“科學家不應相信任何東西”，專訪諾獎得主邁克爾·萊維特

“優秀的科學家 99% 的時間都會犯錯。”這句話出自 2013 年諾貝爾化學獎得主邁克爾·萊維特（Michael Levitt）教授。在這位投身科學界超過半個世紀，橫跨計算化學、生物學乃至計算健康和 AI 領域的科學先驅看來，真正的科學精神內核不在于追求絕對正確，而是勇于試錯。

圖 | 諾貝爾獎官網對萊維特教授的簡介（來源：諾貝爾獎官網）

萊維特教授因“為復雜化學系統創立多尺度模型”而獲得諾獎，同時他也是一位擁有 60 年編程經驗、如今依舊每天高強度使用所有主流 AI 模型的前沿技術擁護者。他與中國有著深厚的聯系，對中國科技生態的觀察亦十分敏銳。

在這篇深度對話中，萊維特教授以一種罕見的坦誠，將他畢生秉持的試錯哲學與當下最火熱的 AI 革命進行了碰撞。他直言，在 AI 時代，大語言模型的出現比 AlphaFold 更讓他震撼，但也坦承AI 目前仍不夠好——“時而聰明，時而愚蠢”。

本文的核心精神，便是在這位智者“我不知道”的謙遜與“允許犯錯”的智慧中展開。他探討了 AI 的局限性、科學的偶然性、技術背后的哲學思辨，以及為什么在一個人人追求效率和完美的時代，我們反而更需要賦予年輕人失敗的權利。

以下是我們與這位跨領域科學家的完整對話。為便于閱讀，內容經過必要整理，但最大程度保留了他的原始論述與思維脈絡。

（來源：https://www.nobelprize.org/prizes/chemistry/2013/le）

談與中國結緣：第二任妻子曾在北大教書，二人多次來華

DeepTech：我注意到您曾多次到訪中國，參與過很多活動，您這次中國之行的感受如何？

Michael Levitt：感受很棒。8 年前，與我結婚近 50 年的第一任妻子中風去世。半年后我偶然遇見了現在的伴侶 Shoshan，她在北京大學教了 5 年書，與中國有很深的聯系。認識她之前我曾來過中國一兩次，因為她的影響我來得更頻繁了。

之后我們多次一起過來，我也在這里建立了不少聯系。我非常喜歡在中國生活，雖然我認識的中文不多。我認為在中國真正關鍵的是會用手機，但我對計算機（之類的電子產品）很熟悉，所以適應得很快，生活完全沒障礙。

疫情前，我們每年會在中國待三四個月，疫情期間有一半時間也在這里。這次行程和以往差不多，我們已經在中國待了將近六周。我在這里主要做咨詢工作，合作對象包括復旦大學和浙江大學，也會到處做演講。

我拿過諾貝爾獎，成為了所謂的“有名氣的科學家”，因此除了自己的研究工作，我覺得自己還有義務向年輕人展示科學的魅力。雖然我的背景是計算化學和計算生物，現在反而更多在做計算健康。

每次來中國都會再次感受到這里的不可預期。我常開玩笑說，在中國開會，議程通常在會后兩天才真正明確。最開始我會因為不知道接下來會發生什么而緊張，但現在我完全接受并享受這種不確定性，通常結果都不錯。中國人在臨場應變和最后時刻把事情做成方面確實很強。

我的本職工作仍在斯坦福，是全職科學家，在中國是訪問和咨詢的角色。我出生于南非，在英國劍橋大學工作過，也在以色列和美國工作過。現在我和中國的一些機構保持聯系，這些經歷塑造了我的跨國理解框架。

另外我想強調的是，我在 2022 年 11 月 ChatGPT 3.5 發布后就開始深入研究 AI，幾乎每天都在用所有主流模型，不局限于一個引擎。這樣持續、高強度使用 AI 的人并不多。而且我現在仍在寫代碼，已經寫了 60 年代碼了，這讓我看待問題能夠擁有較為長期的技術視角。

（來源：https://life.fjnu.edu.cn/9e/ad/c9671a368301/page.ht）

DeepTech：您已經接觸過中國的科技產業生態系統，與西方國家相比，您如何看待中國在科學和 AI 領域的發展？

Michael Levitt：我一直都有一個習慣，那就是不輕易做對比。別人問我 A 和 B 哪個更好，我的回答永遠是：A 加 B 比 A 或 B 更好。我倡導包容，而不是對立。

在科研和技術上，中國算是比較新的力量。現代意義上的中國科技發展真正起步、真正系統性的投入也就幾十年。過去一年，我看到中國對生物技術的關注度大幅提升，這在某種意義上是意外的，因為生物技術十分復雜。中國把重點放在人類健康上，這是新變化，我非常贊賞。這應該是人類最容易達成共識的一點：沒有什么比人類福祉更重要。

至于 AI 技術，在 DeepSeek 出現之前，中國用戶要真正地接觸到高質量大模型其實很不容易。我非常高興看到 DeepSeek 橫空出世，它是一個重要轉折。因為我自己可以接觸到所有大模型，所以我深知能否使用 AI 工具對科研和創新意味著什么。DeepSeek 的出現讓中國用戶能真正接觸并利用先進 AI，而且現在已經被廣泛使用，這是非常好的事。我也很高興看到中國進入這個賽道，與硅谷競爭。

在科學方面中國仍在學習。但從各種引用指數和出版趨勢來看，中國的科學產出正在快速上升，這是一件好事。

我常強調一點，真正優秀的科學往往由年輕人完成，但獲得認可卻要等到很多年之后。因此優秀科學的“被看見”與“被認可”之間總存在長長的滯后。我是 2013 年獲得的諾貝爾獎，而對應的研究是在 1960 年代末到 70 年代初完成的，中間隔了 45 年。

談自己得諾獎和最新諾獎得主

DeepTech：2013 年諾貝爾化學獎表彰了您和其他兩位科學家“為復雜化學系統創立了多尺度模型”，這項工作在過去 10 多年有什么新進展嗎？

Michael Levitt：我想先把這項工作的重點講清楚。1960 年代末，我很幸運參與了最早的一批蛋白質和 DNA 的計算研究。這些都是生命分子的基礎，它們由一連串原子構成，但本質上可以看作由許多“小分子模塊”組成。那時我研究的是小分子之間的相互作用力，后來意識到自己寫的小分子計算程序，只要稍作修改就能直接用于大分子。

我應該是第一個把蛋白質“放進電腦里”并從能量學角度去研究它的人。任何系統要研究運動、變化，都需要一個能量函數，也就是在任意原子排列下系統的能量是多少。當時我們建立了最早的能量函數體系，這套方法后來引出了許多重要突破。

生命之所以迷人，就在于它依賴這些長鏈分子發揮功能：一種是像文字一樣儲存信息的 DNA；另一種是蛋白質，能折疊成極其精確的三維結構。人體大概有 25,000 種不同的折疊形狀。這些蛋白質以不同方式組合，形成機器、結構，像樂高積木一樣構成人體，只是每個“樂高塊”都是由一根分子鏈折疊出來的。尺度小于 1 納米，精確度遠高于任何芯片。

60 年來，結構生物學不斷累積數據。我剛做蛋白質研究那會，全世界只有兩個結構。今天已超過幾十萬，是靠無數科學家的艱苦工作取得的成果。相關成果帶來了許多諾貝爾獎。

如今的 DeepMind AlphaFold，是把幾十年所有結構知識集中起來的一次整合。2024 年獲得諾獎的德米斯·哈薩比斯（Demis Hassabis）和約翰·江珀（John Jumper）帶領團隊把所有結構數據庫、各類方法論和前人提出的能量函數思路，全部匯聚進一個 AI 系統里。這個系統可以基于序列家族給出可信的結構預測。它其實是我在過去推進的那條研究路線的某種終點，能走到這一步令人驚嘆，也常被視為 AI 在科學領域的第一次真正意義上的重大應用。

AlphaFold 并不是憑空創新，而是在一個成熟框架上，用 AI 讓規模、方法和數據量都擴大了幾個量級，同時在網絡結構、注意力機制、Transformer 的設計上有關鍵突破。這些都是在大模型出現之前實現的真正開創性工作。

從計算能力的角度看，我自己做過一些比較。現在一部普通智能手機的算力，其實相當于 1997 年全球最強的超級計算機。而我開始做研究的時間比那還要早二十年，那時候的計算機算力大概又比 1997 年弱上很多倍。

這種巨量算力帶來的變化直接推動了 AI 的質變。AI 讀完一千本書仍然很笨，但讀到一百萬本它就會變聰明。我們在科學中不斷遇到這種閾值，當數據量積累到足夠大時，不只是性能變好，而是直接從“做不到”跳躍到“能做到”。這是理解 AI 與現代科學的關鍵點。

（來源：https://digitalpaper.stdaily.com/http_www.kjrb.com/）

DeepTech：您對 2025 年諾貝爾化學獎有什么看法？

Michael Levitt：諾貝爾獎總能夠吸引所有人的注意，也同樣會吸引其他諾貝爾獎得主的關注。今年的化學獎非常令人印象深刻。我其實兩年前在上海見過奧馬爾·M·亞吉（Omar M. Yaghi）。雖然我不是化學家，但他給我留下了深刻的印象，尤其是他在研究中對 AI 的使用。因此聽到他獲獎，我真的很高興。

化學家們在設計新材料方面越來越強，他們正在做的事情讓我覺得非常有趣。他們不再從原子層面出發，而是從“組件”的角度來思考——我們已經能造出 A、B、C、D 這些基礎組件，然后通過聰明的組合方式把它們搭建起來。這些組件能夠以不同方式連接，從而產生完全新的結構。

我認為金屬有機框架（MOF，Metal-Organic Framework）的關鍵，在于把金屬和有機分子結合起來。有機分子會把金屬原子彼此“撐開”。最常用的有機結構往往是六元環，比如苯環由六個碳原子構成的平面環狀結構。這個環可以在兩端與金屬結合，因為它是一個薄而平的結構，就像放入一片薄板，把金屬原子推得更遠，從而形成孔洞。

正是這些孔洞，使得這種材料擁有極其巨大的比表面積，因為材料內部充滿微孔，小分子可以進入其中。這類材料因此具有重要的性質，就像海綿或泡沫因為內部結構而具備獨特的宏觀性能一樣。

在化學領域，我們將看到 AI 帶來的巨大進展。化學本質上是組合科學，原子的組合、分子的組合、片段的組合。組合空間增長得非常快。如果你有 20 個組件，任意取 3 個排列組合，就產生超過 6,000 種可能的組合。取 5 個，就會超過 100 萬種。

AI 能夠探索這些龐大的空間。而且如今人們已經在建立自動化實驗室，由機器人來執行化學實驗。機器人一天能完成的實驗數量是人的一千倍，它們特別擅長系統化地進行混合與試驗。我相信在這個方向，我們會看到令人難以置信的突破。

談 AI：AI 知道答案，你要做的是找到正確的問題

DeepTech：所以您看到的科技進步更多的是飛躍式的、變革式的，而非一點點漸進的？

Michael Levitt：對我來說，AlphaFold 當然令人印象深刻。而大語言模型哪怕只是 ChatGPT 3.5 的語言能力，都完全超出了我的預期。它真正震撼了我，我完全無法相信，一臺機器突然能夠在語言上幾乎通過圖靈測試，而且之后只會變得越來越強。

所有這些進展完全是意料之外的，它們的意義在于：一個小小的芯片現在可以聽懂人。它們還不能真正“說話”，但后續的影響還沒完全顯現。我相信有一天，我們可以跟任何設備對話，都能得到回應。

整個發展完全出乎意料，就像 DeepSeek 在中國的出現一樣。科學的世界里，充滿這種意想不到的躍遷。

DeepTech：您覺得 AI 會遇到哪些瓶頸或局限性，甚至發展到無法繼續前進的地步？

Michael Levitt：我不知道。現在的情況是，AI 有時非常聰明，有時又愚蠢到難以理解，而且你常常無法提前判斷。我一直用它寫代碼。有時候，它一次就能寫出一段很復雜的代碼，而且能正常運行，但有時候它會被一個很低級的 bug 卡住，怎么都找不到問題。所以現在的情況是，它的表現不夠穩定。

另外，人類在做事情時，總是在試錯。AI 也需要具備這種自己嘗試的能力。但現在我經常感覺是我在替 AI 工作，而不是 AI 在替我工作。AI 應該變得能夠自己說：“我先試方案一，我會測試它；兩小時后我告訴你成不成。不成功的話我再繼續嘗試。”我認為未來我們會先在這一點上看到突破。

AI 寫代碼確實在進步，但我沒法完全依賴一個模型，Claude、Gemini、ChatGPT 和 DeepSeek 我都在用，整個過程就像在和團隊合作。所以我們需要的是，AI 引擎能自動完成這種多方討論，你只需要說一句“請你們討論，最后給我一個討論后的最終答案”。

還有一個我在所有事情上都堅持的原則：科學家不相信任何東西。這聽起來可能有些奇怪，但科學家的基本假設是“一切都是錯的”。因為實驗結果常常會誤導你，常常是不準確的。所以我們認為所有東西都是錯的，直到有了確鑿的確認。

我覺得這是一種非常有益的態度，適用于所有事情。

至于未來可能遇到的瓶頸，未來總是充滿未知。很多人和我聊起 AGI，但對我來說 AGI 仍然是一件非常模糊、沒有定論的事情。

當然，如今的 AI 有時確實像我在斯坦福最優秀的研究生一樣聰明，但有時它又會特別愚蠢。不過，我的學生也會犯蠢，我自己更是常常犯錯。科學家出錯是很正常的，甚至某種意義上，好的科學家就應該經常出錯。如果你從不出錯，說明你沒有在挑戰真正困難的問題。而只有在處理那些足夠難的問題時，你才會從錯誤中學習。我相信未來的 AI 也應該具備這種“從錯誤中成長”的能力。

展望未來，我最期待的是 AI 真正進入現實世界。有一天，我們會看到由 AI 控制的機器人替我們完成實際任務。現在的 AI 世界主要還是互聯網，它對真實世界的理解只來自網上的信息，但這種狀況終將發生改變。至于會怎樣發展，我們還得繼續觀察。

DeepTech：你相信我們總有一天會實現這一點嗎？

Michael Levitt：我也不確定。我常對別人說：無論 AI 多聰明，人類加上 AI 總是更聰明的。真正的力量來自多樣性。這一點在生物學中體現得極其明顯。

我認為 AI 也是同樣的道理，我們需要多樣性。我相信 AI 最終也會認識到這一點：有些事情是人類特別擅長的，而 AI 不一定做得好；反過來亦然。所以對我來說，共生協作至關重要。

我對 AI 的看法有點像我們與智能手機的關系。相比于 1997 年世界上最強大的計算機，現在的手機就有那樣的能力，而且幾乎人人都能擁有，這是非常驚人的。一個不用智能手機的人遠不如一個使用智能手機的人聰明，而一個擁有更聰明手機的人會變得更聰明。

所以我始終認為，未來依然是關于“我們”的。我們都會變得更聰明，雖然我們的基因沒有進化，我們的先天智商也沒有變高，可是我們的“文化智力”（cultural intelligence）、我們的“群體智力”（community intelligence），也就是我所說的 CI，卻讓我們變得異常聰明。

從最早的語言、傾聽長輩的經驗、記住故事，到文字、互聯網、智能手機，這些東西不斷擴展著我們的認知能力。現在，世界上 80% 的人能夠接觸到幾乎所有的書籍，這是過去完全無法想象的事情。

但我們適應了這種變化，并且在其中繁榮發展。無論是兒童死亡率、極端貧困人口比例、營養狀況還是整體生活質量，世界都比以往任何時候都好。而與此同時，我們也在變得更聰明。

因此，我認為我們可以借此對未來做一些推測，但同時必須承認，未來本質上是不可預知的。很多人擔心 AI 會帶來生存威脅，但我更擔心那些我們已經知道、真實存在的生存威脅，比如火山噴發、核武器、大型隕石撞擊地球等等。

這些才是真正的生存威脅。至于 AI，我不知道。我覺得科學中一個非常重要的詞就是“我不知道”，因為有太多事情是我們不知道的，保持這種謙遜非常重要。

DeepTech：那么您認為 AI 將在未來 5-10 年內對生物和化學的發展產生什么影響？

Michael Levitt：我并不能完全確定未來會怎樣，但我相信這場影響會非常深遠。回想我的一生，我們經歷過好幾次真正的技術革命。最早是計算機革命，然后是個人電腦的普及，后來出現了互聯網革命，而后又是智能手機革命。現在，我認為 AI 又是一場新的革命，只是要判斷它最終會扮演什么角色依然很難。然而某種意義上，AI 的潛力甚至可能超過之前所有的技術變革，因為它讓一個小小的芯片變得“足夠聰明”，能夠和你進行真正的交流。

舉個例子，我看到你的采訪提綱里的有關有機金屬化合物的問題，我就去問了 AI，只用了五分鐘我就得到了所有想知道的內容。不是它把答案塞給我，而是我基于它提供的信息不斷追問，再結合自己的理解，把答案引向我想要的方向。這樣的交互方式已經完全改變了獲取知識的方式。

我認為 AI 的影響絕不僅限于結構生物學或化學建模，它會深刻改變教育、醫療、外交、政府運作，以及心理學、精神醫學等領域。AI 最有趣的地方之一，是它讓這些專業意見以一種近乎免費的方式變得觸手可及，過去你可能得花很多錢請專家才能得到同樣的建議。

比如說，你拿到一份法律文件，想知道有沒有問題。AI 當然不會 100% 正確，但它確實能幫你指出潛在風險。如果你不滿意 DeepSeek 的回答，你可以換成 Kimi 再問一遍，如果還不滿意，那就去問 Gemini。這種多重視角的即時獲得，在過去是不可想象的。

現在，人們可以用一種驚人的方式學習任何領域的知識。正因如此，我認為 AI 對各個領域都會產生影響。它之所以具有變革性，是因為它的適用范圍極其廣泛，幾乎什么問題都能回答。

我曾在我的一頁幻燈片上寫著：“AI 知道答案，你要做的是找到正確的問題。”下一行是：“保持八歲孩童的好奇，和八十歲老人的智慧。”八歲的孩子總在問問題，我們也要變得像他們一樣。

DeepTech：AI 的應用總是會伴隨著黑盒決策和可解釋性的顧慮，您如何看待這種顧慮？

Michael Levitt：人們常討論可解釋性，但可解釋性本身也可能是一種幻覺。我經常舉一個例子：液態水。水是最簡單的系統之一，我們都知道水分子是 H?O，一個氧原子，帶著兩個氫原子，像一個 V 字形。

可當你把大量這樣的水分子放在一起時，它們竟然表現出非常復雜的性質，比如冰會浮在水面上，水的熱性質也非常奇特。和其他液體相比，水其實是很復雜的。

人們試圖解釋這些性質已經很久了，也提出過許多理論。問題是，這些工作并沒有真正“解釋”水。它只是告訴我們，通過數學和模擬，我們可以得到這些性質，但為什么會這樣，我們依然說不清。

幾周前，我問 ChatGPT 能不能解釋一下為什么水會有一些特性？最后它給出的答案仍然是那套理由：V 字形、氫鍵網絡、張力。都是一些很模糊的解釋。

有些事物就是復雜的，而真正復雜的現象往往很難解釋。

我非常喜歡《三體》這本書，里面有很多啟發性的內容。在《三體》里，描述了三體運動的物理本質，而三體問題的理論幾乎都是由龐加萊在 19 世紀奠定的。它告訴我們，即使物理定律是精確的，系統也會出現不確定性。我們常把“不確定性”歸因于量子力學，但其實在量子力學出現之前，僅僅因為數學結構本身的性質，三體系統就已經出現了這種不確定性。

在某種意義上，我們現在正處在一種需要“思考三體式問題”的時代。眼下很多事情發展得非常快，世界看起來比過去更混亂，但問題是：我們究竟應該如何應對混亂？也許對付混亂的方式本身就需要某種“混亂”。

如果你期待用完全有序、線性的方式處理混亂，那往往是行不通的。我們習慣的很多治理與決策框架，前提都是事物是“可預測的”。可在真正的混亂面前，也許制造一點不可預測性反而是策略之一。

我前陣子去上海參加一個會議，由世界頂尖科學家協會（World Laureate Association）組織的。會上有人提出，今天的軟件已經復雜到連現有的代碼里都藏著大量無法預見的漏洞。演講者是牛津大學的一位年輕學者，阿米爾·戈哈爾沙迪（Amir Goharshady）。他展示了當下有多少代碼本質上是“不可解釋”的，不僅人類寫的代碼如此，由 AI 生成的代碼在解釋性上也同樣成問題。

而這些軟件錯誤造成的損失已經達到數萬億美元的規模。這是一個非常驚人的數字，大概和材料失效造成的損失相當。軟件失效已經是一個嚴重的問題，所以未來我們必須認真去思考可解釋性，也必須思考責任歸屬。

DeepTech：對 AI 的監管和規范，您有什么想法？

Michael Levitt：最近我一直在想一個場景：假設未來有越來越多的智能機器人在替我們做事，那么機器人要不要交稅？如果機器人能創造價值、能賺錢，那它當然也應該納稅。那么問題來了，它們如何被識別？

我覺得未來我們必須給一切東西建立身份標識。軟件需要有自己的 ID，公司需要有 ID，每一張照片也需要有 ID。現在所有東西都在被復制，我們希望知道原始版本是什么、是誰拍的、是哪個系統生成的。所以我相信，我們最終會需要一種“全鏈路 ID”體系，能標注每一個內容、每一個模型、每一段軟件，甚至生成它們的硬件。

有人認為這樣的 ID 是個壞主意，因為它會讓所有東西都變得可追蹤，失去隱私。我覺得確實有道理，所以我們必須在隱私與身份標識之間找到平衡。

這其實不是一個技術問題，而是一個哲學問題。我認為哲學今后會變得非常重要。各種悖論、各種哲學概念都會重新變得關鍵。我們正學著用從未有過的方式去理解世界、處理問題，這一點前所未有。

我覺得各國政府必須認真思考，在全球化企業的時代，我們該如何應對。很多問題不僅僅是科學問題，而是跨越法律、經濟、社會的復雜議題。

舉個例子，中國人坐火車時要刷身份證或護照，你的行蹤都能查到。對于沒有習慣使用身份證的西方人來說，這可能很難理解。但另一方面，正因為有嚴格的身份體系，中國的犯罪率非常低。生活在幾乎沒有犯罪的環境中，會讓人覺得很安全。

這里涉及到隱私和安全之間的平衡，自由和責任之間的平衡。這些問題非常深奧，不可能用一個原則就解決。我覺得一些在西方非常重要的制度比如民主依然非常關鍵，但民主本身并不足夠，還需要配合其他機制才能真正發揮作用。

在現實中，有些人可以通過向立法機構捐款獲得遠比他人更多的影響力。這還是民主嗎？形式上是，但它真的總是最公平的嗎？我認為并非如此。我們必須認真思考這些問題，因為我們正在構建一個新世界。

談做科研：年長的科學家必須主動把年輕人推到前面

DeepTech：您剛才提到了科學家總是會犯錯，您在以前的采訪中也說過：“優秀的科學家 90% 的時間都會犯錯，而真正優秀的科學家 99% 的時間都會犯錯。”我們應該如何理解這句話？它對您的工作有何影響？

Michael Levitt：犯錯是一個非常有意思的話題。我仍記得自己剛獲得諾貝爾獎的那段時間。我經歷了許多事，不斷的采訪、媒體邀約、各種活動，生活就此改變。我意識到一件事，我已經不是獲獎前的自己了，因為我成了一個象征。

諾貝爾獎有一種儀式感，它會讓你意識到自己與眾不同了。頒獎典禮的整個流程都是刻意安排的，因為從那一刻起，你不再只是你自己，你成為了科學的“公眾象征”。你的時間不再完全屬于自己，它屬于與公眾溝通、屬于科普、屬于責任。

我年輕的時候非常幸運，很早就接觸到了很多著名科學家。我的叔叔和嬸嬸住在倫敦，本身就是很有名的科學家。在 25 歲之前，我就已經遇見了大量非常頂尖的科學家。

那時的我突然意識到，讓年輕人見到著名科學家是非常重要的，并不是因為他們多有名氣，而是因為你會意識到，他們也是真實的人。就像有人會想見搖滾明星一樣，但見到科學家會讓你意識到他們也是普通人，只是做出了不普通的工作。

也因為這樣，我見到了很多諾貝爾獎得主。幾乎所有人都同意，他們最重要的突破，往往來自長期的失敗。他們會告訴你，某個實驗他們試了兩年、三年、無數次，一直失敗，直到有一天突然抓住了那個缺失的關鍵點。

在某種意義上，科學探索就像是螞蟻尋找食物。螞蟻會不斷亂走，嘗試各種方向，純粹靠隨機漫步去尋找。一旦找到食物，它就會留下信息素，讓其他螞蟻能夠跟著過去。科學就是這樣，本質上是機緣、是試錯、是堅持。

你永遠不知道下一次重大突破會來自哪里，但你必須堅持下去。而當你犯錯時，你要繼續嘗試。這也是為什么我說，一個真正的優秀科學家 99% 的時間都是錯的。如果你真的在做困難的事，你就會經常犯錯。

如果有人對我說：“你可以做任何你想做的研究，但你絕對不能失敗。只要你失敗，就會失去所有經費。”那我一定會去做一件非常安全、非常簡單的事情。我不會冒任何風險。可是科學家恰恰需要有犯錯的空間，才能真正從事有意義的探索。

我也跟中國學生說過，你們一路走來一直被教導要正確，要考高分，要在高考中不能失敗，要做你擅長的事情，總之就是盡量不犯錯。但現實生活恰好相反，你要去做你不擅長的事情，而不是永遠停留在舒適區。

最重要的是，你必須學會如何去犯錯。我甚至去問了 AI：人要怎么學會犯錯？結果我發現，工程學里其實已經有不少這樣的課程。班上一部分學生會設計一個帶有隱藏缺陷的系統，另一部分學生則負責找出那個缺陷。你能不能“學習”去犯錯？我認為這是人生中必須掌握的一件事，但我們現在做得還遠遠不夠。

其實，能進入斯坦福、劍橋、牛津、哈佛、清華、北大這些頂尖大學的學生，大多數人可能從來沒有真正“錯過”。他們寫出完美的文章，做出完美的作業，按部就班地成功。但要想在未來真正做出非凡的事情，他們需要學習如何面對錯誤。你必須學會接受失敗，你不可能把“犯錯”做得很完美，關鍵是接受它、擁抱它。

我非常相信，年輕人是推動科學前進的真正力量。可惜的是，今天的科學體系變得越來越頭重腳輕，由大量資深科學家主導。年長的科學家必須主動把年輕人推到前面。我們這些資深科學家有話語權，但我們必須意識到新的突破往往來自那些“不知道自己不知道什么”的年輕人。

過去三十年真正改變我們生活的人是誰？你會發現，幾乎所有人都是年輕人，而且很多人根本沒有完成學業。他們年輕、有強烈的創造力，根本等不及“完成全部學業”就要改變世界。

這給科學界一個非常明確的啟示：年輕人很強大。我們應當告訴年輕人，去研究真正困難的問題。因為重大突破來自長時間的失敗，而不是一次正確。這件事在科學界做得還遠遠不夠。

DeepTech：您還有什么想對年輕科學家說的寄語嗎？

Michael Levitt：第一，你得相信自己。因為如果你不相信自己，就不會有人真正相信你。第二，做你真正熱愛的事情，不要去做你以為重要的事情。你熱愛什么，你最終就會堅持什么。第三，要準備好犯錯。第四，也是最后一點，看似簡單但非常關鍵：做一個善良的人。樂于給予，愿意幫助別人。科學需要互相扶持，需要彼此成就。

我覺得這些品質都非常重要。科學在過去 30 年與整個世界深度綁定，比以前任何時候都更深。如今科學家也能獲得許多財富。過去是“富人一類、科學家一類”，現在這兩個身份能融合在一起。

這意味著科學家肩上的責任也變成了雙倍的。科學家過去住在象牙塔里，現在象牙塔外面還鍍了一層金。這不是一件好事，我們必須主動走出那座塔，讓自己更平易近人，更能理解那些沒有我們這么幸運的人。

身為科學家，我們必須意識到，每個人都有自己的價值，每個人值得被尊重，沒有任何人是無用的。這一點特別重要。

最后我還有一些思考：我們看待事情的時候，不能用非黑即白的眼光。很多事情是復雜的、混亂的、沒有絕對的對錯的。有時候看起來正確的路，未必真的是正確的。

舉一個來自《三體》的例子：（羅輯的）那個荒唐到讓人難以置信的面壁者計劃，看起來很不靠譜，反而成了最后的答案。

我認為美國今天的撕裂、嚴重的兩極分化，部分原因是學術界和當權者并沒有足夠意識到他們自己有多幸運，他們以為這些是自己“應得的”。可事實上，沒有什么是應得的。我常說，我只是運氣很好，而真正驅動成功的，往往就是運氣。如果你成功了，就必須明白自己有多幸運，這樣你才能理解有些人有多么不幸。

運營/排版：何晨龍