79岁的迈克尔·莱维特在他的社交账号简介里写道：“以我这个年纪，代码写得还不错。”

莱维特是美国斯坦福大学结构生物学教授，也是计算结构生物学的先驱之一。2013年，他与另外两名科学家因开发复杂化学体系的多尺度计算模型，共同获得当年的诺贝尔化学奖。如今，他是AI的深度使用者。“我每天可能会向AI提出数百个问题。”莱维特说。

科学研究离不开怀疑和验证。虽然深度痴迷AI，但莱维特不会照单全收AI的所有答案。当AI越来越擅长解决问题，科学家还需要做什么？年轻人该怎样应用AI？围绕这些问题，莱维特近日接受了《中国新闻周刊》的专访。

迈克尔·莱维特（资料照片）

“人仍是科研中重要的一部分”

《中国新闻周刊》：你曾估计，AI已参与到接近90％的工作中。你使用AI已近四年，这段时间，你与它的关系发生了哪些变化？过去一周，你用AI处理了哪些问题？

迈克尔·莱维特：我从2022年12月开始使用AI大模型，每次有新版本推出，都会去试一试。刚开始时，我觉得AI做不了什么，现在，我会向它提出很难的问题，而它常常真能处理，这让我感到意外。

现在AI对我非常重要。过去一周，我和AI一起处理了几个科研问题，比如，我们一起研究怎样建立细胞内染色体的模型。但这不是说，我早晨起床后对AI说一句“替我解决这个问题”，然后就去睡觉。我们会一直交谈，反复讨论。我每天要问AI数百个问题。

有一次，我想了解自己的健康状况，就让AI从电脑里找出所有相关文件，汇总到一起。它找到了1000多份文件，涵盖我过去30年的各种健康数据，几小时后便整理出一份总结。日常生活中，我也会问AI，比如家里办聚会时，怎样只用一个小烤箱为所有人准备食物。它负责出主意，最后还是我来做饭。

AI参与之外，有些事情，我还是喜欢亲手去做。比如，我仍然会手写很多笔记，也喜欢看写在纸上的内容。

《中国新闻周刊》：你使用计算机研究蛋白质等生物分子已近60年，也一直亲自编写程序。AI给你的研究带来了哪些具体变化？

迈克尔·莱维特：对我来说，AI更像一名非常强大的同事。我希望将来它能更多地影响研究方向。目前，研究方向仍主要由我把握，但它已是一位能力很强的合作者。

这些年来，我一直在编写和维护一套程序。这套程序使用的编程语言，基本是我个人专用。大约三个月前，我请AI帮我检查，结果令我吃惊。它能读懂这套程序，找出其中的错误，告诉我哪些地方可以改进、怎样更新，还能提高程序的运行速度。可以说，AI让这个老程序重新活了过来。

《中国新闻周刊》：你通常使用哪些AI工具？它们会犯错吗？你会主动要求AI质疑你的判断吗？

迈克尔·莱维特：我主要使用Anthropic公司推出的Claude Code，但不会只依赖一个系统。有时，我会把一个系统给出的结果交给另一个AI检查。两者意见不一致时，我会再找第三个AI工具进一步判断。

没有哪个系统永远正确，重要的是保持怀疑。做科学研究，任何答案都要经过检验。AI也很擅长做这类检查。有些事情，我原以为自己的判断没有问题，它却告诉我错了。这种质疑对研究很重要。

AI擅长在短时间内尝试大量方案。我做一次，它可以做100次，它善于把同一种方法用于更多情况。有时这也让人沮丧：它试了那么多办法，结果一个都行不通。这意味着，我还得把问题想得更深。遇到真正困难的问题，AI未必能找到关键思路，仍需要我提出新的方向。至少现在，人仍是科学研究中重要的一部分。

从一开始使用AI，我就告诉它：不要编造内容；如果我错了，直接指出来。现在，它有时会先说，需要几分钟把事情查清楚，因为它知道我不想得到未经核实的答案。但它仍会犯错。长期与我协作的AI会逐渐了解我的要求。因此我总说，要多和AI打交道。你在一个领域用得越多，它越清楚你关心什么。

AI很容易接受引导，有时也会把自己绕进去。人也会这样：埋头解决一个问题，做个不停，其实更该停下来。AI却不会自己停下。这时，我得让它从头再来。

《中国新闻周刊》：现在很多人在谈“虚拟细胞”“数字患者”“虚拟器官”，希望直接在计算机里模拟疾病状态和治疗。你最近在一场医药大会上说，如果五年后AI已能预测Ⅲ期临床试验结果，你不会感到意外。为什么这么说？

迈克尔·莱维特：以AI的发展速度来看，五年其实很长。

研发一种药物，要经历一连串漫长而昂贵的步骤。任何一步受阻，都可能要退回去重来。AI可能参与的不只是针对某个靶点设计药物，还包括其他研发环节。候选药物通常先做动物试验，再进入人体研究，评估安全性。即使安全性没有问题，研究者仍不知道它是否有效。

如果AI能帮助研究者建立人的数字模型，就可以先模拟不同个体对同一种药物可能产生的反应。假如建立1000个代表不同个体的模型，就能观察药物作用于这些“数字病人”后可能出现哪些结果。我认为，这类尝试会逐渐出现。Ⅲ期临床试验是药物研发中最慢、最不确定的环节，费用也非常高。如果AI能在试验开始前判断它可能在哪些情况下失败，研究者就可以据此改进试验设计。

如果AI能根据遗传特征筛选更合适的受试者，试验规模或会减小。比如，5名经过筛选的真人受试者，或许能提供与100名未经这种筛选的受试者同样有用的信息。我认为很多人会研究这一方向。这能否在五年内实现，我不知道。未来的进展也许会出乎我们的意料。

《中国新闻周刊》：你喜欢读《三体》，也谈过复杂系统难以预测。生物系统是否也有无法突破的预测极限？如果AI能准确预测一种药物的效果，却无法解释原因，该怎样判断结果是否可信？

迈克尔·莱维特：在刘慈欣的《三体》中，三个天体的轨道无法准确预测，但宇宙并未因此失去秩序。人体也是一样：我们无法预测每个原子、每个蛋白质下一步怎样运动，身体却能保持稳定。生物系统会调节内部的随机波动，因此，局部难以预测不等于整体会失控。

AI对药物效果的预测看起来再准确，也必须经过验证。如果AI声称能预测药物效果，我会用一些它没有接触过、但真实结果已明确的同类案例来测试。只有在同类案例上仍然准确，它的预测才值得相信。如果AI的预测是对的，却解释不了原因，我们还需弄清，它在多大程度上可以作为判断依据。这是一个尚未解决的问题。

“占优势的，是善于使用AI的人”

《中国新闻周刊》：你2018年受聘为复旦大学特聘教授，近年来每年给本科生讲几次课。你曾说，20岁年轻人的一项重要优势是“还不知道太多”。现在，AI让年轻人很快获得大量知识，这会怎样影响他们的学习和创造力？大学应怎样教学生使用AI？

迈克尔·莱维特：我的大半生是在AI出现以前度过的。开始使用AI时，我已积累了许多经验。我不知道从一开始就使用AI的人会怎样。

但也可以反过来问：智能手机让我们变笨了吗？我不这样认为。智能手机是一种很重要的智力资源，可以用来翻译，帮助我们理解事物、完成许多工作。我不知道AI最终会带来什么影响，但希望它不会削弱人的创造力。

我认为年轻人应多和AI互动。AI会给今天的年轻人带来巨大优势，也会加剧竞争。真正占优势的，仍然是那些善于使用AI的人。

至于大学应该怎样教学生使用AI，现在还没有现成答案。如果让我设计一门课，我会让每名学生借助AI设计一套课程方案，也会让他们探索借助AI开展教学的新方式，看看会发生什么。

《中国新闻周刊》：OpenAI近期宣布，其内部AI系统提出了纳维-斯托克斯千禧年大奖难题的一种解法，并公开了文字证明及可由计算机逐步核验的Lean形式化版本。如果最强大的模型和算力集中在少数科技公司，前沿研究会不会从大学转移到这些公司？

迈克尔·莱维特：事实上，已有不少重要发现来自产业界。如今在学术界，年轻研究者往往要到很晚才能独立确定研究方向、主持课题。相比之下，在公司里，年轻人反而可能更早获得独立研究的机会。这样的变化让我有些担忧。不过，我也期待未来有更多突破性发现来自产业界。

《中国新闻周刊》：如果AI生成了一份非常复杂的数学证明，而人类数学家难以逐步核查，科学界是否需要改变判断一项结果是否可信的标准？

迈克尔·莱维特：这还有待探索。但AI在解决一些数学问题上的进展让我印象很深，我认为这是好事。过去也有许多数学问题，离开计算机就很难解决。

一个广为人知的例子是地图四色问题，也就是能否只用四种颜色给一张地图着色，同时保证相邻区域颜色不同。早期，计算机就已被用于检验大量可能的地图构型和着色方案。因此，在我看来，今天AI参与数学证明，是过去计算机参与数学证明的延续。

《中国新闻周刊》：随着AI越来越多地参与科研和医疗，是否应该给AI系统及其生成内容设置可追溯的身份标识，以便出错后查明来源和责任？

迈克尔·莱维特：身份识别是一个很复杂的问题。我所说的AI不只是软件，也涉及具身智能机器人。比如，一家工厂的工作全部由机器人完成，如果某台机器人出错，该由谁负责？未来如果机器人被广泛使用，每一台都应有独立编号。只有这样，出了问题，人们才能确定是哪台机器人，并追溯责任。

我认为，用于运行AI的芯片本身应有身份标识，AI生成的内容也应注明使用了什么芯片、程序和设备。目前，建立这类身份标识和来源记录的工作还很不充分，只有一些公司开始探索相关方案。开源系统也应纳入这套追溯机制。开源不等于没有风险，它同样可能被滥用或出现错误。

《中国新闻周刊》：你曾提到，AI像一个刚出生的孩子：它可能变好，也可能变坏，关键在于人类怎样教育和引导它。在你看来，这个“孩子”最需要学会什么？

迈克尔·莱维特：我认为AI也需要接受教育，学会尊重人类。人类有许多独特之处，也比AI更具多样性。现在主流的AI系统只有少数几种，而且彼此很相似，这会带来风险。

生物世界之所以需要多样性，是因为未来的环境无法预料。细菌依靠复制自身繁殖，在稳定环境中效率很高；许多更复杂的生物则由两个亲本共同产生后代，每个后代都不完全相同。AI也是一样，需要保留不同的模型、方法和思路，不能让所有系统越变越像。

《中国新闻周刊》：日前，被称为“诺奖风向标”的拉斯克奖已公布。你对今年的诺贝尔化学奖有什么预测？

迈克尔·莱维特：预测诺贝尔奖非常困难，因为评奖者似乎总喜欢让结果出人意料。我希望获奖者年轻一些，这样还能参与更多面向公众的交流。诺贝尔奖最美妙的地方就在于意外。没有人能预设诺奖得主。