科学正陷于数据危机之中。去年，仅在生物医学领域就有超过120万篇新论文发表，这令同行评审的生物医学论文总数达到了2600万篇。然而，科学家们每年的平均阅读量却只有250篇左右。与此同时，科研论文的质量也在持续下降。一些最新研究发现，大量生物医学论文不具有可重复性。
论文数量过多而质量太差，这向人类有限的神经能力提出严峻的挑战。随着人类的知识总量不断扩大，科学家们作出的假设只是基于知识总量的一小部分，因而会提出越来越多的错误问题，或是已经解答过的问题。同时，人类的创造力似乎愈发取决于先前经验的随机性。尽管偶然性一直是科学发现中的一个因素，但它在当前扮演的角色却显得过于重要。
而克服当前危机的一项可行策略，就是
将机器和人工智能整合至科学进程中
。与人脑相比，机器的存储量更大、运算能力更强。如果科学研究能够实现自动化，科学发现的速度将得以大幅提升，这甚至会成为又一次科学革命。尽管潜力巨大，但这一想法取决于一个同样重大的问题：
科学发现真的可以实现自动化吗？
我认为可以，早在几个世纪前我们就已深谙此道。问题的答案可以追溯到弗朗西斯·培根爵士，这位17世纪的英国哲学家、现代实验科学的始祖。
人类首次意识到科学方法的可重复性，要追溯到上千年前的穆斯林思想家伊本·阿尔·海塞姆（965—1039），他既强调经验论，也注重实验方法。然而，培根才是第一位正式确立科学方法，并令其成为一门研究学科的科学家。在他的著作《新工具》（
Novum Organum
，1620）中，培根提出了如今被称为
培根归纳法
的科学发现模型。他反对将亚里士多德提出的三段论用于科学研究。与之相反，他提出，需要采用归纳逻辑，将对特定现象的观察进行系统的收集、列表和客观分析，以此得出普遍的观点。在他看来，只有思维逃离了不完整而错误的公理，才能够揭示真相。
通过制定科学研究的步骤，并对每一步分别进行优化，培根归纳法试图在观察和概念化的过程中去除逻辑偏差。培根的想法是，通过观察者群体来收集大量与自然相关的信息，并将其制成表格、形成可用于归纳分析的核心记录。在《新工具》中，他写道：“实验家就像是蚂蚁，只是收集和使用数据；推论家如同蜘蛛，只凭自己的材料结成网。最好的方法应当像蜜蜂，它们采取一条中道，从花园和田野里采集材料，并用自己的能力加以利用。”
培根归纳法在如今已经不常用了。它费时费力、耗费高昂，其在科技中的应用也不甚明朗。然而，一种科学方法的定型却标志着革命性的进步。在此之前，通常仅有贵族出身、学识渊博的男性才能接触科学。培根推翻了古希腊权威并划定了科学发现的步骤，他所创造的蓝图使得每个人无论阶级背景，都有机会成为一名科学家。
培根的观点还揭示了一个重要事实：科学发现的过程本身是具有算法的。它经过有限步骤的不断重复，最终生成有意义的结果。培根明确地采用“机器”（machine）这个词来描述他的方法。他的科学算法具有三个主要步骤：
首先，收集对现象的观察结果，并整合成一个知识总库；其次，通过新的观察结果，形成新的假设；最后，通过缜密的实验来验证假设。
如果科学具有算法，那么它一定具备自动化的可能性。而在过去数十年中，信息科学家和计算机科学家一直没有涉足这个未来之梦，很大程度上是因为科学发现的三个步骤位于不同的层面上。观察是基于感觉，生成假设是思考过程，而实验过程则是机械行为。科学过程的自动化需要每一步都能在机器中得到有效结合，而这三步必须完美地贴合。而现在，还没有人知道该怎么做。
在实验过程方面，人们已经运用机器实现了众多进展。例如，制药工业通常采用自动化高通量平台来进行药物设计。美国加利福尼亚州的两家初创公司Transcriptic和Emerald Cloud Lab正在创建系统，力争将几乎所有由生物医学家操作的实验任务自动化。科学家们可以在线提交实验方案，而后实验步骤被转换为代码，输入机器人平台，继而由机器人平台自动执行一连串的生物实验。这种解决方案在需要密集实验操作的学科中最为常见，例如分子生物学和化学工程，但是类似的方法也可应用于其他数据密集型领域，甚至进一步扩展至理论学科中。
Transcriptic公司的自动化平台
