人工智慧在 MIT：橫跨各學科的研究轉型

在麻省理工學院（MIT），人工智慧（AI）已變得如此普及，以至於你幾乎會在不經意間就與它產生交集。以機械工程系副教授鄧斯理（Sili Deng）為例，她表示如果不是因為新冠疫情，她仍不確定自己是否會全身心投入人工智慧領域。她於 2019 年加入教職，正準備建立實驗室以研究燃燒動力學、減排以及能源材料的火焰合成時，疫情來襲，導致所有實驗室翻新工程停擺。由於必須從零開始，她挑戰自己和博士後研究員嘗試機器學習，「看看憑藉我們在燃燒方面的基礎知識，我們認為機器學習可以 [填補] 哪些空白。」在她的領導下，鄧教授的能源與奈米技術小組利用 AI 開發了一個「數位孿生」（digital twin），用以模擬能源/流體裝置的性能——這是物理系統的數位副本。最終，這個模型應能即時預測並控制燃料燃燒系統的運作。

與鄧教授因命運的捉弄而接觸 AI 不同，航空航天系副教授扎卡里·科德羅（Zachary Cordero）是得益於同事的專業知識而開始使用 AI。2024 年，機械工程系主任約翰·哈特（John Hart）建議科德羅與機械工程系副教授法耶茲·艾哈邁德（Faez Ahmed）見面；科德羅致力於為新興航空航天應用開發新型材料與結構，而艾哈邁德則是工程設計領域機器學習與優化的專家。科德羅表示，他以前從未從事過 AI 相關研究：「這對我來說完全是全新的領域。」科德羅與艾哈邁德及其他合作者在美國國防高級研究計劃局（DARPA）資助的一個項目中，開發了一種 AI 工具，可以優化所謂「整體葉盤」（blisk）的材料組成——這是一種帶葉片的圓盤，是噴氣式飛機和火箭渦輪發動機的關鍵組件。他們的工作旨在提高發動機的性能和壽命，並可能為重型運載火箭帶來更可靠的可重複使用火箭發動機。科德羅說，AI 系統增強了人類的直覺——甚至是在「幾乎不可能產生直覺的問題上」。

李巨教授假設，如果賦予 AI 自主進行實驗、嘗試不同事物、從失敗中學習的權力，它可能會演變成與人類智慧非常相似的東西。

這樣的故事在 MIT 屢見不鮮。在校園的每個系所、幾乎每個實驗室中，機器學習、大型語言模型和神經網絡等 AI 技術正在改變研究——為現有方法加速、開啟先前未曾探索或無法進入的路徑，並在藥物開發、計算、能源技術、製造、機器人、神經科學、冶金甚至野生動物保護領域創造新的機遇。「我想不出我們有哪次小組會議是不討論這些工具的，」查爾斯·W·與詹妮弗·C·強森生物工程教授、MIT 健康與生命科學協作平台（MIT HEALS）教職負責人安吉拉·科勒（Angela Koehler）說道。她的研究小組利用 AI 模型開發候選藥物，旨在附著於先前被認為「不可成藥」的分子靶點，如轉錄因子、RNA 結合蛋白或細胞因子。「我會說，我參與的論文委員會中，有 90% 涉及顯著的 AI 成分，」她說。「五年前絕對不是這種情況。」

「人工智慧在校園裡無處不在，」MIT 研究副校長、杰羅姆·C·亨薩克航空航天教授伊恩·韋茨（Ian Waitz）表示。「任何具有極高複雜性的領域都將從中受益。生命科學、材料科學，任何從事圖像分析的人現在都在使用這些工具。我不知道 MIT 有哪一個研究領域沒受到 AI 的影響。」

AI 在 MIT 並非新鮮事

雖然鄧教授和科德羅可能是透過偶然或巧妙的撮合而接觸 AI，但 MIT 的大多數 AI 發展並非如此產生的，對其的興趣也非始於今日。70 多年前的 1954 年，計算機研究員貝爾蒙特·G·法利（Belmont G. Farley）和物理學家韋斯利·A·克拉克（Wesley A. Clark）在 MIT 運行了世界上第一個神經網絡的計算機模擬。在接下來的幾十年裡，對神經網絡技術（現在更廣為人知的名稱是深度學習）的興趣起伏不定。1995 年，當李巨（Ju Li，2000 年博士畢業）還是研究生時，他記得在獨立活動週（IAP）期間修過一門關於神經網絡的課程。李巨現在是卡爾·理查德·索德伯格電力工程教授（同時也是核科學與工程以及材料科學與工程教授），他研究用於核能、電池、電解槽和節能計算的材料。「那不是深度網絡——只有幾層，」李巨回憶道。他將其描述為本質上是一種用於曲線擬合的迴歸工具。

但在過去幾年中，在全球範圍內，受強大的新模型和芯片算力巨大增長的推動，AI 活動呈爆炸式增長；由此產生的數據中心擴張和演進反過來又引發了更多活動。今天，神經網絡可以擁有超過一千層。在公共和私營領域對 AI 大規模投資的支持下，AI 研究人員創造了一套工具，可以掃描幾乎無法衡量的數據量和類型；與傳感器、機器人和其他機械裝置對接；並以自然語言與人類研究人員交流。

RACHEL WU 經由 MIT 新聞辦公室

「我們在實驗室開發的許多工具——它們在製藥行業得到了廣泛應用。而且它們確實產生了重大影響。」

雷吉娜·巴齊萊

雷吉娜·巴齊萊（Regina Barzilay）自 2003 年來到 MIT 以來一直從事 AI 研究。如今，她是工程學院 AI 與健康傑出教授，也是 MIT 阿卜杜勒·拉蒂夫·賈米爾健康機器學習診所（Jameel Clinic）的 AI 教職負責人。但她表示，如果有人在 10 年前告訴她這個領域現在的發展狀況以及她將從事的工作，她「絕對」不會相信。

AI 在藥物發現和開發方面的應用（巴齊萊的專業領域之一）在 MIT 特別豐富且成功。例如，喬瓦尼·特拉韋索（Giovanni Traverso）的實驗室利用 AI 設計了奈米顆粒，可以比以前的系統更有效地輸送 RNA 疫苗和其他療法。CSAIL（計算機科學與人工智慧實驗室，巴齊萊在那裡擔任首席研究員）的研究人員利用 AI 模型解釋了窄譜抗生素如何專門針對克隆氏症患者體內的有害微生物。Jameel Clinic 協助建立了可以預測哪種流感疫苗在特定年份最有效的模型。「我們在實驗室開發的許多工具——它們在製藥行業得到了廣泛應用，」她解釋道。「而且它們確實產生了重大影響。」她說，現在甚至不再需要質疑它們是否發揮了作用。它們已經成為標準工具，因為它們每天都在運作。

其中一個工具是 Boltz，這是由 Jameel Clinic 的一個小組開發的開源 AI 模型，最初於 2024 年 11 月發布為 Boltz-1。受 DeepMind 的 AlphaFold2（該模型使德米斯·哈薩比斯和約翰·江珀獲得 2024 年諾貝爾化學獎）的啟發，Boltz-1 幫助科學家預測蛋白質和其他生物分子的 3D 結構。Jameel Clinic 的研究人員隨後推出了 Boltz-2，除了預測分子結構外，它還可以預測親和力——即蛋白質與小分子結合的強度。測量親和力的分析是藥物開發中的一項關鍵指標，也是生物和化學實驗室中最重要的實驗之一。

2025 年 10 月，Jameel Clinic 發布了最新版本 BoltzGen——這是一個生成式 AI 模型，能夠設計可與廣泛生物分子靶點結合的客製化蛋白質。分子結合劑在治療、診斷和生物技術等領域已經發揮著重要作用。BoltzGen 是第一個考慮潛在核蛋白中每一個原子及其靶分子中每一個原子的高級大規模模型，提供了更高的準確性。

在 CSAIL 構建 BoltzGen 的四年級博士生漢內斯·斯塔克（Hannes Stärk）表示，該模型之所以有效，是因為它實際上在學習——從訓練數據中進行推理，然後產生受這些數據啟發的新穎想法。斯塔克花了七個月時間創建 BoltzGen，通常每天工作長達 12 小時。他說，對於機器學習，你希望模型能從訓練數據中進行泛化。「否則，」他說，「你的解決方案就已經存在於你的訓練數據中了。」斯塔克還建立了一個由 MIT 內外 30 多名科學家組成的網絡，探索分子結合劑在藥物開發、代謝組學和結構生物學，以及癌症、自體免疫疾病和遺傳病治療中的設計與應用。「有一個模型能完成所有這些工作真是太好了，」他說。在所有這些領域進行訓練也使模型更擅長泛化。

藥物發現之外

隨著從事藥物開發的實驗室繼續從 AI 中獲益，學院的其他研究人員正忙於應用現有的 AI 工具，或者更多時候是開發自己的模型，用於無數的學科和應用。一個涉及電子工程與計算機科學系（EECS）、CSAIL 和麻省總醫院的跨學科小組推出了 MultiverSeg，這是一個能快速標註醫學影像中感興趣區域的工具，可以幫助科學家開發新療法並繪製疾病進展圖。MIT 研究人員還在設計和運行 AI 指導的自動化實驗室，以加速和完善發現可持續材料和太陽能電池板新組件的過程。艾哈邁德的機械工程小組正在開發 AI 模型，以幫助汽車製造商設計高性能車輛，或確定大型運輸船是否可被視為適航。艾哈邁德還教授一門名為「工程設計中的 AI 與機器學習」的課程。該課程於 2021 年首次開設，不僅吸引了機械、土木和環境工程師，還有來自航空航天、斯隆商學院等系的學生。

MIT 科技評論

「目標是利用各種類型的原始數據，並將其轉化為『幫助我們理解是什麼讓物種面臨風險的東西』。」

薩拉·比里

與此同時，EECS 副教授、信息與決策系統實驗室（LIDS）首席研究員普里亞·唐蒂（Priya Donti）開發了基於 AI 的優化方法，以幫助調度電網上的發電資源。她的小組構建的機器學習工具將幫助電力運營商應對許多不可避免的電網問題。「巨大的挑戰在於，在電網上，你需要保持發電量與用電量之間的精確平衡，」她解釋道。「當太陽能、風能和其他發電來源因天氣變化而產生大量波動時，你必須更緊密地協調電網以維持這種平衡。」有關電網運作物理學的信息被嵌入到唐蒂的 AI 模型中，因此它的功能和反應與真實電網非常相似。

MIT 研究人員甚至正在應用 AI 工具來探索和分析自然世界。專攻 AI 與決策制定的 EECS 副教授薩拉·比里（Sara Beery）開發了 AI 方法，用以發現並深入研究由各種遙感技術收集的生態數據，以分析和預測全球物種和生態系統的變化。這些技術使比里和她的同事能夠以前所未有的規模收集比以往多得多的瀕危物種數據。她說，從歷史上看，大多數生態研究都集中在收集極小區域內單一物種的豐富數據，但「我們意識到這是不夠的」。從一條河流生態系統的一小部分收集到的信息，無法幫助我們理解或預防她所說的「我們目前面臨的物種滅絕率呈指數級增長」。比里說，「我們已經在使用多模態 AI，使專家能夠快速搜索海量的圖像數據庫，發現以前很難找到的數據點。」但她表示，目標是能夠隨時利用各種類型的原始數據——從衛星和生物聲學傳感器數據到相機圖像和 DNA——並「將其轉化為某種科學洞察，幫助我們理解是什麼讓物種面臨風險」。

AI 中的「手腦並用」

雖然一些 MIT 研究人員已成功利用 AI 協助發明了從新型癌症療法到更安全的高性能汽車等技術，但其他人也在利用機器學習和其他 AI 工具來幫助確定這些技術是否如預期般運作，或者是否可以大規模、經濟地成功生產。化學工程與 EECS 副教授康納·科利（Connor Coley，2016 年碩士，2019 年博士）設計新分子——以及製造新分子的配方，主要是小有機分子——供製藥、農業和其他化學公司潛在利用。科利曾獲選《MIT 科技評論》「35 歲以下創新者」，他開發了一種「遺傳」算法，利用包括選擇和突變在內的生物啟發過程。該工具將從大型聚合物數據庫中提取的潛在聚合物混合物編碼為數位染色體，然後算法對其進行改進，以生成最有前途的材料組合。

在化學與計算機科學的交叉領域工作，科利相信 AI 有朝一日可以幫助他的實驗室發現聚合物混合物，從而帶來改進的電池電解質和用於更安全藥物輸送的客製化奈米顆粒。他和他的實驗室還致力於開發機器學習工具，以簡化發現和生產過程。「如果你想讓 AI 成為你所做科學研究背後的大腦，你也需要雙手，」科利說道，他是首批受聘於 MIT 施瓦茨曼計算學院的教職員之一。他和他的小組將機器人液體處理平台與優化算法相結合。在旨在尋找最佳聚合物混合物的項目中，自主系統不僅選擇要測試的聚合物溶液，還執行物理測試。該系統一天可以生成並測試 700 種新的聚合物混合物，並已識別出一種性能比其任何單一組分高出 18% 的混合物。

具有類似自主程度的系統也可能對早期藥物發現產生重大影響。他觀察到，其中一個效果應該是縮短藥物從實驗室進入臨床試驗所需的時間。但他表示，真正的問題是：「我們可能做到哪些以前用任何合理資源都無法做到的事情？」

亞歷山大·西門（Alexander Siemenn，2025 年博士）也利用 AI 尋找新材料，並控制機器人測試這些材料的物理特性。在他的博士論文中，西門從零開始構建了一個全自主的 AI 驅動機器人實驗室，用於發現和測試太陽能電池板的可持續高性能材料。該系統整合了計算機視覺、機器學習和優化算法，全天 24 小時運行。

「我們正在將到目前為止幾乎完全是手動的傳統 [測量] 方法與 AI 方法相結合，」西門說。「目標是不僅能提高它們的準確性，還能使它們變得快速且自主。」

成功與瓶頸

學院的實驗室也正遇到這個勇敢的 AI 增強新世界的第一批真實邊界。MIT 和其他地方的許多研究人員都同意，大多數「低垂的果實」已經被採摘。這包括 AI 在管理海量數據集以及加速現有發現和測試過程方面的貢獻，有時甚至接近光速。然而，除了這些眼前的收益外，結果各不相同——即使是在見證了 AI 一些最輝煌成就的藥物開發領域。

「在某些領域，你會認為我們應該做得更好，但事實並非如此，」巴齊萊觀察到。「我們無法治癒阿茲海默症等神經退行性疾病或晚期癌症的原因，是因為我們還沒有在分子水平上真正完全理解疾病本身、驅動因素以及如何控制它。」而在理解這些潛在疾病機制方面，AI 仍未做出她所稱的「重大轉革」。「有一些輔助工具，」她說，但 AI 尚未對任何疾病提供深刻的新理解——「所以這是我們希望看到更多進展的地方。」

MIT 科技評論

「在 AI 領域，規模化是協同且有益的。在化學和材料領域，規模化則是一個可怕的野獸，你必須擊敗它才能產生影響。」

拉斐爾·戈麥斯-邦巴雷利

材料科學領域的局限性也正在顯現，特別是在將 AI 提出的數位解決方案轉化為由原子和分子組成的物體時。材料科學與工程副教授拉斐爾·戈麥斯-邦巴雷利（Rafael Gómez-Bombarelli）開發基於物理的機器學習模擬，以加速用於能源、醫療保健和電池的可持續聚合物與材料的發現週期。他說，雖然基於物理的模擬本身取得了巨大的成功，但在製造材料本身方面，結果卻不盡如人意；這些模擬器生成的許多解決方案在物理世界中都失敗了。「事實證明，這些模擬器沒有捕捉到許多重要的事情，」他說。「它們在奈秒時間尺度的原子級問題上運作。但許多材料問題並非發生在奈秒內，也不僅涉及幾萬個原子。」而且它們通常涉及比當前 AI 模型所考慮的更複雜的物理學。更重要的是，當目標可能是生產數百萬噸新材料時，規模化錯誤可能是災難性的。「在 AI 領域，規模化是協同且有益的，」戈麥斯-邦巴雷利說。「在化學和材料領域，規模化則是一個可怕的野獸，你必須擊敗它才能產生影響。」

新方法，新見解

雖然 AI 已經產生了無數的結果和驚喜，但 MIT 的研究人員相信其大部分潛力仍有待挖掘。他們渴望尋找高影響力的應用。腦與認知科學教授伊拉·菲特（Ila Fiete）構建 AI 工具和數學模型，以擴展我們對大腦如何發育和重塑神經連接的知識。她相信，她的工作可以幫助我們理解我們如何形成記憶或在空間中感知自己——而這反過來又可以改進 AI。AI 的許多特徵，包括神經網絡中的並行計算，都受到了人類大腦的啟發。「AI 已經 [幫助] 並將繼續幫助我們做更多、更好的科學研究，」她說。「但神經科學家相信，人類和其他生物智慧學習和解決問題的方式，在某些維度上比目前的 AI 模型更好。通過更好地了解其運作方式，我們實際上可以啟發更好的 AI 架構。」

李巨同意人類智慧和學習的某些元素可以使 AI 受益，並幫助它解決世界上一些最緊迫和複雜的問題，包括全球貧困和氣候變化。「今天的大型語言模型已經閱讀了數千萬篇論文和書籍，」他說，並補充說它們「比我們任何人都更具跨學科性」。然而他指出，科學文獻強烈偏向於成功。「實驗室的日常體驗 95% 是挫折，我認為正是失敗案例塑造了性格，」他說。他假設，如果賦予 AI 自主進行實驗、嘗試不同事物、從失敗中學習的權力，它可能會演變成與人類智慧非常相似的東西。

MIT 的研究人員相信，隨著 AI 的不斷演進、擴張和普及，學院有特殊的責任將這些技術引導向有用、可實現的目標。「現在，在 AI 世界裡有很多炒作和虛飾，」正在開發生成式 AI 工具以解決複雜工程和設計問題的艾哈邁德說。「數位世界充斥著各種東西，」他說，AI 在圖像、文本和視頻方面有很多進展。「但物理世界受到的影響仍然較小，我們在 MIT 看到更多發生在物理與 AI 交叉領域的事情。」

AI 的未來既包含潛在的勝利，也包含潛在的陷阱。研究人員仍然擔心「幻覺」——即 AI 模型吐出的在現實世界中毫無意義的結果。他們還擔心，一些從業者會過度依賴 AI 工具，忽略了確保實驗或生產設施正常運行的關鍵見解和保障措施。他們還擔心過度承諾——不切實際地將 AI 呈現為解決所有大小問題的神奇方案。「無法預測這些模型會變得多好，」機械工程系的哈特說。「它們將在哪裡發光發熱，又在哪裡受到限制。」但哈特看到的不是危險，而是機遇，尤其是在 MIT：「我們擁有的專業知識和經驗，使我們能夠提出正確的問題並以正確的方式使用這些工具。」他說，對於像 MIT 這樣的機構來說，挑戰在於如何利用 AI 工具創造比以往更快、更好的解決方案，並應對比以往更複雜的問題。