让我们拨开噪音。是的，人工智能可以写电子邮件和生成平庸的代码。是的，它使插画家和初级程序员处境艰难。但如果你只看到这些，那你就找错了地方。真正变革性的人工智能工作不是在ChatGPT的文本框中发生的。它发生在实验室、医院和研究中心，科学家们利用机器学习破解了困扰人类数十年的难题。 从AlphaFold2开始，这是一款由DeepMind开发的蛋白质结构预测系统。在2020年，它以惊人的准确度解决了生物学上一个持续了50年的重大挑战，即从氨基酸序列预测蛋白质如何折叠。蛋白质数据银行包含约19万个通过实验确定的蛋白质结构，这些结构经过了几十年的积累。自那以后，AlphaFold预测了超过2亿种蛋白质的结构，实际上绘制了整个蛋白质宇宙。这不是递进的进步，而是质变。药物发现过去需要几年的晶体学工作，现在在几个小时内就能完成。加州大学旧金山分校的研究人员利用AlphaFold在几个月内识别出一种新的癌症药物候选者，而不是以前需要的几年。根据欧洲分子生物学实验室的报告，截至2024年，AlphaFold已在超过一万篇科学论文中被引用，其应用涵盖疟疾疫苗、塑料降解酶和作物抗逆性。 天气预报代表了另一个真正的突破。谷歌DeepMind的GraphCast及类似的AI模型现在在中期预测上超过了传统基于物理的预测。欧洲中期天气预报中心（ECMWF）在2023年确认GraphCast在90%的大气变量上优于他们的黄金标准模型，同时运行速度提升1000倍。在2023年10月飓风奥蒂斯迅速增强并袭击阿卡普尔科之前，AI模型比传统预测提前48小时发现了危险。这不仅令人印象深刻，而且是救命的。世界气象组织估计，改进的早期预警每年可防止2.3万人死于极端天气事件。AI模型可以在不到一分钟内在单台机器上运行，将先进的预测民主化，使负担不起超级计算机的国家受益。 材料科学正在经历类似的革命。材料项目和类似的计划利用机器学习预测数百万种假想化合物的性质。劳伦斯伯克利国家实验室的研究人员在2023年通过AI筛选发现了18种有前途的新型电池材料，这一过程使用传统方法需要几十年。微软和太平洋西北国家实验室利用人工智能识别出一种新电解质材料，可减少多达70%的电池锂用量，选择3200万种候选材料并在九个月内合成。传统材料发现从概念到商业化需要10到20年。对于某些应用，AI将这一时间缩短到两年以内。 医疗诊断可能显示出最直接的现实影响。人工智能系统在检测乳腺癌、肺结节和糖尿病视网膜病方面与专家放射科医生相媲美或超越。2024年《柳叶刀》的一项研究发现，与单个人工读者评估相比，AI系统在英国NHS筛查计划中将漏诊的乳腺癌减少了20%。谷歌健康的AI在CT扫描上检测肺癌的假阳性率减少了5%，假阴性率减少了11%与放射科医生相比。在眼科，AI筛查糖尿病视网膜病自2018年以来已获得FDA批准，并在印度和泰国部署，已在缺乏专业人员的偏远地区为超过25万名患者进行筛查。这不是在替代医生，而是在分诊大量患者并捕捉到过载的人类系统无法检测到的病例。 同样重要但不太引人注目的胜利来自于优化问题。DeepMind的AI在2016年将谷歌的数据中心冷却成本降低了40%，相似的系统现在管理着能源网、交通流量和供应链。鹿特丹港使用AI优化集装箱放置和减少船只周转时间20%。UPS通过AI路线优化每年节省1000万加仑汽油。这些不是吸引眼球的新闻，但代表了数十亿的效率提升和可衡量的碳减排。国际能源机构估计，AI优化的能源系统到2030年可减少全球二氧化碳排放4%，相当于减少24亿辆汽车。 现在是现实检验。大多数这些突破具有共同特征：它们解决了数据量庞大、成功指标明确且专家验证的问题。它们不要求AI理解上下文、文化或常识。蛋白质折叠是确定性物理学。天气是混乱的，但受已知方程控制。医学成像有活检的真相依据。这些领域中，超级人类规模的模式识别创造了真正的价值。当我们期望AI解决诸如内容审核、招聘决策或创意策略等模糊的人类问题时，炒作就会崩溃，这些问题的成功是主观的，数据集被偏见污染。 但有趣的是，一旦征服了干净、结构化的数据集，下一个前沿是复杂、多模态问题，需要连接不同的数据源。海洋科学正淹没在未开发的潜力中。我们有几十年的卫星影像、声纳映射、温度传感器、海洋生物观察和航运交通数据，没有人把这些数据真正整合起来。AI可以预测珊瑚白化事件、优化捕捞配额以防止崩溃，实时追踪非法捕鱼，并建模海洋酸化的级联效应。伍兹霍尔海洋研究所和斯克利普斯海洋研究所拥有可能变革海洋保护的PB级数据，如果有人构建正确的模型。 考古和历史数据集是另一个金矿。地面渗透雷达、LiDAR调查、卫星影像和数字化的历史记录可帮助AI识别未发现的考古遗址、预测文物可能的埋藏地点，并重建古代贸易网络。剑桥大学的研究人员在2023年利用卫星数据上的机器学习发现了500个之前未知的玛雅遗址。将这种方法扩大到全球，那我们谈论的是重写人类历史。卢浮宫、大英博物馆和史密森尼博物馆有数百万个数字化的文物，这些文物的元数据不一致，人工智能可以组织，揭示人类无法发现的文化交流和技术传播的模式。 媒体档案正在失去价值，因为没有人能正确搜索它们。BBC拥有1400万小时的广播内容，始于1920年代。美联社有2500万张历史照片。《纽约时报》有170年的文章，超过1500万篇。CBS新闻有10万小时的原始影片，记录了自1968年以来的每场重大事件。目前，这些东西基本上被锁定，因为元数据一团糟，几十年来不一致，或者干脆缺失。你想找到每个政客在镜头前自相矛盾的时刻？用现有的搜索不可能。想追踪自1950年以来移民报道是如何演变的？祝你好运，手动查看70年的档案。 人工智能可以一夜之间解决这个问题。视频理解模型现在可以转录语音、识别人脸、识别位置、检测情感，并以合理的准确性标记对象。应用到广播档案中，你可以基于视觉内容搜索，而不仅仅是关键词。路透社和Getty Images开始使用AI标记新内容，但没有人在大规模上对历史内容进行改造。这个价值是惊人的：记者可以立即找到相关的B-roll，事实核查员可以通过历史影像验证声称，研究人员可以定量研究媒体偏见的演变。Netflix和Disney已经在使用AI标记他们的库，以改善推荐。新闻组织可以在保留新闻背景的同时做到这一点。 版权诉讼数据集同样令人着迷。每个法院文件、每个版权主张、每个自1790年以来在美国版权局提交的移除通知理论上都是公共记录。那是230年的谁声称了什么、何时以及为何。AI可以绘制创作作品的完整谱系，跟踪合理使用标准如何演变，预测基于先例的新主张将成功或失败。互联网档案馆正在数字化数百万进入公共领域的作品，但没有AI分析，我们无法有效地确定哪些是真的进入公众领域，而哪些是被权利持有人虚假宣称的。斯坦福大学的版权续期数据库揭露了1964年之前书籍的一些信息，但我们需要其应用于音乐、电影、照片和软件。 社交媒体内容审核数据代表一个更阴暗但同样必需的数据集。Facebook每月删除2000万条违反社区标准的内容。YouTube每季度移除600万视频。Twitter（现为X）在2023年因恐怖主义内容暂停120万个账户。每个决策理论上都有背景：违反了什么规则，谁报告了，申诉后发生了什么。那些数据可以训练出真正细腻的审核系统，而不是今天那种通过禁止乳腺癌幸存者的医学照片同时忽略真正有害内容的钝器。但平台将此视为专有技术，阻止对有效性的独立研究。通过法规迫使透明可以使人工智能系统理解上下文而不是仅仅标记关键词和肤色。 城市规划迫切需要这种处理。城市从交通摄像头、空气质量传感器、犯罪报告、财产记录、公用事业使用和人口变化中生成大量数据，但没有人建立系统来整合所有这些数据以优化划分，预测绅士化，或分配社会服务。巴塞罗那的超级街区项目使用有限的AI优化减少了27%的交通事故，同时增加了绿色空间。想象一下，在数百个变量上在整个城市应用这一点。新加坡的虚拟新加坡项目正在尝试这一点，但大多数城市缺乏技术能力。数据存在，政治意愿却缺失。 生态系统建模可以防止下一次大流行。我们有基因组数据库、动物迁徙模式、气候数据、森林砍伐率和疾病爆发历史。集成这些的AI模型可以预测人畜共患病事件发生前。生态健康联盟和全球病毒项目正在野生动物中测序病毒，但能够将病毒进化与环境变化和人类入侵联系起来的预测模型几乎不存在。COVID-19大流行全球损失16万亿美元。在AI驱动的大流行预测上花费100亿美元将是世纪之约。 农业革命才刚刚开始。农民从土壤传感器、卫星图像、天气模式、作物遗传和害虫种群中生成庞大的数据集，但当前AI应用仍很原始。我们可以在田间精确水平优化作物轮作，提前几周预测害虫暴发，以一半的时间培育抗气候品种，并减少40%化肥使用同时增加产量。联合国粮食及农业组织估计我们须在2050年前增加70%粮食产量以养活100亿人。AI结合农业数据集实际上可以做到这一点而不破坏剩下的土壤和含水层。