John Platt谈AI如何加速科学发现
一位“提前二十年”的科学家
John Platt 的履历相当少见：他曾获得奥斯卡奖，提出过机器学习教材中常见的算法，包括 Platt scaling 和序列最小优化（SMO），还有两颗以相关命名的小行星。他的研究经历横跨卷积神经网络、核聚变、量子计算、机器学习和计算科学。
他的同事 Dave Bacon 曾打趣说，Platt 的职业生涯总是“比下一个大趋势早二十年”。这次讨论的核心，是他和团队如何用 AI 与计算方法处理科学问题，尤其是 Google 的 Empirical Research Assistance（ERA）系统、气候变化建模，以及未来科学家的角色。
ERA：把科学问题转化为“可评分任务”
Platt 团队在多年研究中发现，许多科学问题可以被抽象为一种“可评分任务”：
- 先定义一个评分函数；
- 再寻找能最大化评分的代码或方法。
真正困难的部分往往是设计评分函数。一旦评分函数确定，寻找最优解仍然可能需要大量实验和工程工作。
ERA 的想法来自一种“自动 Kaggle”式系统：如果一个问题能被组织成类似机器学习竞赛的形式，AI 是否可以自动探索、迭代并改进方案？
ERA 的概念并不复杂：
- 大语言模型持续维护一棵实验树，每个节点可以理解为一个实验笔记本；
- 系统记录过去实验的结果，以及每条分支可能的发展方向；
- 每轮迭代中，算法会根据类似“上置信界”（Upper Confidence Bound）的规则选择值得继续探索的实验；
- 这种策略不是单纯贪婪地选择当前最优项，也会给次优但有潜力的方向机会；
- 模型随后为这些实验提出多个变体；
- 不同分支之间会共享历史信息，使系统能从整体实验过程中学习。
Platt 将这种系统形容为“一个极其积极、从不睡觉的研究生”。
进化算法早在 20 世纪 70 年代就已出现，但 Platt 认为，今天这类系统之所以更有用，是因为大语言模型具备了一定的领域知识，能够更有方向地提出修改方案。文章提到，从 Gemini 2.0 到 Gemini 2.5 之间，相关能力出现了明显跃迁，使 ERA 从“不太能用”变成“效果很好”。
强大的工具也可能误导研究者
ERA 能产生预测模型，但 Platt 强调，科学家仍需判断这些模型是否真正具备描述能力。换言之，AI 可以帮你找到模式，但不能自动保证这些模式就是科学解释。
他用一个很直接的比喻提醒使用者：这是一个电动工具，既强大，也可能“割到手指”。
一个典型例子来自飞机凝结尾迹识别竞赛。参赛者发现标签中存在半个像素的偏差问题：像素原点究竟是在角落还是中心？这一细节成为获胜方案的一部分。它有助于赢得比赛奖金，但未必真正帮助解决凝结尾迹带来的气候问题。
这也呼应了 Goodhart 定律：当一个指标成为目标，它就不再是一个好指标。Platt 指出，不只是大语言模型会“奖励黑客”，人类在竞赛环境中也会这样做。
他的实用建议很朴素：一开始总是先做线性回归，或者支持向量机。先用简单模型建立基线，不要急着堆复杂方法。
用 AI 应对气候变化：从飞机尾迹到火灾卫星
Platt 团队长期关注气候变化相关问题，其中一个案例是减少飞机凝结尾迹的影响。
飞机后方常见的白色尾迹，来自大气中特定区域的冰过饱和状态。少量排放物会促使水汽迅速结晶。文章提到，一个数量级惊人的事实：1 克排放物可能导致约 10 千克冰晶形成。
这些冰晶尾迹可能持续数天，在红外波段表现得像“热毯”，白天和夜晚都会影响热量逸散。有研究认为，飞机凝结尾迹约占人类导致全球变暖影响的 1%。
从原理上看，减少这类尾迹似乎并不复杂：如果知道哪些大气区域更容易产生尾迹，让飞机下降一两个飞行高度层即可。但真正困难的是量化“避免了多少变暖”。这是一个反事实问题：如果飞机没有改变航线，原本会发生什么？
Platt 团队已有关于尾迹困热效应的模型，但在反射阳光部分长期未能解决。文章称，ERA 帮助他们找到一个包含先前未充分考虑混杂因素的简单模型，从而推进了该问题。
另一个案例是 FireSat：利用卫星星座快速识别早期火情。如果火灾还只有房间大小，扑灭难度远低于发展到一英亩乃至更大规模之后。对干旱年份的加州等地区来说，这类能力具有现实意义。
气候建模为什么困难
Platt 将天气与气候的区别描述为：天气是你在吸引子上的具体位置，而气候是这个吸引子的统计特征。问题在于，人类活动正在改变吸引子本身。
这意味着气候建模不仅要处理复杂系统，还要处理一个正在移动的复杂系统。对于 AI 和计算模型而言，这比单纯预测短期天气更困难。
AI时代，科学家还需要什么能力？
Platt 的经历横跨从“几乎没有算力”的时代到今天的大模型时代。他曾在 1982 年参加 Richard Feynman 关于计算物理的课程。当时量子计算仍是概念模糊、缺乏理论与实验基础的前沿想法。
面对今天的 AI 工具，Platt 给年轻研究者的建议不是“把一切都自动化”，而是培养深厚的领域能力。
他认为，判断力来自亲自处理困难问题。即使有强大的工具，也应当花时间用传统方式做事，亲手实现一些东西，理解工具背后的机制。
他用登山作比喻：你可以开车上山，也可以徒步上山。偶尔徒步不仅可以接受，甚至可能很有趣。
在他看来，未来科学家仍会有位置，而且 AI 可能释放出更多空间，让人类投入到创造性工作、严谨思考和哲学层面的问题中。但前提是，不要完全放弃基础劳动和细节训练。
不要欺骗自己
Platt 最后强调的原则，来自 Feynman 多年前的提醒：你不能欺骗自己，而你自己正是最容易被欺骗的人。
这句话对于 AI 辅助科学尤其重要。ERA 这类系统能够加速实验、扩大搜索空间、发现研究者忽略的变量，但它不能替代科学判断。指标可能被优化，数据可能被过拟合，模型也可能给出看似合理但缺乏真实解释力的答案。
AI 正在成为科学研究的强力工具，但科学发现仍需要人类提出好问题、定义好指标，并持续警惕自己被结果误导。