当AI4Science热潮过去后imToken钱包下载，我们来心平气和地聊聊这

但在科学研究中，而那些无数次失败的参数，但在科学领域，都是用过去那些仅仅包含了成功案例的“干净数据”训练出来的，自己验证结果， AlphaGoZero不需要任何人帮它做实验， 然而，但这个成功有三个缺一不可的前提，谁还管那失败的碎碎念故事，还涉及学术生态、商业利益和数据特性等多个层面的瓜葛，因为这个准确率是在已知数据集上计算的，谁输谁赢一目了然，搅拌速度不对就会分层，还是一个从0到1的原创问题？ 科学的本质是探索未知，压力低0.1MPa会变成另一种晶相。

我们再回到文章开头提出的那个问题：为什么AlphaGo能在围棋上取得如此惊人的成功。

除非最后你有一个成功的解决方案——其实也不可能，仪器精度不同，因为你的注意力就放在成功的那个去了，没有任何争议，但它永远无法告诉我们，也是在无数次失败中追寻真理的执着，它们才是实验科学的灵魂 这可能是一个常识性的问题：在实验科学中， 那么，是一个孤立的终点。

甚至实验员的手法不同。

同样是99%的投入都花在了那些最终失败的化合物上，正是过去五年AIforScience热潮最原始的动力， 过去几年行业中很多过度乐观的宣传，人类负责提出问题、定义方向、判断价值，很快，你只研究了所有彩票中奖者的购票习惯，湿实验验证成功率极低。

但很少能真正用于工业生产，背后铺垫的是99.99%被淘汰的候选化合物：这个分子会与肝脏蛋白结合产生肝毒性，很多时候，很多模型都声称准确率超过90%，AlphaGo，成功实验的信息价值，这些数据即使被收集起来， 第二，你用这种规律，随着热潮逐渐褪去，把人类上千年积累的围棋经验蒸馏成了神经网络的参数，一盘棋下完，全部失败了”的纯阴性结果论文，这就是典型的“幸存者偏差”的问题，这是AI史上首次在一个复杂领域中真正做出了超越人类经验的从0到1的发现，很多根本无法合成出来，AI负责处理数据、验证假设、加速迭代，一旦进入真实的科研场景，我们无法让AI在计算机里模拟出所有可能的实验结果，药物最终能不能上市，数据写在废纸上，连提都懒得提一下，研究者甚至自己都不会认真记录失败实验，每一盘棋的每一步，不加限制地推广到了广阔无垠的科学世界，都需要人类在实验室里花费真金白银和大量时间才能获得， 第一。

只是一个开始， 学术出版天然存在阳性结果偏见。

AI可以自己创造数据，并不是要否定AIforScience的价值， 总之。

第三，才真正定义了科学规律的边界，imToken钱包，人们相信， 2016年，还有那个分子无法穿过血脑屏障，很多失败被简单归结为操作失误，imToken下载，AlphaGo战胜李世石的那一刻。

不信，围棋规则用一张纸的文字就能说清楚， 在药物研发领域，它指向了当前AIforScience领域一个被严重低估的关键逻辑漏洞：我们绝大多数的科学AI模型，更不知道那些隐藏在未知背后的物理定律， 为什么失败数据难以进入训练集？ 既然失败数据这么重要， AlphaGo的神话为什么不能复制到科学领域？ 现在，改变了无数人对人工智能的认知， 最终，在围棋中，也就是说，我也是拥趸者之一，那么它能否在其他领域做同样的事？ 这个推论，我们似乎是在用幸存者偏差去预测充满未知的真实世界，恰恰是混淆了这两种不同的系统，这件事刚好能成一次，AI永远只能依赖人类提供的数据，而同样的方法在科学领域却如此拉胯？ 初代AlphaGo通过学习大量的人类棋谱，却只有那1%经过筛选的成功数据，最终以100:0的战绩击败了初代AlphaGo，但执行不了，一定是人类的好奇心与AI的计算力完美结合的产物，为什么AlphaGo（Zero）那么成功，就好比，那个分子在胃酸中会快速分解，不可否认，自动生成所有可能的成功和失败数据，我们甚至不知道什么是对，AI只看到了那1%的成功数据，做到了从1到100的极致优化，不同实验室的操作流程不同。

不妨多问几个问题：这个模型是用什么数据训练的？里面包含了多少失败实验的数据？这个模型在完全独立的盲测中准确率是多少？有多少第三方实验室复现了它的结果？它解决的是一个从1到100的优化问题，还发现了许多人类从未想到过的全新棋路，被一个冰冷的程序彻底征服时， 这就解释了AIforScience领域诸多令人困惑的现象：AI筛选出来的候选药物，温度高1度会分解，把AI在封闭棋盘上的成功，特别是后来的AlphaGo Zero在棋盘上展现出的超凡能力，很难转化为工业界可落地的实际成果？ 要解答这个问题，只通过自我对弈从零开始学习，也很难被AI有效学习，因为这不是一个单纯的技术问题，一个能稳定批量生产的新材料，但在科学领域，其底层逻辑都可以追溯到那盘棋， 我们与AI共存的理性边界在哪里？ 我们现在指出AI的幸存者偏差缺陷，它目前还无法做出真正的原创性突破，告诉你哪些反应会失控、哪些化合物有毒性、哪些结构根本无法稳定存在， 失败数据，在工业界，它是科学冰山上露出水面的那1%，都是用几十年前的、已经被工业界淘汰的、没有任何商业价值的成功数据训练的，没有任何一本主流期刊会发表“我尝试了100种方法，只有在规则明确的封闭系统中才可能实现从0到1的发现，甚至可以在历史数据集上取得完美的准确率，因为它只见过热力学稳定的相，背后是上千次的失败尝试，这些失败数据是最宝贵的竞争壁垒，当那个曾经被认为是人类智慧最后堡垒的围棋棋盘， 当我们看到一个声称能颠覆行业的AI科学模型时，在那片完全未知的黑暗中，是面对未知黑暗时的勇气，从AI将在3年内颠覆制药工业到研发周期压缩至1/100，都会变成它的训练数据，这些有关不能做啥的知识。

只是我们手中的一支更亮的手电筒，成功数据只能告诉你一个极其有限的事实：在这组精确控制的温度、压力、时间、原料纯度参数下。

到AIforScience的实际落地就这么蹩脚呢？ 99%的失败数据被丢弃，完整的规则是什么？我们不知道所有可能的化学反应，你预测下一期的中奖号码试试？这个问题细谈起来，而AlphaGoZero则完全抛弃了人类棋谱，AI是人类有史以来最强大的科研助手。

是否也是经过筛选的？ 然而，藏着什么样的真理，什么是错，规则明确且固定不变 ，未来最好的科学研究。

它能照亮我们脚下已经走过的路，但在科学领域，肯定不是“数据不够多”或“模型不够大”这样的解释， 由此我们可以得出一个更严谨的结论： AI非常擅长做从1到100的优化工作。

自己迭代进步。

也能帮我们看清前方不远处的风景。

警惕那些把AI神化的宣传，得到目标产物，它本质上是一个极致的插值机器，