AI如何从科研助手走向发现者：Richard Socher的“尤里卡机器”与验证难题

一、嘉宾背景

在Sam Charrington主持的The TWIML AI Podcast中，Richard Socher谈到了自己的研究经历、Recursive的技术路线，以及他对AI参与科学发现的设想。所提供的嘉宾资料将他列为Recursive创始人、Salesforce前首席科学家和《The Eureka Machine》作者。他既在讨论科学AI的发展，也在解释自己公司的选择；他的预期与访谈展示的证据，需要分别考察。

Charrington回忆起两人此前围绕Salesforce蛋白质生成项目的交流。Socher将生成新蛋白质的研究与“尤里卡机器”的构想联系起来。他说，写书使他得以整理AI应用于不同科学领域的想法，完成后便希望通过Recursive将这套系统建出来。这段经历也引出了访谈的核心问题：如何将生成能力接入科学研究的方法与实验设施。

主持人的追问进一步划清了问题：写软件、整理数据、制作表格和报告，都是科学家的工作，但自动完成这些辅助任务，是否就能产生科学创新？Socher认为，创新行为已经在较小尺度上出现。讨论由此转向如何辨认任务自动化与发现能力之间的距离，并延伸到生物实验、软件基准、开放式构思，以及研究系统所需的约束。

二、本期主要内容

Socher提出，“尤里卡机器”需要四项基础：世界知识、科学测量数据、模拟，以及真实的机器人实验。大语言模型可以承载部分既有知识，系统还需要观察世界、检验候选解释的设施。在这些基础上，AI科学家智能体反复构思、实施和验证，让一轮实验的结果进入下一轮探索。回答问题与组织这样的研究循环，属于不同层次的能力。

他认为，这些组件已初步存在，接下来需要扩大规模，提高样本效率和能源效率，并设计合适的环境与奖励。他预计，未来五至十年，多个科学学科将因此发生变化。这仍是预测：访谈介绍了一套建设路线和若干早期案例，尚未证明一个通用系统已经能够贯通所有领域。

生物学案例展示了数据与实验如何连接。Socher描述，可以将血液或皮肤等来源的细胞转为多能干细胞，再培养成微小的类器官，用于观察药物反应。据他介绍，AI既参与培养，也追踪药物作用下的单个细胞。他还声称，一家相关企业获得了允许跳过动物试验的FDA批准，但对话没有提供批准文件，也没有说明适用范围，不能由此推导出普遍的监管结论。谈及相关蛋白质生成和类器官企业时，Socher披露了投资关系；这一财务联系也是评估这些例子时需要保留的背景。

类器官还可以产生细胞状态和药物扰动数据。Socher希望将这些观测与更大规模的数据集结合，逐步建立“虚拟细胞”。他承认，完整、逼真的细胞模拟仍然较远，当前争取的是有用的近似模型。他还介绍了另一种药物研发策略：重新研究被搁置的分子，针对肝毒性等具体问题尽量做小幅修改，希望保留原有价值，并更快回到后续阶段的测试。访谈没有提供足以评估这一路线普遍成功率的具体药物及结果。

Recursive目前从AI研究本身入手，因为软件实验的反馈比实体实验室更快。Socher介绍，NanoChat要求在指定硬件上，以五分钟为预算，尽量降低每字节比特数（bits per byte）；NanoGPT Speedrun则固定验证损失，比较达到该目标所需的时间。前者衡量相同时间内能达到什么质量，后者衡量达到相同目标需要多久，两者的成绩不能混为一谈。

Socher称，团队的系统在数天内超过了这些任务的既有成绩，并在英伟达一个约含两百个内核的基准中，为几乎所有内核生成了领先版本。这些进展来自他对自家系统的陈述。访谈未提供完整成绩表、搜索总算力或独立复现材料，因此尚不能据此确认其性能优势，更不能推断跨学科的自动发现已经实现。向生物、化学和物理实验扩展，仍是他为Recursive提出的目标。

三、核心观点：推理、例子与边界

Socher将AI的发现能力与学习条件联系起来：海量数据、可反复运行的模拟，或能够判定答案是否正确的验证器，都可能支持AI形成很强的能力。他以语言、游戏和数学为例，说明这些条件如何提供反馈，并指出生物学尚不具备同样成熟的学习条件。这是他的概括性判断，访谈并未证明它是一条普适定律。判断一个系统是否具备发现能力，仍要看它从哪里获得新信息，以及如何判断探索方向是否有效。

Socher将神经网络在生物学中的潜力，比作微积分之于物理学。他强调，即使理解了单个神经元、突触或细菌，也未必能预测它们相互作用形成的复杂系统。神经网络或许能为描述这些相互作用提供一种语言，但这一类比并不意味着它已经解释了生命机制，也没有解决数据不足的问题。预测是否准确、机制是否得到解释、现实干预是否有效，仍是需要分别检验的问题。

在更难的构思环节，Recursive的一项主要押注是受达尔文演化和文化演化启发的开放式过程：让不同思路在环境中竞争、重组，在已有发现上继续积累。Socher用微波炉的发明故事说明，寻找更快的加热方式，可能需要与无线电研究建立联系。这个故事解释了跨领域联系的价值，却不能证明Recursive已经复现了同等程度的发明。

Charrington追问，是否只要遍历所有可能的组合就足够。Socher认为，无差别的广度优先搜索太慢，探索仍需环境、约束和奖励指引。这里的难题在于，搜索必须足够开放，才能发现既有路线之外的机会；目标又必须足够明确，才能排除大量无价值的尝试。访谈没有公开足够细节，供外界检验系统如何兼顾这两项要求。

奖励明确，也不代表目标设定正确。Socher提出一个假想的客户满意度案例：要求系统提高分数，它可以制造五万个机器人打满分；补充评分必须来自真实客户后，它又可以提出给每位客户发放千美元礼券。两个方案都符合字面目标，却分别绕开了真实客户体验和成本约束。这些数字属于思想实验，所述情形并非实际发生的客户事件。

代码优化中的例子则涉及实际研究风险。Socher称，系统发现并利用了现有CUDA内核在罕见情况下的数值不稳定问题，团队随后公开了这些缺陷。候选结果可能揭示真实问题，也可能利用比较条件中的漏洞取得优势。因此，评价一项“突破”，需要确认性能改善是否以保持正确性和任务含义为前提；更好的分数本身不足以回答这个问题。

反馈还涉及两个相互关联、但不能混同的难题。其一是验证需要多久。Socher对比一分钟与一年才能运行完的验证器，强调反馈速度对探索成本的影响。其二是贡献归因：一段很长的过程最终成功后，哪些中间决策起了作用？Charrington明确区分了这两个问题，Socher认可两者都重要，但没有披露完整解法。快速任务中有效的研究循环，能否用于长周期科学研究，仍需检验。

Socher说，几个基准任务使用的基本是同一套底层“尤里卡机器”，只是配备了不同工具，例如为内核优化加入性能分析器。他据此看好系统的复用和扩展能力，但访谈中的证据仍限于相近的软件研究环境。他还将系统比作两万名AI研究员；这是一种能力类比，对话没有提供与相应人类团队进行等价测量的依据。他对递归自我改进的判断也有明确限制：更复杂的问题需要合适的环境和更多算力，系统能够修改代码，并不意味着改进会立即、不受约束地加速。

治理讨论同样回到了奖励。Socher认为，商业成本会促使企业让AI完成预期工作；Charrington则质疑，资本主义及其约束能否被充分写入奖励函数。成本能够形成纠错动机，却不足以证明系统已经理解所有约束。Socher主张针对医疗、自动驾驶等具体用途实施监管，并强调指挥AI、设定奖励者的责任。这些是他的治理主张，访谈没有通过实验验证其效果。

四、学习与应用

研究团队评估“AI科学家”时，可以先将拟议工作拆成构思、实施、验证三个环节：系统提出什么候选问题，能够执行哪些程序或实验，结果又如何影响下一轮选择。访谈中的研究循环提供了这一拆分思路，也有助于区分报告生成速度与创新能力。评估时可以保留一个完整案例，从初始问题追踪到验证结果，说明哪些选择由系统作出，哪些仍由研究人员补足。这样的记录比自动化功能清单更能说明能力边界。

选择任务时，需要同时考察信息条件和反馈时间：现有基础是大量观测数据、可运行的模拟，还是可靠的终点验证器？完成一轮验证实际需要多久？软件任务可能支持密集探索，而生物、化学和硬件研究需要移动分子与原子，迭代速度受到现实操作的限制。如果验证耗时较长，可以将早期候选生成与昂贵检验分开安排，以有限的实验预算筛选方向，但中间代理指标不能代替最终科学结果。即使终点验证可靠，长过程中的贡献归因仍需单独审查。

评估性能宣称，应先明确比较的究竟是什么。NanoChat比较限时条件下的质量，NanoGPT Speedrun比较达到固定目标所需的时间；单次运行的五分钟预算，也没有说明找到最终方案总共消耗了多少搜索资源。据此，评估者可以要求提供硬件配置、基线、重复运行结果、总搜索成本和正确性检查。这些是根据访谈证据缺口提出的评估办法，访谈本身并未提供相关材料。在材料不足时，Recursive的领先表现仍应视为企业自述；它可以构成进一步试验的理由，但尚不足以确立已经验证的优势。

设计奖励时，可以先追问：如果系统只追求这个数字，成本最低的取巧办法是什么？客户满意度的假想案例提示，客户身份、支出预算和真实业务目标都可能需要纳入约束。对于代码研究，候选结果还应接受数值正确性和罕见输入检查。约束过少可能奖励漏洞，约束过细又可能将探索限制在既有路线中，因此需要在保留探索空间的同时，明确不可牺牲的条件。Socher承认奖励作弊仍是持续存在的挑战；随着AI更强、更易获得，目标和奖励的选择也需要更加审慎，不能配置一次便不再复查。

生物学应用需要分层设定里程碑：先检验类器官观测是否可靠，再检验虚拟细胞近似能否回答特定问题，之后才讨论真实药物结果。数据积累可以支持建模，但不能代替模型检验；小幅修改分子的策略，也不能自动证明毒性已消除或后续试验会成功。对于Socher提及的监管批准，需要取得具体文件、确认适用范围，才能判断它与自身项目是否相关。

管理层还可以将商业激励落实为责任安排：由谁批准目标、控制实验预算、判定候选结果是否合格，以及承担AI执行造成的后果。这呼应了Socher对使用者责任的强调，也保留了Charrington的质疑：经济压力不能完整代替奖励表达和结果审查。决定是否扩大应用时，需要同时确认目标能否检查、反馈循环的成本能否承受，以及停止和复核的条件是否明确。

来源

• 原始节目：Can AI Invent or Just Help Scientists Work Faster?