“如果我说错了，你们也要理解你们校长，很多研究工作已经没有意义。”
10月9日，清华大学一场由学生AI4S协会发起的论坛上，校长李路明收起了致辞的客气，露出学者的直率。他补了一句：一定要清醒地认识到这一点，要真正做有意义的研究，不要再浪费自己的时间。
这场论坛没有IPO，没有估值，没有退出周期。到场的诺奖得主、院士和多个学科的教授，谈的是一篇篇学术报告、一页页实验数据，以及那些尚未解决的科学问题。
在李路明看来，未来的科学家不会只是操作仪器或进行合成的人。他们将越来越多地成为这样的人：提出重要问题、界定目标、评估证据、识别意外发现、连接不同领域的知识，并决定哪个方向值得探索。
10的3000次方种可能，直觉不够用了
诺奖得主奥马尔·亚吉教授面对的，是一个几乎无法穷尽的材料世界。他的研究领域是网状化学，通过调控构筑单元的组成和几何构型，构造不同的网状材料。亚吉估算，他讨论的网状材料化学空间可以达到10的3000次方。
“我们永远不可能把它们全部制造出来，甚至不可能全部计算一遍。”
他把问题留给了台下的年轻人，也留给自己：什么值得选择？
“我们一直都在做选择：选择研究哪个问题、开展哪项实验，以及跟进哪一个意外观察。但这些选择，很大程度上依赖直觉。直觉可以很有力量，但它也可能带有偏见，可能不完整，也可能是错的。”
“当你面对十种可能性时，直觉或许能帮助你走得很远；但当你面对的是10的3000次方种可能性时，直觉就不够用了。”
他因此提出“选择科学”（Selection Science），研究当可能性远远超过探索能力时，什么值得追求，以及下一步应该做什么。
这种选择正在进入实验室。在清华建立的研究机构中，亚吉的团队正在建设一个自主运行的实验室：人工智能提出材料方案，机器人系统合成并表征这些材料，实验产生可靠的数据，结果反馈到模型中，再由系统决定下一步应该开展什么实验。
这样的体系将分布在各个科研实力雄厚的国家和地区，如意大利、西班牙、英国、北美和新加坡。亚吉进一步设想：三十个这样的研究机构彼此连接，不断获取可靠数据，输入人工智能模型，这样的模型有望成为世界上最好的模型，并推动科学进步。
在他的设想中，实验室需要关心的也不再只是完成了多少次实验。他提出一个更值得追问的问题：“这次实验，是否让下一次实验变得更好？”
数据要可行，更要可信
几支团队的报告，都花了不少篇幅讲基础数据库。
北京大学肿瘤医院副主任医师高翔宇长期从事胃癌研究。他直言：包括我所有的学生，包括我们现在做肿瘤的同事，大家都在用一个很重要的数据库——美国的TCGA，这个数据库从上世纪90年代开始建以后，到现在依然每一天都在被使用。
据他在报告中的介绍，全球每年约有100万例胃癌新发病例，其中约40万例发生在中国。“这是我们中国自己的癌症，需要我们自己去研究。”
但他认为，国外数据库未必能充分反映中国患者的病情。他以TCGA于2014年在Nature上发表的胃癌分子分型研究为例：研究将胃癌分为四种分子亚型，真正能够指导治疗的，可能主要是MSI-H这一部分患者。
高翔宇用照片解释现有数据的局限：“现在的数据库呢，大多数是一个单点，我把它叫做snapshot，比如我今天照了一个相，在这个时刻就是这个样子，但是今天这个时刻和明天这个时刻也许就不一样了。”
患者接受治疗，病情随之变化，之后还可能经历复发、再次治疗。只留下一次检查的数据，研究者就难以看清这个过程。他因此强调“全程化的多点取样”，并提出“一人一档”，将临床信息、影像与文本、多组学数据以及随访记录关联起来。
清华大学工程力学系教授、固体力学研究所所长徐志平，一开始就说出了自己的关注：“一个是可行，一个是可信。”
他举了蠕变实验的例子。材料在高温下的长期表现，可能需要几年甚至几十年的实验才能观察。如果要判断一座核电站的寿命能否延长，研究者无法等几十年之后再给答案。“但是核电站100年之后的事情怎么知道？”
一种做法是提高实验温度，让变化更快发生，再寻找不同温度之间的物理对应关系。“你可以做一个很短的高温实验，把数据用到这个低温的很长时间里面去。”
同样的思路也用于连接简单体系与复杂体系：先在简单体系中构造大量物理上合理的数据，让模型学习其中的关系，再用于更复杂的结构，随着体系逐步扩展，建立起一条“物理传递”的链。
对于机器学习生成的数据，徐志平提醒，生成数据的视觉相似性，并不能保证其物理合理性。他在报告中展示了两幅细胞图像：一幅来自实验，另一幅由模型生成。“生成的数据似乎是希望它长得很像，但是好像又不那么像。”
他把评价分成两件事：从简单体系能推到什么程度，数据是否足够，是可行性；推出来的结果与最终结果相差多远，是可信性。
最该提前识别的异常，恰恰难以采集
来自中国石化的孙丽丽院士，谈数据库时提醒：“数据误差会沿着链条逐级地去放大，越靠下游，可能这个问题会越严重。”
她讲的是数据进入工程后的用途。工艺设计依据的数据有偏差，可能影响传热等过程的计算，继而带来更高的投资、能耗和排放；对于高温高压、易燃易爆的石化装置，偏差最终可能牵涉事故风险。
孙丽丽指出，大型工程装置年复一年运行，数据按道理是在不断积累，但今天、明天、年初、年末等许多记录，反映的都是相近的正常状态。而工程人员希望做到的是，“哪些指标稍微有变化，我就知道这个问题在哪”——在异常继续发展之前识别问题。
“谁能让装置在爆炸的边界上去运行一下？”她反问，“高温高压，易燃易爆，那可能要出事了，对不对？”
那些最需要提前识别的异常数据，恰恰难以直接采集。孙丽丽介绍，团队在生产操作的预测预警工作中，用仿真构造数据，补充工业装置和实验中难以取得的信息。她提出的数据库建设路径还包括整合已有数据、定向补测，以及使用AI生成数据。
补进来的数据也不能直接混在一起使用。现场的报告中，都强调了为数据建立可信的评价机制。
听完这些报告，让人记住的反而是几件让研究慢下来的事：继续随访一个病人，检查一次预测的依据，确认一条数据能用在哪里。
2019年公布的“哈勃遗产场”，汇集了不同团队16年间近7500次曝光。研究者把分散的观测统一整理，拼出一幅包含约26.5万个星系的宇宙图景，也把这些数据留给了后来的研究者。
AI正在让许多研究变快。而那些值得被反复使用的数据，仍需要有人一次次观测、核验，留给下一个提出问题的人。