FT50顶刊:AI也能生成假设啦!

新闻

作者：微信文章
多伦多大学Ajay Agrawal，高威大学John McHale，佐治亚理工学院Alexander Oettl在Research Policy 发表论文“Artificial intelligence and scientific discovery: a model of prioritized search”（《人工智能与科学发现：一种优先搜索模型》），文章揭示了AI通过优化假设生成和测试的协同作用，能显著提升科学发现效率，但需政策干预解决互补性瓶颈和数据共享问题！摘要：

内容简介：
本文构建了一个创新过程的模型，重点探讨预测模型在复杂组合设计空间中的优先搜索机制及其对科学发现的影响。研究将假设生成视为对庞大组合空间的预测行为，传统上依赖理论或直觉指导搜索，而人工智能（AI）通过提供更高保真度的预测模型逐渐成为替代或补充工具。模型基于韦茨曼序贯搜索框架，将预测模型的排序输出转化为风险函数，并利用离散生存分析量化创新概率、搜索时长和预期收益等核心指标。

研究表明，当AI生成的预测质量优于传统方法时，能显著提高创新成功率、缩短搜索周期并增加收益。但这一优势的实现依赖于假设测试环节的协同优化。模型进一步揭示了假设生成与测试之间的互补关系：AI提升预测能力会增强对测试能力的投资激励，而测试能力的扩充反过来促进更高效的AI预测，形成良性循环。然而，市场可能陷入"低速并行测试"的均衡状态，此时需政策干预推动向更优的"高速序贯测试"范式转变。

文章延伸讨论了AI作为"发明方法的技术"（meta-GPT）的独特属性，其通过改变知识生产函数可能产生超越传统通用技术的经济影响。研究指出数据共享和失败案例公开对提升预测模型的关键作用，同时警示基础模型同质化可能引发的系统性风险。最后提出"哈萨比斯假说"的核心命题：在满足组合空间大、目标函数明确、数据充足且现有预测模型效能低下四个条件时，AI将显著加速科学发现。该假说通过AlphaFold等案例获得初步验证，但其普适性仍需更多实证检验。研究为理解AI驱动的创新机制提供了理论框架，并对科研政策制定具有启示意义。

参考来源：

Agrawal, A., McHale, J., & Oettl, A. (2024). Artificial intelligence and scientific discovery: A model of prioritized search. Research Policy, 53(5), 104989.