第五幕 / 能够行动的AI，仍待回答的问题
屏幕之外，走进科学问题
当AI开始处理图像和科学数据，我们需要更仔细地区分预测、解释与实验。
本篇目录 ＋
蛋白质由氨基酸连接而成，却会折叠成复杂的三维结构。形状与功能密切相关。只知道一条序列，能预测它最终形成怎样的结构吗？
为一个长期难题提供新工具
AlphaFold在蛋白质结构预测方面取得重要进展，相关研究于2021年发表。它把学习方法带到一个明确的科学问题：由序列等信息预测结构。
这项进展并不等于解决了生物学的一切问题。预测结构与理解蛋白质在真实环境中的全部活动不同，也不能把模型输出直接当成药物有效或安全的证据。[1]
接收的材料越来越丰富
另一条同时发展的路线，是让系统处理文字之外的信息。多模态模型把图像、文本或声音等不同形式的信息联系起来，让使用者可以围绕更丰富的材料提问。
2023年的GPT-4技术报告描述了图像与文字输入、文字输出的能力。研究报告中的能力、发布演示和实际产品开放范围，应当分别理解，不能只凭一个模型名字推定所有人都能使用相同功能。[2]
发现线索以后，怎样确认
科学研究需要区分预测、解释与验证。模型提出一个有潜力的候选对象，可以帮助研究者缩小搜索范围；这个对象是否真正有效，还需要适当的实验或其他独立证据。
AI的意义可以在具体环节中体现：更快筛选、更好预测、帮助组织已有知识。把每一步的证据说清楚，才能知道它实际推动了什么，也才能继续改进。[1][3]
留给你的一个问题
如果AI提出一个新的科学解释，你认为接下来需要什么证据？
模型的置信度等于事实正确吗？
置信度反映某种模型或方法对结果的估计，需要通过真实数据检查它是否可靠。一个看起来很确定的结果，也可能因为适用范围之外的条件而出错。
判断科学应用时，可以问：在哪些对象上测试过？与什么方法比较？哪些失败案例已知？其他研究者能否复现关键结果？
本篇来源
沿着原始资料，继续了解故事。团队发布与回顾代表发布者提供的记录。
- 研究论文与原著 · John Jumper等Highly Accurate Protein Structure Prediction with AlphaFold ↗
- 研究论文 · OpenAIGPT-4 Technical Report ↗
- 研究论文 · Percy Liang 等Holistic Evaluation of Language Models ↗
整理于2026年9月16日