本文來自AI新媒體量子位（QbitAI）
如果說這是未來的生物實驗室，它似乎與現在的實驗室沒有多大差别。
裡面有身穿白大褂的科學家，還有許多放着冷凍試管的盒子。架子上的化學品——有一瓶瓶的純酒精、一罐罐的糖、蛋白質和鹽——都是培養微生物和操縱它們基因的标準配置。
在聽到機器人的聲音前，你甚至不會注意到它們的存在：它們就像蟋蟀一樣，用低沉的聲音為彼此歌唱。
這些機器人都為Zymergen效力，這是一家生物技術公司，2014年搬進位于舊金山灣東岸的這個電子工廠舊址。他們在這裡開展微生物實驗，尋找各種方式來提高有用化學物的産量。裡面有一台機器人名叫Echo(不是亞馬遜那個Echo)。在一堆笨重的裝置裡面，有一個機械手臂抓取了一個塑膠孔闆，上面放着幾百個盛着液體的孔。
一束雷射掃描了孔闆側面的條形碼，然後由Echo将其放到托盤上。之後的流程十分精細，用肉眼根本無法看清。
“這并不是複制了我手動移液的過程。”該公司聯合創始人兼營運和工程副總裁Jed Dean說，他是一位分子生物學家。“而是一種截然不同的方法。”不必使用移液管吸取液體，然後把液體逐一注入每個容量隻有細胞那麼大的孔裡面，機器人整個過程都沒有觸碰它。相反，它使用了每秒500次的聲波脈沖讓液體自己震動，形成比手動操作小100倍的液滴。
這些都算不上多麼具有未來感。大型生物學實驗室多年以前就開始使用機器人和條形碼。即便那種名為“聲學微滴噴出”的移液技術也已經存在了數十年。
但是，當我向Dean詢問這個機器人正在從事什麼項目的時候，才真正了解其中的玄機。“我不知道。”他說。他可以輕易得出答案，但這個實驗并不是他設計的，而是由電腦程式自動生成的。
“我再說明一下，”Zymergen CEO Joshua Hoffman準備消除我們之間的誤解，“這一過程中有人類科學家的參與，他們負責檢視結果，并進行事實核查。”但之是以用程式來解讀資料、生成假設和規劃實驗，最終目的還是“擺脫人類的直覺”。
與Zymergen秉承相同目标的公司還有好幾家：他們都在利用人工智能技術增強甚至取代人類在科學流程中的作用。
他們将其稱作“人工智能支援的生物科技”，但Zymergen的聯合創始人卻不太喜歡這種說法，“‘人工智能’聽起來像是機器人在下象棋。”該公司CTO Aron Kimball說，“我更喜歡‘機器學習’。”霍夫曼說，他所說的機器學習是計算機科學的一個分支，最近的人工智能技術進步幾乎都來自這一領域。“這樣更能說明我們在幹什麼。”
Zymergen的工作其實是調整工業微生物，進而為生物燃料、塑膠或藥品制作原料。為了增加産量，很多企業都把繁重的工作交給Zymergen來完成。該公司的機器人之後會探索和修補每個微生物的基因，希望能夠設計一個更好版本，提升其化合物的效率。
霍夫曼表示，問題在于，送到Zymergen的微生物已經“高度優化”。經過多年的研究和培育，這些細胞已經非常擅長它們所從事的工作。是以，想要進一步提升效率，就需要更加深入的探索基因，開展實驗，然後使用所能獲得的各種資料——換句話說，就是搞科研。
Zymergen試圖加快這一過程。Hoffman表示，“一個人整天忙個不停也隻能測試為數不多的假設，大約每月10個。”機器人則能加快這一過程——Zymergen的機器每周可以做1000次試驗。但機器人隻能遵照指令執行：如何向它們下達正确的指令才是真正的瓶頸。
當我問他們，這種算法是如何設計實驗的時候，Kimball舉了個簡單的例子。“你拿到的原始微生物大約有5000個基因。假設有10種方式可以改變一個既有基因，那就要做5萬次試驗。”這些實驗首先要制作1000個菌株，每一個都要有專門的突變。“每一個放在一滴裡面。你可以向其中添加糖，培育一會兒，然後看看能得到多少産品。”可能有25個菌株可以多生産一些目标化學物。這些菌株可以用于培育下一輪實驗使用的菌株，其餘的放到冰箱裡面。
但要發現過程絕非一帆風順。Kimball表示，光是找到合适的突變就需要經過漫長的過程。如果隻是一門心思想要實作最高效率，幾乎不可能到達巅峰。原因在于，如果你隻是将所有能夠實作輕微提升的突變合并到單一的微生物裡，未必能夠實作重大改進。相反，由此生成的菌株會“生病”，效果遠不及最初的菌株。是以，選擇合适的路徑（包括繞道達成目标）需要繪制一份心理地圖，同時展示所有菌株的所有效果——這份地圖不隻是3個次元，而是數千個次元。這就需要機器學習來指引方向。
但其中還是有一個關鍵差異：當機器人終于發現能夠提高化學品産出的基因變化後，他們不會了解這些效果背後的生物化學原理。
如果不能加深我們對生物學原理的了解，這還能算科學嗎？在Kimball看來，這種哲學視角或許并不重要。“我們之是以能賺錢，是因為這的确有效，而不是因為我們了解背後的原理。”
Hoffman表示，Zymergen的機器人實驗室已經可以把利用化學過程生成微生物的效率提升10%以上。聽起來似乎不多，但由于依靠微生物發酵的化學行業每年産值高達1600億美元，是以隻需輕微的改進，就可以超過美國國家科學基金會70億美元的年度預算。
而且，機器人發現的先進基因變化的确是實實在在的發現，這是人類科學家很難做到的。
例如，多數能夠提升産出的基因都與希望合成的化合物沒有直接關系，其中約有半數沒有已知的功能。“我在幾種不同的微生物中看到過這種情況。”Dean說。要在沒有機器學習的情況下找到合适的基因組合，就像要破解帶有數千個數字的保險箱一樣困難。“我們的直覺很容易被複雜性壓倒。”他說。
究竟能将多少科研過程委托給機器學習來執行？這取決于你詢問的對象。
“很多。”研究基因組的加州大學戴維斯分校計算機科學家Ilias Tagkopoulos說，“我們沒有理由不能讓資料來指導實驗過程，進而擷取盡可能多的資訊，最終更加接近我們的目标。”在他那些看似無窮無盡的應用中，包括預測細菌在變化的醫院環境中如何進化，以及設計更好的零食。
如果機器真的能夠在某些科學任務中取代人類，很多科學家都将主動擁抱它們。
與工廠勞工和計程車司機不同，科學家還是很希望自己的工作能夠多融入一些自動化流程。對于分子和細胞生物學來說尤其如此，因為這些領域的手工操作（包括注射液體、菌落計數等）過程既單調乏味，又成本高昂。一個研究所學生的犯一點小錯，或者有一點不嚴謹的缺陷，就會浪費幾個星期的時間。更糟糕的是，負責設計實驗的博士後的一個草率決定，甚至會導緻幾個月的努力付諸東流。
然而，有的生物學家在使用人工智能來解讀資料和設計實驗之後，卻感到挫敗。“我們發現，目前的機器學習方法還是不太勝任這項任務。”斯坦福大學計算機生物化學家Rhiju Das說，他研究如何通過分子折疊來設計新藥。“與獲得同等資料的人類相比，它們在RNA設計問題上很失敗。”盡管他并不知道具體原因，但涉及到“設計”的任務似乎都需要人類的直覺。或許Zymergen無意中發現了适合用電腦做實驗的生物學領域。
加州Transcriptic公司也是一家探索自動化技術的生物科技公司，其聯合創始人Max Hodak似乎看到了這種方法的局限。
他相信機器人會在實驗室裡從事更多單調的工作。他說，要不了多久，“如果你還在使用雙手，那就不算做科研。”
但生物大腦短期不會被取代，原因在于自然界十分複雜。Hodak表示，進化“負責讓生物更加豐富，這也是它如此難以了解的原因。它擁有不可思議的複雜性。”他認為，在設計更好的實驗的過程中，人工智能可以給生物學家帶來有限的幫助。但他也擔心把更多的科研流程交給機器人來做，表明“它比我們預想的更加複雜。”
而且，即便人工智能控制的科研過程能夠奏效，人類真的能了解電腦的發現嗎？背後的計算過程可能仍然是個黑盒子。“一種令人感興趣的可能是：我們正在接近一個‘可以了解的’科學時代。”與分子生物學家合作的卡内基梅隆大學計算機科學家Adrien Treuille說。研究人員可能不僅依賴計算機做科研，還會利用計算機進行解釋：有的生實體論證據可能過于複雜，需要給予計算機足夠的信任。
倘若如此，科學家是否應該把電腦作為共同作者寫道論文的署名上去？“我不會這麼做。”波士頓Nutonian公司CEO Michael Schmidt說，這家公司就利用人工智能來從事科研。但他也補充道，“但如果它們能夠讀懂論文，那也可以成為作者。”
這一天正在到來。
【完】
本文作者：李杉
原文釋出時間：2017-07-08