在科技日新月异的今天，人工智能（AI）的发展速度令人瞠目。然而，尽管AI的强大模型为我们带来了许多便利，但其内部的运作原理却一直是个谜。这个被称为“黑匣子”的问题，一直困扰着科学家和研究者。最近，波恩大学的Jürgen Bajorath教授和他的团队在这个问题上取得了重大突破。
他们的研究结果显示，AI模型在预测药物有效性时，主要依赖于回忆现有数据，而不是学习特定的化学相互作用。这意味着，AI的预测并非基于真正的学习，而是基于对已有数据的拼凑和记忆。这一发现对于我们理解AI的内部运作机制具有重要的意义。
这项研究的结果对于医药领域的影响尤为深远。在医药领域，研究人员正在寻找有效的活性物质来对抗疾病。他们首先使用AI模型来预测哪些分子最能与各自的靶蛋白对接并牢固结合。然后，在实验研究中，更详细地进一步筛选这些候选药物。然而，如果AI的预测并非基于真正的学习，而是基于对已有数据的拼凑和记忆，那么这种方法的准确性就会大打折扣。
此外，这项研究还揭示了另一个重要的问题：当测试化合物的效力增加时，模型倾向于学习到更多的相互作用。这可能意味着，通过修改表征和训练技术，这些AI模型还有改进的空间。然而，对于可以根据分子图学习物理量的假设，我们应该保持谨慎的态度。
总的来说，这项研究为我们揭示了AI黑匣子的秘密，让我们对AI的运作机制有了更深入的理解。同时，它也提醒我们，虽然AI的发展速度惊人，但我们还需要更深入的研究和理解，才能真正掌握这种强大的工具。
（科财库网综合编辑）
kecai.co
