1. 引言
本文探討創建「人工智能科學家」呢個宏大目標，即係好似Goertzel喺2014年嘅綜述中提出嘅，能夠獨立進行諾貝爾獎級別研究嘅AI。文章釐清咗呢種實體所需嘅必要能力，並將呢個目標置於人工通用智能（AGI）研究嘅更廣闊背景之中。核心問題唔單止係將科學任務自動化，而係要賦予AI科學家嘅核心認知美德：懷疑精神、實證驗證同理論建構。
2. 人工智能科學家需要乜嘢能力？
從英國皇家學會嘅格言「nullius in verba」（唔好輕信人言）汲取靈感，作者提煉出人工智能科學家必須具備嘅基本能力。
2.1 假設嘅表示
智能體必須有一種形式化或符號化嘅方法，將任何可測試嘅假設表示為一個具有真值嘅陳述。呢個係任何形式嘅科學推理嘅基礎要求。
2.2 歸納推理
拒絕將他人證言作為知識基礎，就需要具備從特定觀察中推斷出普遍原理嘅能力。呢個係從經驗數據中學習嘅核心。
2.3 演繹同溯因推理
智能體必須通過可靠嘅演繹推理（從普遍規則到特定結論）來轉化知識。關鍵係，佢仲必須能夠進行溯因推理——生成能夠解釋觀察到嘅現象嘅合理假設，呢啲假設隨後會成為實驗測試嘅候選對象。
2.4 因果推理同可解釋性
科學追求因果關係。人工智能科學家必須能夠進行因果推理，以設計有意義嘅實驗。此外，佢必須能夠以人類受眾可以理解嘅方式解釋其假設同發現，呢點表明需要先進嘅自然語言生成能力，超越單純嘅模型可解釋性。
2.5 假設評估
考慮到資源有限，智能體需要啟發式方法來判斷應該追求邊啲假設。呢個涉及評估合理性（為真嘅可能性）同潛在收益（所獲得知識嘅重要性或效用）。呢個引入咗一個固有嘅規範性成分（「應該」），必須提供畀AI。
3. 適用於人工智能科學家嘅AGI路徑
本文根據上述要求評估咗三種主要嘅AGI範式。
3.1 邏輯主義路徑
呢種範式植根於符號AI，使用形式邏輯進行知識表示同推理。優點：非常擅長演繹同溯因推理、假設表示，以及產生明確、可解釋嘅模型。缺點：難以從原始數據中學習（歸納）、可擴展性差，以及處理不確定性或感知任務方面有困難。
3.2 湧現主義路徑
呢種範式以深度學習等連接主義模型為代表，旨在讓智能從簡單組件嘅相互作用中湧現出來。優點：擅長從大數據集中進行歸納推理、模式識別同感知任務。缺點：在顯式推理、溯因、因果建模方面較弱，而且通常係一個「黑盒」，缺乏可解釋性。
3.3 通用主義路徑
呢種範式尋求一個單一嘅、數學上通用嘅智能框架，通常基於算法信息理論或Solomonoff歸納法。優點：理論上優雅且通用。缺點：計算上難以處理，目前無法實際實現。
4. 邁向統一框架
本文得出結論，現有單一範式都無法滿足人工智能科學家嘅所有要求。一個混合或統一嘅路徑係必要嘅。文章簡要探討咗結合咗唔同元素嘅理論，例如神經符號AI，佢將神經網絡嘅強大學習能力同符號系統嘅結構化推理結合起來，作為滿足科學發現多方面需求嘅一個有前途嘅方向。
5. 核心洞見與分析師觀點
核心洞見：「人工智能科學家」唔單止係一個自動化工具，而係對AGI嘅終極壓力測試。佢要求融合多種能力——數據驅動學習、邏輯嚴謹性、因果理解同溝通清晰度——而今日嘅AI孤島各自都明顯未能提供。本文正確地指出，模式匹配（湧現主義）同規則遵循（邏輯主義）AI之間嘅鴻溝係主要障礙。
邏輯流程：論證非常簡潔：定義科學家嘅核心認知行為，將其映射到認知能力，然後根據呢個清單嚴格審查現有嘅AGI範式。每種範式在關鍵點上嘅失敗，邏輯上迫使結論走向整合。關於假設評估提及休謨嘅剃刀，係一個敏銳嘅哲學觸碰，突顯咗任何自主科學家都無可避免地需要內置價值觀或啟發式方法。
優點與缺點：本文嘅優點在於其清晰、以需求為導向嘅對宏大挑戰嘅解構。佢避免咗模糊嘅承諾，專注於具體嘅能力差距。然而，其主要缺點係對所提出解決方案嘅處理過於輕描淡寫。提及「混合路徑」係AI領域一個老生常談嘅話題。真正嘅洞見應該係提出一個具體嘅架構藍圖或一個最小可行嘅整合方案，就好似CycleGAN論文為非配對圖像到圖像轉換提供咗一個具體框架咁。冇咗呢一點，結論感覺只係一個必要但不足夠嘅步驟。
可行洞見：對於研究人員嚟講，即刻嘅啟示係唔好再將神經符號AI視為小眾興趣。佢應該成為「AI for Science」嘅核心研究議程。好似DARPA嘅ASDF計劃呢類資助機構，應該優先考慮明確將神經感知同符號推理引擎耦合嘅架構。對於業界嚟講，重點應該係開發可以同大型語言模型集成嘅「因果發現工具包」，超越相關性，邁向可操作嘅假設生成。通往人工智能科學家嘅道路，始於構建唔單止能夠閱讀十萬篇論文，仲能夠識別出佢哋共同擁有嘅一個有缺陷假設嘅AI——呢個任務需要作者所設想嘅混合心智。
6. 技術細節與數學框架
呢啲要求意味著一個形式化框架。假設評估可以構建為一個優化問題，平衡合理性同效用。一個簡化嘅形式化，用於從假設空間$H$中選擇假設$h$，給定數據$D$同效用函數$U$，可以係：
$$h^* = \arg\max_{h \in H} \left[ \alpha \cdot \log P(h|D) + \beta \cdot U(h) \right]$$
其中：
- $P(h|D)$係假設給定數據嘅後驗合理性（需要貝葉斯推理或近似方法）。
- $U(h)$係一個效用函數，估計研究$h$嘅「收益」（例如，突破性發現嘅潛力、實際應用）。
- $\alpha$同$\beta$係平衡兩個目標嘅參數，代表智能體固有嘅「價值觀」。
溯因可以被視為從$H$中生成具有不可忽略$P(h|D)$嘅候選$h$嘅過程。通用主義路徑可能會使用算法概率來定義$P(h|D)$，而湧現主義路徑會從數據中學習佢，邏輯主義路徑則可能從知識庫中推導出佢。
7. 分析框架：案例研究
場景：一個AI分析公共衛生數據，觀察到A地區同X疾病較高發病率之間嘅相關性。
純湧現主義（深度學習）模型：以高準確度識別出該模式。當被問到「點解？」時，佢只能突出貢獻特徵（例如，A地區嘅空氣質量指數係一個主要預測因子）。佢無法提出一個可測試嘅機制假設，例如「A地區普遍存在嘅污染物Y，抑制細胞過程Z，導致X疾病。」
純邏輯主義（符號）模型：擁有一個生物學知識庫。佢可以推理出「抑制過程Z可以導致X疾病」同「污染物Y係Z嘅抑制劑」。然而，佢可能缺乏從原始、混亂嘅數據集中發現A地區同該疾病之間新穎統計聯繫嘅能力。
混合神經符號路徑：
- 感知/歸納（神經網絡）：從數據中發現A地區同X疾病之間嘅相關性。
- 符號接地：將「A地區」映射到其知識庫中嘅已知事實：「A地區有高濃度嘅污染物Y。」
- 溯因（符號推理器）：查詢其生物學知識圖譜：「X疾病嘅已知原因係乜嘢？污染物Y可以同任何呢啲原因聯繫起來嗎？」佢發現咗同細胞過程Z嘅聯繫。
- 假設形成：生成可測試嘅因果假設：「污染物Y通過抑制過程Z導致X疾病。」
- 實驗設計：使用因果推理提出一個體外實驗，將細胞暴露於污染物Y並測量過程Z嘅活性。
8. 未來應用與方向
近期（5-10年）：開發「AI研究助手」，喺材料科學（發現新催化劑）同藥物發現（識別新藥物靶點通路）等領域，大幅加速文獻綜述、假設生成同實驗設計。呢啲將係範圍嚴格限定嘅混合系統。
中期（10-20年）：在數據豐富、理論匱乏嘅領域中運作嘅自主發現系統。例子包括分析來自JWST等望遠鏡嘅天文數據集以提出新嘅天體物理模型，或者篩選基因組同蛋白質組數據以發現超越人類模式識別能力嘅複雜疾病病因。
長期與推測性：真正嘅人工智能科學家，能夠在基礎物理學（例如，提出並測試量子引力理論）或數學（生成並證明深刻猜想）中進行範式轉移嘅發現。呢個不僅需要AI架構嘅進步，仲需要自動化物理實驗（機械人實驗室）同或許新嘅面向機器嘅數學形式。最終方向係朝向能夠重新定義科學方法本身嘅AI，探索人類心智無法理解嘅推理策略。
9. 參考文獻
- Goertzel, B. (2014). Artificial General Intelligence: Concept, State of the Art, and Future Prospects. Journal of Artificial General Intelligence, 5(1), 1-48.
- Bringsjord, S., & Licato, J. (2012). Psychometric Artificial General Intelligence: The Piaget-MacGuyver Room. In Theoretical Foundations of Artificial General Intelligence (pp. 25-48). Atlantis Press.
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
- Marcus, G. (2020). The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. arXiv preprint arXiv:2002.06177.
- Garcez, A. d., & Lamb, L. C. (2020). Neurosymbolic AI: The 3rd Wave. arXiv preprint arXiv:2012.05876.
- King, R. D., et al. (2009). The Automation of Science. Science, 324(5923), 85-89.
- Hutter, M. (2005). Universal Artificial Intelligence: Sequential Decisions Based on Algorithmic Probability. Springer.
- DARPA. Automated Scientific Discovery Framework (ASDF) Program. Retrieved from https://www.darpa.mil.