算法算不出“为什么”

讲述人：宁波大学附属第一医院科研科科长、生殖医学中心主任 吴科荣

【一线讲述】

2018年，我正带领团队攻关一个困扰泌尿外科多年的难题——前列腺癌的早期精准诊断。传统筛查假阳性率过高，大量不必要的穿刺活检让患者白白承受痛苦。那时，我们开始尝试与法国科研团队合作，希望借助拉曼光谱技术，在血液和尿液里捕捉肿瘤释放的“蛛丝马迹”。

理想很丰满，现实却给了我们一记闷棍。拉曼光谱产生的数据极其庞大复杂，每个样本包含数千个光谱特征，人眼几乎不可能从中有效识别属于肿瘤外泌体的微弱信号。那些年，团队每天面对密密麻麻的光谱曲线，反复比对、人工标注，效率低得像在沙里淘金。

转机出现在2024年。AI技术的日趋成熟让我们重新出发，决定将机器学习引入整个研究框架。这一次，AI成了我们的“探幽慧眼”。它能从海量光谱数据中自动提取特征、识别模式，把原本耗时数周的人工分析压缩到几分钟。依托这一突破，团队聚焦多模态特征融合算法与压电调制拉曼光谱，攻关前列腺癌早诊机理与关键技术创新。AI显著提升了科研效率，让我们在早期诊断这条路上迈出了关键一步。

但AI带来的，不只有惊喜。随着使用深入，它的短板同样十分突出。面对SERS（表面增强拉曼光谱学）图谱，AI可以完成高速计算和精准分类，却不能自主解读光谱背后对应的生物分子学与临床病理意义，时常出现分类结果和真实临床现象相悖的情况。如果全盘采信AI输出结论，很容易出现逻辑漏洞和事实偏差，脱离临床实际。更根本的症结在于，AI无法自主完成从光谱数据到临床意义的逻辑闭环——它能告诉你“是什么”，却回答不了“意味着什么”；它能精准识别信号，却判断不出某个异常峰究竟是无意义的噪声干扰，还是某种新型肿瘤标志物的雏形。而这些恰恰是医学研究的核心。所有AI参与的研究，最终的终审、核验、纠错与伦理把关，都必须由研究者本人完成。

隐忧不仅于此。过度依赖AI，还可能弱化研究者对基础科学问题的直觉与判断力。当算法替你完成了数据分析甚至思路推演，你还有多少精力去追问那个最根本的“为什么”？有研究显示，长期使用AI可能导致认知能力的下降。也有学者指出，AI的文字生产只是对已有材料的整合加工，难以真正形成知识和思想的增量，甚至可能抑制原创性观点与理论的突破。我们真正需要警惕的，是在这个过程中滋生出对人工智能的过度信任与依赖，任由AI代替人进行思考和决策。

如今，每次让AI介入数据分析之前，我都会提醒自己和团队：它是助手，不是替代者。那些从光谱曲线里跳出来的异常信号，最终要经过实验室里的反复验证；那些算法推荐的潜在标志物，必须回到临床样本中去接受检验。AI的使用必须恪守学术规范，以促进学术创新为目标，而不应成为“偷懒”的手段。

（项目统筹：光明日报记者 陈海波）

《光明日报》（2026年08月26日 07版）