人工智能带来的科学革命：给科学家打下手，比博士生还高效(3)

硅谷里的人工智能

高校里的科学家们看到了人工智能这个优秀的劳动力，科技企业更不会错过这个商机。位于硅谷的生物技术公司Zymergen，就由人工智能承包了实验。

人类正在驱使各种微生物生产有用的成分：生物燃料、塑料、药品等等。而Zymergen的业务，就是通过改造微生物的基因，提高这些“劳工”的生产效率。

那么，如何找到那些可以提高生产效率的基因，并改变它们呢？Zymergen的员工金波尔（Kimball）举例说：“比如原来的微生物有5000个基因，每个基因你可以做出10种改变，那你就可以做出50000个变种。” Zymergen先做出1000种不同的变种，也许会发现其中25种的生产效率有那么一点点提高，那这25种就留待第二轮实验。

人工智能大大加速了这一过程。之前，人力每周大约能完成10次试验，而机器每周就可以完成1000次。

基因序列

当然，想要得到最好的基因变异并不容易，因为这不是一个简单的加法问题。你得到了25个有轻微提高的变异，如果把它们全加到同一个微生物上的话，那么你大概不会得到一个超强的微生物，而是病蔫蔫的微生物。这仿佛是在一个25维的坐标上寻找方向，计算机仍依赖人类判断力的导航。

目前，Zymergen能将目标微生物的生产效率提高10%以上。这听起来只是微小的工作，但依赖微生物发酵的化学产业规模达到每年1600亿美元，这10%产生的效益，比国家科学基金（NSF）的经费还要多。

“黑箱”

并不是所有科研人员都完全放心人工智能。一个博士生虽然会犯错，但他能思考并告知自己如何犯了这个错误。比起来，深度学习就是一个高效而沉默的黑箱。略显可怕的是，人类无法知道深度学习如何得出它的结论，因而也无从知道它是如何犯错的。

在过去，数据之间的特征是由开发者提取，并“教会”程序的。现如今，从海量输入值到海量输出值之间，人工智能到底提取了哪些特征，建立了哪些关系，都隐藏在一个黑箱中。视觉识别方面的主流“卷积神经网络”，就是将每一层提取的特征作为下一层的输入值，进而提取到更为抽象的特征。随着深度的增加，人工智能的输出越发趋向完美，但其中的“原理”也越发没有头绪。