模型里面去，以及场景够不够复杂。
杨灵：相互说服吧，最后会达到一个平衡。一开始大家都会比较极端，后面慢慢彼此靠近，达到某一个平衡点。
我觉得一个AI for Science做得好不好的抽象概念，其实就是评判点找得好不好。
刘燕秋：这还蛮有意思。
依据你刚才讲的对AI for Science的界定，它和最近比较热的RSI、AI自进化、持续学习这些概念，是不是有一定重合性？
杨灵：有相当大的重合性。首先，科学本身的研究过程就是一个RSI的过程。
举个简单例子，我们做一个科学问题时，首先发现问题；发现问题之后做文献调研，找到一个角度；然后开始设计干实验；
干实验之后设计湿实验；再通过实验操作得到反馈；
这些反馈会回到一开始提出问题、提出假设的过程——我们一开始提出的假设是否正确？
经过事实验证之后，应该回过头看看假设是不是对的。这个过程其实就是RSI的过程。
更具体地说，我们前两天刚发布了一个叫Discovery RSI的模型。
这个模型是在提假设这块做了一些新尝试：有点类似于针对某类科学问题，把思维扩散过程变成一个树枝分叉的过程。
思维经过不同路径，会产生不一样的结果、不一样的假说。
哪个假说、哪条路径是对的，我们就把这部分路径保留下来，作为下一个思考的起点，或者作为参考。
这样我们就能让思维扩展过程越来越准确、越来越收敛，趋于一个相对准
