AI挑战数学奥赛；检验科学论文可重复性计划启动 | 一周趣科学Vol.5

科

牧心2024年01月27日约 9 分钟

科学新鲜报，早看早学到！在过去的一周里，科学界发生了哪些有趣又有料的新鲜事呢？让我们这就来一探究竟吧，话不多说，先看为敬~

检验科学论文的可重复性刻不容缓

科学理论的可信度基础，就是其研究结果的可重复性和可复制性。一个科学理论所蕴含的规律，只要条件具备，就应该在任何场所、任何人的实验中均能够再现。这也是科学集体公信力的集中体现。

然而在最近一段时间里，无法复制的科研结果却频繁出现在论文当中。一些知名度比较低的刊物可能已经成了这种论文的重灾区，但是诸如《自然》《科学》这类顶级科学杂志上的无法重复的结果也并非偶发事件。

2018年的一项研究表明，来自《自然》和《科学》的21篇有关人类社会与行为的文章中，只有大约62%的实验结果能够被复制。

这其中的有些结果无法复制，可能是因为发稿者的实验条件、操作手法、实验材料、科研环境等因素造成的，这还算有情可原，而更有甚者，则是“发明”科研数据，凭空捏造实验结果，用学术造假来换得论文发表。

这二者之间有时候还缺乏明显界限，以至于许多涉嫌学术造假的当事人声称自己只是犯了“实验错误”而无法复现结果，从而逃避学术造假的罪责。

因此，“科学家发表的内容都值得相信”这种朴素的信任感需要被重新审视了。

本周，《自然-人类行为》杂志宣布启动一项计划，对近期发表的研究进行大规模的可重复性和可复制性研究。

可重复性是指利用相同数据对研究进行重复的能力，而复制性是指用相同方法但不同数据对研究进行再现。

“这种针对多学科期刊的大规模重复和复制计划是前所未有的。”《自然-人类行为》主编Stavroula Kousta写道。

《自然-人类行为》的这一复制计划，是与一家名为科研复制研究所的研究机构合作开展的。该机构成立于2022年，致力于推动重复和复制在社会科学领域的普及。

图1 通过概率计算可以发现，如果研究对象本身是小概率事件（图像横轴右半边），那么实验出现假阳性的概率就会非常大（纵轴逼近1）

（图片来源：参考文献1）

课代表总结：科学容不得半点虚假和马虎！

参考文献:

Sholom Wacholder et al. Nathaniel Rothman, Assessing the Probability That a Positive Report is False: An Approach for Molecular Epidemiology Studies, JNCI: Journal of the National Cancer Institute (2004). https://doi.org/10.1093/jnci/djh075

https://www.nature.com/articles/s41562-024-01818-7

2亿年前的地球交响曲

人类从听觉中获取信息的效率要远远高于视觉，这也是为什么听讲比阅读更容易搞懂的原因。背书的时候一定要读出声的原因，不是给别人听的，而是给自己听的。

因此，有一些科学家致力于将其他类型的数据信息转化为听觉信息，让读者产生更直观的感受，也便于观察者发现这些数据中隐藏的秘密。

例如，在地球科学的研究中，一种被称为金伯利岩的矿物是研究的热点，因为含有这种矿物的地方，往往也会发现钻石矿藏。

人们发现，金伯利岩是一种火成岩，也就是说只有火山喷发才会产生这种岩石，但不是所有的火山喷发都会产生金伯利岩。那么，能产生金伯利岩的火山喷发有着什么样的规律呢？

人们收集了两亿年以来地球上所有的金伯利岩火山喷发的数据，但苦于找不到什么头绪。于是，来自英国南安普顿大学的T. M. Gernon与合作者一起，想出了一个浪漫而富有诗意的点子：把这些数据谱成乐曲！

把火山喷发发生的纬度转换为音高，把喷发持续的时间转换为音长，把喷发时的板块运动转换为响度，把两亿年的地质时长压缩到1分半钟，这样一来，由地球谱写的《金伯利岩火山喷发协奏曲》就完成了。

研究者们近期将这一乐曲发表在《自然评论·地球与环境》上，希望以这种音乐化的方式，让公众对地球的自然历史有更直观深刻的认识，也享受一下科学的别样之美。

快点击下方视频感受一下这首两亿年的乐曲吧！

金伯利岩火山喷发协奏曲（视频来源：nature.com）

课代表总结：地球：“轻轻敲醒沉睡的心灵……”

参考文献:

Russo, M. et al. Improving Earth science communication and accessibility with data sonification. Nat Rev Earth Environ (2024). https://doi.org/10.1038/s43017-023-00512-y

从别人身上抢花粉的蜜蜂

蜜蜂依靠植物花粉作为富含蛋白质的食物来源，每日劳作来为种群储存食物、建造蜂房、养育后代。因此，蜜蜂历来都被当做是勤劳踏实的打工人的象征，许多文学作品也歌颂了蜜蜂辛苦劳作的形象。

但是，经过长期的野外观察，研究者们发现，蜜蜂也有为了完成KPI而不择手段的一面：在意大利，人们观察到了蜜蜂在光天化日之下抢夺熊蜂身上的花粉的行为，而且这种抢夺是长期、重复、有组织的。

2019年夏天，意大利米兰的独立博物学家Tiziano Londei和Giuliana Marzi前往意大利北部利古里亚地区的安托拉山（Mount Antola），拍摄了一段他们认为是蜜蜂（Apis mellifera）试图将红尾熊蜂从毛蓟（Cirsium eriophorum）的花朵上推开的视频。然而，仔细观察这段视频，他们发现这并不是之前以为的竞争性骚扰——这是一场彻头彻尾的抢劫。

红尾熊蜂在花朵周围搜寻花蜜和花粉时，一些花粉粒粘在了它们毛茸茸的身体上。Londei和Marzi亲眼目睹了蜜蜂无耻的抢劫行为。它们更倾向于以雄性熊蜂为目标，而不是雌性，因为雄性熊蜂似乎对偷窃行为不太在意。

为了系统调查这种犯罪行为，研究人员在接下来的三年里进行了跟踪调查。在对比实验中发现，距离现场25公里外的另一个花圃区，从来没有观察到蜜蜂抢劫；但在最初的那个地点，抢劫行为年复一年地上演。

难道蜜蜂也讲究“橘生淮南则为橘，淮北则为枳”吗？

在仔细研究这些地点之间的差异后，研究人员发现在抢劫高发地，只有毛蓟这一种花；而蜜蜂的身体结构不适合采集毛蓟的花粉，于是便盯上了能顺利采到毛蓟花粉的大黄蜂。

相关研究发表于最新一期的《蜜蜂学》杂志上。

蜜蜂“打劫”红尾熊蜂（视频来源：springer.com）

课代表总结：同是打工人，相煎何太急？

参考文献：

Londei, T., Marzi, G. Honey bees collecting pollen from the body surface of foraging bumble bees: a recurring behaviour. Apidologie 55, 4 (2024). https://doi.org/10.1007/s13592-023-01049-1

我国发现最早的多细胞真核生物化石

地球上所有复杂的生命，包括水生和陆生的各种动植物、大型真菌和海藻等，都是多细胞真核生物。

虽然已知最大的单细胞细菌可以有1毫米长，但是单个细胞的体积是有上限的，生命想要变得更复杂，就必须进行多细胞分工协作。

也就是说，从单细胞变为多细胞，是生物发展过程中的一个重要里程碑。然而，科学家们一直不确定真核生物何时进化出这种创新。

在1月24日发表于《科学·进展》杂志上的一项研究中，中国科学院南京地质古生物研究所朱茂炎教授领导的课题组，报告了他们最近在我国北方发现的16.3亿年前的多细胞化石（详情看这里）。

这些保存精美的微体化石，来自古元古代晚期，是目前多细胞真核生物最古老的记录。在化石中可以清晰看到它们的内部结构，由2到20个圆柱形细胞组成，直径20至200微米不等。

细丝形态的连续性表明这些细胞同属一个生物体，而且这些细胞中偶尔会出现一个圆形的结构，推断是这种生物用来繁殖的孢子。

有些原核单细胞细菌虽然也会长成丝状连续体，但是直径远比这一化石小；其他例如蓝细菌等原核单细胞生物虽然会聚集得比较紧密，但不会产生孢子。再加上这种化石中显现出来的细胞复杂度，有理由相信这一生物是多细胞的真核生物。

目前所发现的最古老的单细胞真核生物化石，是在中国北部和澳大利亚北部发现的，据推断其年代也是在将近16.5亿年前。这样看来，这次发现的多细胞真核生物化石的年代，与单细胞真核生物化石的年代相近。

这表明，真核生物刚刚出现在地球上不久，就很快获得了多细胞结构这一特殊能力。本研究为追寻真核生物共同祖先这一科学问题做出了重要贡献。

图2 本次研究中发现的多细胞生物化石，注意B中的疑似孢子（图片来源：参考文献）

课代表总结：研究者们是怎么知道这里有几微米大小的化石，大老远地跑来挖的呢？

参考文献：

Lanyun Miao et al. 1.63-billion-year-old multicellular eukaryotes from the Chuanlinggou Formation in North China.Sci. Adv. (2024).DOI:10.1126/sciadv.adk3208

人工智能挑战数学奥林匹克

曾经人们自信地认为，机器只能用来处理简单而重复的活动，而人类所发明的高级智力活动是无法被机器学会的。

后来，AlphaGo战胜了李世石和柯洁等围棋大师，人们才意识到，人工智能的强大之处，在于其学习能力带来的无限可能。

由此看来，柯洁在对战AlphaGo后流下的眼泪，更像是为作为人类的自尊而流的：这意味着人类在高智力游戏中，将彻底沦为AI的手下败将。

美国谷歌Deepmind实验室的研究者却没有停止脚步。这次，他们把挑战的目标定为数学奥林匹克竞赛里的几何证明题。研究者训练新的AlphaGeometry模型，向这些究极难题发起了挑战。

证明几何题跟下围棋的主要区别是，围棋有清晰的规则，并且很容易知道盘面的优劣，并根据打分系统来决策。这就意味着，AI很难像下围棋那样，通过自己进行左右互搏来找到最佳方案。

另外AI在学习中还有一个困难：让AI学习人类解题过程时，是有直觉与逻辑作为出发点的，而这些东西难翻译给AI听。

这不禁让笔者想起了中学时向学霸请教问题的情景，每次只要问“为啥想到做这条辅助线啊？”就会收获学霸那关爱智障的眼神……

针对这种困难，AlphaGeometry使用了一种神经符号方法，通过大规模的探索从头开始证明定理，回避了向人类学习证明几何问题的过程。

通过综合数百万个不同复杂程度的定理和证明，在该大规模合成数据上从零开始训练，指导符号演绎引擎在颇具挑战性的问题中通过无限分支点。

训练完成后，研究人员挑选了30道奥林匹克竞赛几何题来测试AlphaGeometry，它解出了其中的25个，已经逼近历届金牌得主的平均水平。与此同时，它还顺便发现了其中一道题的更广义情形下的答案。好嘛，都学会自己给自己出题了。