浙江
AI现在很没用吗？答案并非简单的是或否。它已经在蛋白质结构预测、国际象棋和编程辅助中创造实际价值，但能力高度依赖任务边界。
规则越明确、可接受结果越有限、答案越容易验证，AI越容易发挥优势；环境越开放、语言含义越依赖文化和语境，错误与幻觉就越难控制。
Google DeepMind开发的AlphaFold在2020年前后取得突破，随后大规模预测氨基酸序列可能折叠成的三维结构。传统结构研究常依赖X射线晶体学、核磁共振或冷冻电镜，实验周期长、成本高。
高质量预测能先给出候选结构，帮助研究人员提出假设、选择实验方案，并加快部分结构解析。这项突破非常重要，却不能写成X射线晶体学已经过时。
欧洲生物信息学研究机构明确说明，需要区分不同版本。
AlphaFold2及其经典数据库主要预测蛋白质结构，对配体、金属、离子、核酸和翻译后修饰存在明显限制；2024年推出的AlphaFold 3已经把能力扩展到蛋白质与核酸、小分子、离子和修饰残基的复合结构，但准确度仍因任务而异，也不能因此取代实验验证；结构生物学研究也强调，预测模型适合提供起点，实验仍负责验证真实构象与功能。
核磁共振结构重建确实复杂，但把它简单归为已经证明的P与NP问题并不严谨。今天顶尖棋手也很难在标准条件下击败手机中的强棋引擎。
棋盘大小固定，走法规则明确，胜负可以计算，搜索和评估函数能够不断优化。蛋白质预测与棋类并不相同，却共享一个特点：目标函数相对清楚，输出可以同实验或比赛结果核对。
AI在这种环境中最容易形成稳定能力。编程同样具有大量明确约束。代码要通过编译、单元测试、类型检查和运行结果，错误能够快速暴露。
AI可以补全函数、解释旧代码、生成测试、整理重复逻辑，但前提是仓库边界清楚，需求写得具体，并有人工审查。若需求模糊、系统缺少测试，模型只会更快地产生难以理解的代码。
翻译是很好的对照。法律条款、技术说明和固定格式文本约束较强，机器翻译通常容易校对；文学、讽刺、地方口语和跨文化隐喻没有唯一答案，模型可能语法顺畅却丢掉真正含义。
现实决策更复杂，目标经常互相冲突，信息也不完整，AI无法仅凭流畅表达承担责任。争论AI是否有用，不如先问四件事：目标能否清楚描述，结果能否验证，出错成本多高，谁承担最终责任。
低风险且可复核的工作适合自动化，高风险开放任务需要把AI限制在辅助位置。它不是无所不能的答案机器，也不是昂贵玩具，而是一类在特定边界内非常强、越过边界就容易失真的工具。
真正成熟的使用方式，是把机器速度与人工判断结合起来。蛋白质预测要回到实验，棋类结果要回到规则，代码要回到测试，翻译要回到语境。
只要验证链条还在，AI就能减少重复劳动并扩大探索空间；一旦把验证也交给模型，效率很可能变成风险。AI在某些基准上接近专家水平，也不意味着它理解生物机制、棋手意图或软件业务。
模型可能给出高质量候选，却无法自行承担实验失败、战略后果和安全责任。评估价值时，应同时观察准确率、覆盖范围、校验成本和错误后果。
只看一次惊艳输出容易高估能力，只盯住一次荒唐失误也会低估工具。稳定流程比情绪化结论更重要。
Google翻译处理单个词早已十分成熟，短语通常也能给出可用结果；长度超过一两句话后，指代、语气和上下文开始相互牵连，偏差可能一路累积成荒诞结果。这正是开放环境的代价：可接受答案越多，机器越难判断哪一种最贴合真实意图。
把AI用于所有任务，就像开汽车去削土豆，结果糟糕不能证明汽车本身无用。更大的问题在营销。
昂贵技术需要投资回报，企业便容易把适用范围说得过宽，仿佛一个工具能取代所有工具。理性态度既不是追随万能神话，也不是因神话破灭就彻底否定，而是清楚识别它的能力包络。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
