如果這是未來(lái)的生物學(xué)實(shí)驗室，那么它看起來(lái)與今天的實(shí)驗室似乎并沒(méi)有什么不同。穿著(zhù)白大褂的科學(xué)家拿著(zhù)盛有冷凍玻璃管的箱子走過(guò)，架子上的化學(xué)物質(zhì)——純酒精瓶、糖罐、蛋白質(zhì)和鹽是培養和調節微生物的標準物件。如果不是耳朵聽(tīng)到的機械聲音，你可能根本不會(huì )注意到這里的機器人：它們在風(fēng)扇的低嘯中像蟋蟀一樣彼此哼唱著(zhù)。

　　這些機器人為生物技術(shù)公司Zymergen工作，這家公司在2014年搬遷到美加州舊金山東海岸一家原電子工廠(chǎng)所在地。這些機器人整日都在進(jìn)行微生物實(shí)驗，尋找增加有用化學(xué)物質(zhì)產(chǎn)量的方式。這是一個(gè)叫作“回聲”的機器人：它位于一堆雜亂的設備中間，一只機械臂抓住一個(gè)塑料模塊，模塊上有數百個(gè)細微孔徑，其中盛著(zhù)液體。一束激光掃描了模塊旁的一個(gè)條形碼，然后“回聲”將其運到一個(gè)托盤(pán)上。下一步發(fā)生的過(guò)程及其細微，用肉眼難以觀(guān)察到。

　　“這并非是人們如何動(dòng)手用吸移管吸移液體的復制品。”該公司共同創(chuàng )始人之一、分子生物學(xué)家兼操作及工程副總裁JedDean說(shuō)，“這是以完全不同的方式在執行這件事。”機器人無(wú)須用吸移管吸收并將數毫升的液體注入到每個(gè)孔中（在細胞層面液體量的漲落），且并不會(huì )碰觸它。相反，一束聲波脈沖會(huì )以每秒鐘500次的頻率讓液體自己泛起漣漪，并形成比人類(lèi)可轉移的液體量小1000倍的液滴。

　　實(shí)際上，這些并沒(méi)有真正未來(lái)主義的部分。大型生物實(shí)驗室使用機器人和條形碼已有多年。即便是被稱(chēng)作“聲微滴噴射”的液體去除技術(shù)也已經(jīng)存在了數十年。當Dean被問(wèn)到這臺機器人通過(guò)什么在做實(shí)驗時(shí)，他才透露了一點(diǎn)真相。實(shí)際上，這是一個(gè)計算機程序輸出。

　　“我想要說(shuō)清楚的是，這個(gè)過(guò)程中有一位人類(lèi)科學(xué)家在了解結果和現實(shí)，并核查它們。”Zymergen執行總裁JoshuaHoffman解釋說(shuō)。他表示，對于解釋數據、生成推論以及計劃實(shí)驗來(lái)說(shuō)，其終極目標是“擺脫人類(lèi)的主觀(guān)直覺(jué)思維”。

　　Zymergen是若干家擁有相同目標的公司之一：利用人工智能（AI）增加或替代科學(xué)過(guò)程中的人類(lèi)角色。人們用“AI驅動(dòng)的生物技術(shù)”來(lái)描述這一過(guò)程，但Zymergen共同創(chuàng )始人對這一說(shuō)法表示擔憂(yōu)。“‘AI’聽(tīng)起來(lái)像是機器人在下象棋。”該公司首席技術(shù)官AaronKimball說(shuō)，“我覺(jué)得‘ML’讓人更加舒服。”Hoffman說(shuō)，ML指的是機器學(xué)習，即可以解釋最近幾乎所有AI進(jìn)展的計算科學(xué)的分支。“這正是我們正在做的。”

　　自動(dòng)化發(fā)現

　　科學(xué)是一個(gè)序列。日復一日的實(shí)驗室工作與工廠(chǎng)工作是如此不同。論文來(lái)了，啟發(fā)新的實(shí)驗，然后產(chǎn)生新的發(fā)現，結果又產(chǎn)生新的論文。如此循環(huán)。各種各樣的公司和研究機構正在拓展基于機器人和AI的工具，以增強甚至替代這個(gè)過(guò)程的每個(gè)步驟中人類(lèi)的角色。

　　Zymergen實(shí)際上做的是調節可用于生物質(zhì)燃料、塑料或藥物的產(chǎn)業(yè)微生物。為了提高產(chǎn)量，一些公司將它們的菌株送到Zymergen。那里的機器人于是便探索和修復每個(gè)微生物的基因組，從而設計出一個(gè)使其合成產(chǎn)物更加高效的菌株版本。

　　Hoffman表示，問(wèn)題在于被送到Zymergen的微生物已經(jīng)“高度優(yōu)化”。經(jīng)過(guò)數年的研究育種之后，這些細胞非常擅長(cháng)發(fā)揮自己的功能。因此，“擠”出更多的效率需要深入探索其基因組、開(kāi)展實(shí)驗以及跟蹤相關(guān)數據，進(jìn)行科學(xué)研究。

　　Zymergen正在設法加速這一科學(xué)過(guò)程。在傳統生物學(xué)中，Hoffman表示，“需要一個(gè)人站在工作臺前測試有限數量的假設?？赡苊吭驴蓽y試10個(gè)假設。”而機器人可以用更快的速度完成這一過(guò)程，Zymergen的機器人每周可以進(jìn)行多達1000個(gè)實(shí)驗。但機器人只能遵循指令：給它們正確的指令是真正的瓶頸所在。

　　當被問(wèn)這個(gè)算式如何設計實(shí)驗時(shí)，Kimball提到了一個(gè)簡(jiǎn)單的前提。“比如說(shuō)你得到了約5000個(gè)基因的原始微生物，而你改變每個(gè)基因的方式有10種，這就意味著(zhù)你要做5萬(wàn)個(gè)實(shí)驗。”他說(shuō)，實(shí)驗“活動(dòng)”從制作1000個(gè)菌株開(kāi)始，每個(gè)菌株都有一個(gè)特定的突變。“每個(gè)菌株都生活在一個(gè)液滴中。你給它喂糖，然后讓它烹飪一會(huì )，接下來(lái)是測量獲得了多少產(chǎn)物。”可能有25個(gè)菌株會(huì )產(chǎn)生略多一些的靶標化學(xué)物質(zhì)。這些菌株將會(huì )成為下一輪實(shí)驗的良種，而其余的則會(huì )進(jìn)入冷凍倉。

　　機器人定位

　　這一發(fā)現之路絕非坦途。Kimball說(shuō)，找到適當的突變結合體需要漫長(cháng)而艱難的基因“地形”探索之旅。如果只是盲目地朝著(zhù)效率巔峰走，可能永遠不會(huì )到達主峰頂點(diǎn)。這是因為如果只是把所有產(chǎn)生小提升的突變結合到一個(gè)微生物中，它們加起來(lái)可能并不能形成一次大收獲。他表示，相反，微生物會(huì )“生病”，它們會(huì )比原來(lái)的菌株性能差得更遠。因此，選擇正確的道路，包括繞道進(jìn)入更有潛力的谷地，也需要一張地圖從而一次性地展示所有突變效應，這張圖不是3個(gè)維度，而是數千個(gè)。因此就需要機器學(xué)習確定方位。

　　這是關(guān)鍵的差異：當機器人最終發(fā)現能夠提高化學(xué)物質(zhì)產(chǎn)量的基因變化時(shí)，它們并不知道其效應背后的生物化學(xué)線(xiàn)索。

　　那么，如果機器人實(shí)驗并不能加深人們對生物學(xué)工作的了解，它是真的科學(xué)嗎？對于Kimball來(lái)說(shuō)，這樣的哲學(xué)界點(diǎn)可能并不重要。“我們是因為它的工作而得到了收益，并不是因為了解其中的原因而得到了收益。”

　　到目前為止，Hoffman說(shuō)，Zymergen的機器人實(shí)驗室已經(jīng)將制作化學(xué)物質(zhì)的微生物的效率提高了10%以上。這樣的增加聽(tīng)起來(lái)可能不多，但在每年依賴(lài)微生物發(fā)酵達到1600億美元的化學(xué)產(chǎn)業(yè)內，一小部分的提升也可以轉化為更多的資金，甚至比美國國家科學(xué)基金會(huì )每年70億美元的預算更多。

　　而機器人發(fā)現的先進(jìn)遺傳變異代表著(zhù)真正的發(fā)現，這些可能是人類(lèi)科學(xué)家并未發(fā)現的變異。大多數提高產(chǎn)量的基因并未直接與合成想要的化學(xué)物質(zhì)相關(guān)，例如，其中一半并沒(méi)有為人所知的功能。“我已經(jīng)在若干不同微生物中發(fā)現了這種模式。”Dean說(shuō)。不用機器學(xué)習找到正確的遺傳變異就像嘗試打開(kāi)一個(gè)刻度盤(pán)上標著(zhù)數千個(gè)數字的保險箱。“人類(lèi)的直覺(jué)很容易被這種復雜性壓倒。”他說(shuō)。

　　計算機作者？

　　如果機器真的已經(jīng)準備好替代人類(lèi)執行一些科學(xué)任務(wù)，很多科學(xué)家將會(huì )擁抱它們。不像工廠(chǎng)工人或是出租車(chē)司機，大多數實(shí)驗科學(xué)家會(huì )很歡迎讓他們的部分工作自動(dòng)化。在分子和細胞生物學(xué)領(lǐng)域尤其如此，因為其中的手工勞動(dòng)如噴射液體、電鍍細胞、計數菌落等都非常繁雜且成本高昂。一名研究生最細微的錯誤或不精確性都會(huì )浪費數周甚至數月的工作。

　　然而，也有一些生物學(xué)家提出了支持AI解釋數據和設計實(shí)驗的一些不足之處。“我們發(fā)現目前的機器學(xué)習方法并不能勝任這一任務(wù)。”加州斯坦福大學(xué)計算生化學(xué)家RhijuDas說(shuō)，他研究的是分子如何折疊從而設計新的藥物。“與獲得同樣數據的人類(lèi)相比，它們在RNA設計問(wèn)題上嚴重落后于人類(lèi)。”盡管他并不知道這是為什么，但含有“設計”類(lèi)的任務(wù)似乎需要人類(lèi)的直覺(jué)?？赡躗ymergen正巧碰到了非常適應計算機控制的實(shí)驗的生物學(xué)部分。

　　即便AI控制的研究能夠起作用，人類(lèi)是否會(huì )理解計算機發(fā)現了什么？其結果背后的計算仍是一個(gè)“黑匣子”。“一個(gè)令人困惑的可能性是我們正在接近‘可理解的’科學(xué)時(shí)代。”賓夕法尼亞州匹茲堡卡耐基·梅隆大學(xué)計算生物學(xué)家、與分子生物學(xué)家一起工作的AdrienTreuille說(shuō)。研究人員可能不僅會(huì )依賴(lài)計算機做科學(xué)，還包括解釋科學(xué)：一些生物學(xué)理論證據如此復雜，接受它將需要對計算機抱有信心。

　　在這種情況下，科學(xué)家是否應該將其計算機作為論文的共同作者？“我不會(huì )這么做。”波士頓將AI應用于科學(xué)發(fā)現的一家公司Nutonian的首席執行官MichaelSchmidt說(shuō)。但他隨后表示：“當計算機能夠閱讀并理解論文的意思之后，它們自己就可以成為作者。”