有硅基大脑的科学家 

加州的爱莫利维尔市——如果这是未来的生物实验室，那它看起来和现在的实验室并没有太大差别。穿着白色实验服的科学家们拿着装有冷冻试管的箱子走来走去。架子上的化学试剂——装乙醇的瓶子，盛满糖、蛋白质和盐的小箱子——都是培养微生物并编辑它们基因的标准配置。你甚至不会注意到这些机器人，直到你听见它们的声音。它们的声音听起来就像是蟋蟀伴随着轻声的风扇声在互相歌唱。

为Zymergen——一家2014年搬到加利福尼亚州旧金山湾的东海岸，位于原先是电子工厂的生物技术公司——工作的机器人每天都在做微生物实验，寻找能提高有用化学物质产量的方法。其中有一个机器人叫做Echo。它栖身在一个块状杂乱的装置里，一个机械手臂用来抓里面有许多沟槽流有上百种液体的塑料块。在激光扫描塑料块边缘的条形码后，Echo才把它夹到盘中。接下来发生的事情就太细微了，超出了肉眼所能观察的范围。

“这个过程并不是复制我怎么用移液管的，”这家公司的联合创始人之一，作为分子生物学家及公司的经营和工程副总Jed Dean说道，“这是一种全新的方法。”并不是用移液管吸取并挤出微升液体到每个槽道——细胞尺度上关于体积的潮汐——机器人从不接触液体。相反地，机器人一秒钟能做500次，一个声波脉冲能够使液体自身形成小液滴，这些液滴比人类所能转移的尺寸还小1000倍。

但是这些并不都是发生在未来的事。Big bio实验室已经用这些机器人和条形码有好几年时间了。甚至液体流动技术——被叫做声微滴喷射——已经存在数十年了。在我问Dean这个机器人现在在做什么实验时才让我真正意外。“我不知道，”他说，虽然他可以轻而易举发现机器人在做什么实验，但他并没有设计这个实验。相反地，这都是计算机程序的输出结果。

“我想非常清楚地说明，”zymergen 的CEO Joshua Hoffman说道，努力消除一个长期存在的误解。“在实验室会有一个真正有血有肉的科学家，会观察实验结果并检查机器人。”但是解释数据、提出假设、设计实验，他说道，终极目标就是“摆脱人类的直觉”。

Zymergen是有这一目标的几家公司的其中一家：利用人工智能来增强——甚至取代人类在科研中的角色。“人工智能推动的生物技术”就如它所描述的那样，但是Zymergen的联合创始人对这一术语感觉很不舒服，“人工智能听上去就像是机器人下象棋，” 公司的首席技术官Aaron Kimball说道，。“我对‘ML’很满意，”Hoffman说道，谈到机器学习，计算机科学的这一分支几乎能够解释人工智能领域最近的全部进展。“那就是我们要做的事。”

Zymergen真正做的是调整生产生物燃料、塑料或药物成分的工业微生物。为了能够提高产量，公司们把他们的工作主力菌株都送到Zymergen公司。机器人接着为了更高效地制造化合物就研究并调整每种微生物的基因组。

问题就在于送到Zymergen公司的微生物已经处于“高度优化”状态，Hoffman说道。经过几年的研究和繁殖，这些细胞已经非常擅长它们做的事。所以要想更高效地生产就需要更深入研究它们的基因库，做实验，跟踪数据——换句话说，就是做科研。

Zymergen正在加速科学研究进程。在传统的生物学里，Hoffman说道，“你需要找到一个人站在凳子旁边测试有限种假设，就比如说每个月测试10种假设。”机器人能够更快地做这种体力工作——在Zymergen公司的机器人能够一周做多达1000个实验。但是机器人只会听从指令：给它们正确的指令成了研究真正的瓶颈问题。

当我问Kimball他的算法是怎么指导机器人设计实验的，Kimball以一个简单的前提开始回答，“你现在有大约5000个基因的微生物。假设现在你有10种方法来改变某个特定的基因。你就需要做50000件事。”这个实验需要从1000个菌株开始，每个菌株需要做一个简单的突变，他说道，“每个菌株活在一个小液滴里，你用糖喂它们，让它们培养一段时间，然后算出你得到了多少产物。”可能会有25个菌株会产生稍微多点的目标化合物。这些菌株又要被用来做下一轮实验，剩下的菌株放到冷冻箱里。

但是这个发现新菌株的道路非常笔直。发现许多正确的突变需要对基因的“风景”进行长时间单调的研究工作， Kimball说道。仅仅是闭着眼睛爬山可能永远到不了高峰，但是因为你正巧在一个微生物中发生了所有的突变，它们并不能加起来变成大产量。相反地，微生物会“生病”。他说，比最初的菌株更不适应外界环境。所以选择合适的路径，包括更有希望进入峡谷的弯道，需要在脑海里有张地图能立刻表明所有突变的作用——一张不是三维的而是上千维度的地图。机器学习必须保持方向性。

但是这里有一个关键的区别：当机器人终于发现了会增大化学物质输出的基因改变，他们对这些生物化学现象背后的科学规律一无所知。

这是真正的科学吗？还是这些实验不能加深我们对生物工作机制的了解？对于Kimball来说，这种哲学观念并不重要，“我们得到薪酬是因为它们有用，而不是我们知道为什么它们会有用。”

至今为止，Hoffman说道，Zymergen的机器人在实验室已经把微生物生产化学物质效率提高了10%以上。这些提高可能听上去并不大，但是对于一个有每年1亿6千万美元产值依靠微生物发酵的化学工业部门来说，一个微小的提高都能转变成更多的财富，比7百万美元的国家科学基金的全部年预算还多。机器人找到的优势基因突变代表科学真正的发现，一个人类科学家很可能并不擅长辨别这些突变基因。大多数增强输出的基因并不是和合成这些目标化学物直接相关，举个例子，一半的优势基因还不知道它们的功能。“我在几种不同的微生物看到过这个模式，”Dean说道，如果不依靠机器学习要找到正确的基因突变组合就像是破解一个密码由成千数字组成的保险箱。“我们的直觉会轻而易举地被复杂性打倒。”他说道。

科学工作多大程度上可以交给机器学习系统取决于你问的人。“很多，”加州大学研究基因组学的计算机科学家Llias Tagkopoulos说道，“为了把我们得到的信息最大化并更接近我们的目标，我们不能让数据告诉我们下一步需要做什么实验，这毫无道理。”他看似无止境的应用清单包括了预测细菌如何在一个变化的医院环境中进化，设计更美味的小吃，基本上来说对于任何复杂的优化问题，任何提高都需要准确定义。

如果机器真的能够在某些科学课题取代人类，很多科学家都会欢迎这些机器人。不同于工厂工人和出租车司机，大多数研究科学家都喜欢把他们的部分工作自动化，特别是对于分子和细胞生物学，在这些学科中，体力劳动——喷射液体，电镀细胞，计算菌落数——都是单调又昂贵的工作。一个研究生微不足道的错误或不准确的计算都会毁坏数周的工作，更糟糕的是为学生设计实验的博士后一个懒散的决定会浪费数月的努力。

但是有些生物学家对人工智能在解释数据和设计实验方面的能力感到很失望，“我们发现现阶段的机器学习方法还不能满足课题研究的需要，”在加州帕罗奥托市斯坦福大学的计算生物化学家Rhiju Das说道，他研究分子是如何折叠并设计药物。“面对同样的数据，机器人相比于人类会在分析RNA设计问题上犯很严重的错误 。”尽管他不知道为什么，但是涉及到“设计”的问题都和人类的直觉有关。也许Zymergen公司已经在很适合做计算机控制实验的生物科学上的这个边缘部分也会失败。

Max Hodak联合创立了位于加州门罗帕克市的Transcriptic公司——另一家研究自动化的生物技术公司——也发现了这个方法的局限性。他对机器人将会取代大多数的单调实验工作很有信心。很快地，他说道，“如果你正在用你的手做实验，你将不会做科研。”但是生物学家的大脑还不会马上被取代，因为现实世界是如此复杂。进化，Hodak说道，“是生物多样性的原因，这也是它为什么这么难理解的原因，它就是这么不可简化，就是这么复杂。”人工智能能够在设计更好的实验上为生物学家提供有限帮助，Hodak说道，但是他担心把科研过程都外包出去会变得比我们想象得还复杂。

甚至如果人工智能控制的研究能起作用，人类能理解计算机发现的东西吗？研究结果背后的计算过程可能会是一个黑箱子。“一个引人入胜的可能性就是我们正在关闭‘可理解’科学时代的大门，”宾夕法尼亚州匹兹堡的卡内基·梅隆大学的计算机科学家Adrien Treuille说道，他和分子生物学家一起共事。研究人员可能不仅仅需要依靠计算机来进行科研工作，还会需要机器去解释它：有些证据表明生物理论可能这么复杂就是因为接受它需要对计算的信心。

如果是那样的话，科学家们应该把他们的计算机当做论文的合作者吗？“我不会那样做，” Nutonian公司的CEO Michael Schmidt说道，一家位于Boston致力于把科学发现应用到人工智能的公司。但是随后他又含糊说道：“当计算机能够阅读并理解论文后，它们可能会成为合作者。”

作者：John Bohannon

翻译：黄静