“优秀的科学家 99% 的时间都会犯错。”这句话出自 2013 年诺贝尔化学奖得主迈克尔·莱维特（Michael Levitt）教授。在这位投身科学界超过半个世纪，横跨计算化学、生物学乃至计算健康和 AI 领域的科学先驱看来，真正的科学精神内核不在于追求绝对正确卓信宝，而是勇于试错。
莱维特教授因“为复杂化学系统创立多尺度模型”而获得诺奖，同时他也是一位拥有 60 年编程经验、如今依旧每天高强度使用所有主流 AI 模型的前沿技术拥护者。他与中国有着深厚的联系，对中国科技生态的观察亦十分敏锐。
在这篇深度对话中，莱维特教授以一种罕见的坦诚，将他毕生秉持的试错哲学与当下最火热的 AI 革命进行了碰撞。他直言，在 AI 时代，大语言模型的出现比 AlphaFold 更让他震撼，但也坦承AI 目前仍不够好——“时而聪明，时而愚蠢”。
本文的核心精神，便是在这位智者“我不知道”的谦逊与“允许犯错”的智慧中展开。他探讨了 AI 的局限性、科学的偶然性、技术背后的哲学思辨，以及为什么在一个人人追求效率和完美的时代，我们反而更需要赋予年轻人失败的权利。
以下是我们与这位跨领域科学家的完整对话。为便于阅读，内容经过必要整理，但最大程度保留了他的原始论述与思维脉络。
谈与中国结缘：第二任妻子曾在北大教书，二人多次来华
DeepTech：我注意到您曾多次到访中国，参与过很多活动，您这次中国之行的感受如何？
Michael Levitt：感受很棒。8 年前，与我结婚近 50 年的第一任妻子中风去世。半年后我偶然遇见了现在的伴侣 Shoshan，她在北京大学教了 5 年书，与中国有很深的联系。认识她之前我曾来过中国一两次，因为她的影响我来得更频繁了。
之后我们多次一起过来，我也在这里建立了不少联系。我非常喜欢在中国生活，虽然我认识的中文不多。我认为在中国真正关键的是会用手机，但我对计算机（之类的电子产品）很熟悉，所以适应得很快，生活完全没障碍。
疫情前，我们每年会在中国待三四个月，疫情期间有一半时间也在这里。这次行程和以往差不多，我们已经在中国待了将近六周。我在这里主要做咨询工作，合作对象包括复旦大学和浙江大学，也会到处做演讲。
我拿过诺贝尔奖，成为了所谓的“有名气的科学家”，因此除了自己的研究工作，我觉得自己还有义务向年轻人展示科学的魅力。虽然我的背景是计算化学和计算生物，现在反而更多在做计算健康。
每次来中国都会再次感受到这里的不可预期。我常开玩笑说，在中国开会，议程通常在会后两天才真正明确。最开始我会因为不知道接下来会发生什么而紧张，但现在我完全接受并享受这种不确定性，通常结果都不错。中国人在临场应变和最后时刻把事情做成方面确实很强。
我的本职工作仍在斯坦福，是全职科学家，在中国是访问和咨询的角色。我出生于南非，在英国剑桥大学工作过，也在以色列和美国工作过。现在我和中国的一些机构保持联系，这些经历塑造了我的跨国理解框架。
另外我想强调的是，我在 2022 年 11 月 ChatGPT 3.5 发布后就开始深入研究 AI，几乎每天都在用所有主流模型，不局限于一个引擎。这样持续、高强度使用 AI 的人并不多。而且我现在仍在写代码，已经写了 60 年代码了，这让我看待问题能够拥有较为长期的技术视角。
DeepTech：您已经接触过中国的科技产业生态系统，与西方国家相比，您如何看待中国在科学和 AI 领域的发展？
Michael Levitt：我一直都有一个习惯，那就是不轻易做对比。别人问我 A 和 B 哪个更好，我的回答永远是：A 加 B 比 A 或 B 更好。我倡导包容，而不是对立。
在科研和技术上，中国算是比较新的力量。现代意义上的中国科技发展真正起步、真正系统性的投入也就几十年。过去一年，我看到中国对生物技术的关注度大幅提升，这在某种意义上是意外的，因为生物技术十分复杂。中国把重点放在人类健康上，这是新变化，我非常赞赏。这应该是人类最容易达成共识的一点：没有什么比人类福祉更重要。
至于 AI 技术，在 DeepSeek 出现之前，中国用户要真正地接触到高质量大模型其实很不容易。我非常高兴看到 DeepSeek 横空出世，它是一个重要转折。因为我自己可以接触到所有大模型，所以我深知能否使用 AI 工具对科研和创新意味着什么。DeepSeek 的出现让中国用户能真正接触并利用先进 AI，而且现在已经被广泛使用，这是非常好的事。我也很高兴看到中国进入这个赛道，与硅谷竞争。
在科学方面中国仍在学习。但从各种引用指数和出版趋势来看，中国的科学产出正在快速上升，这是一件好事。
我常强调一点，真正优秀的科学往往由年轻人完成，但获得认可却要等到很多年之后。因此优秀科学的“被看见”与“被认可”之间总存在长长的滞后。我是 2013 年获得的诺贝尔奖，而对应的研究是在 1960 年代末到 70 年代初完成的，中间隔了 45 年。
谈自己得诺奖和最新诺奖得主
DeepTech：2013 年诺贝尔化学奖表彰了您和其他两位科学家“为复杂化学系统创立了多尺度模型”，这项工作在过去 10 多年有什么新进展吗？
Michael Levitt：我想先把这项工作的重点讲清楚。1960 年代末，我很幸运参与了最早的一批蛋白质和 DNA 的计算研究。这些都是生命分子的基础，它们由一连串原子构成，但本质上可以看作由许多“小分子模块”组成。那时我研究的是小分子之间的相互作用力，后来意识到自己写的小分子计算程序，只要稍作修改就能直接用于大分子。
我应该是第一个把蛋白质“放进电脑里”并从能量学角度去研究它的人。任何系统要研究运动、变化，都需要一个能量函数，也就是在任意原子排列下系统的能量是多少。当时我们建立了最早的能量函数体系，这套方法后来引出了许多重要突破。
生命之所以迷人，就在于它依赖这些长链分子发挥功能：一种是像文字一样储存信息的 DNA；另一种是蛋白质，能折叠成极其精确的三维结构。人体大概有 25,000 种不同的折叠形状。这些蛋白质以不同方式组合，形成机器、结构，像乐高积木一样构成人体，只是每个“乐高块”都是由一根分子链折叠出来的。尺度小于 1 纳米，精确度远高于任何芯片。
60 年来，结构生物学不断累积数据。我刚做蛋白质研究那会，全世界只有两个结构。今天已超过几十万，是靠无数科学家的艰苦工作取得的成果。相关成果带来了许多诺贝尔奖。
如今的 DeepMind AlphaFold，是把几十年所有结构知识集中起来的一次整合。2024 年获得诺奖的德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John Jumper）带领团队把所有结构数据库、各类方法论和前人提出的能量函数思路，全部汇聚进一个 AI 系统里。这个系统可以基于序列家族给出可信的结构预测。它其实是我在过去推进的那条研究路线的某种终点，能走到这一步令人惊叹，也常被视为 AI 在科学领域的第一次真正意义上的重大应用。
AlphaFold 并不是凭空创新，而是在一个成熟框架上，用 AI 让规模、方法和数据量都扩大了几个量级，同时在网络结构、注意力机制、Transformer 的设计上有关键突破。这些都是在大模型出现之前实现的真正开创性工作。
从计算能力的角度看，我自己做过一些比较。现在一部普通智能手机的算力，其实相当于 1997 年全球最强的超级计算机。而我开始做研究的时间比那还要早二十年，那时候的计算机算力大概又比 1997 年弱上很多倍。
这种巨量算力带来的变化直接推动了 AI 的质变。AI 读完一千本书仍然很笨，但读到一百万本它就会变聪明。我们在科学中不断遇到这种阈值，当数据量积累到足够大时，不只是性能变好，而是直接从“做不到”跳跃到“能做到”。这是理解 AI 与现代科学的关键点。
DeepTech：您对 2025 年诺贝尔化学奖有什么看法？
Michael Levitt：诺贝尔奖总能够吸引所有人的注意，也同样会吸引其他诺贝尔奖得主的关注。今年的化学奖非常令人印象深刻。我其实两年前在上海见过奥马尔·M·亚吉（Omar M. Yaghi）。虽然我不是化学家，但他给我留下了深刻的印象，尤其是他在研究中对 AI 的使用。因此听到他获奖，我真的很高兴。
化学家们在设计新材料方面越来越强，他们正在做的事情让我觉得非常有趣。他们不再从原子层面出发，而是从“组件”的角度来思考——我们已经能造出 A、B、C、D 这些基础组件，然后通过聪明的组合方式把它们搭建起来。这些组件能够以不同方式连接，从而产生完全新的结构。
我认为金属有机框架（MOF，Metal-Organic Framework）的关键，在于把金属和有机分子结合起来。有机分子会把金属原子彼此“撑开”。最常用的有机结构往往是六元环，比如苯环由六个碳原子构成的平面环状结构。这个环可以在两端与金属结合，因为它是一个薄而平的结构，就像放入一片薄板，把金属原子推得更远，从而形成孔洞。
正是这些孔洞，使得这种材料拥有极其巨大的比表面积，因为材料内部充满微孔，小分子可以进入其中。这类材料因此具有重要的性质，就像海绵或泡沫因为内部结构而具备独特的宏观性能一样。
在化学领域，我们将看到 AI 带来的巨大进展。化学本质上是组合科学，原子的组合、分子的组合、片段的组合。组合空间增长得非常快。如果你有 20 个组件，任意取 3 个排列组合，就产生超过 6,000 种可能的组合。取 5 个，就会超过 100 万种。
AI 能够探索这些庞大的空间。而且如今人们已经在建立自动化实验室，由机器人来执行化学实验。机器人一天能完成的实验数量是人的一千倍，它们特别擅长系统化地进行混合与试验。我相信在这个方向，我们会看到令人难以置信的突破。
谈 AI：AI 知道答案卓信宝，你要做的是找到正确的问题
DeepTech：所以您看到的科技进步更多的是飞跃式的、变革式的，而非一点点渐进的？
Michael Levitt：对我来说，AlphaFold 当然令人印象深刻。而大语言模型哪怕只是 ChatGPT 3.5 的语言能力，都完全超出了我的预期。它真正震撼了我，我完全无法相信，一台机器突然能够在语言上几乎通过图灵测试，而且之后只会变得越来越强。
所有这些进展完全是意料之外的，它们的意义在于：一个小小的芯片现在可以听懂人。它们还不能真正“说话”，但后续的影响还没完全显现。我相信有一天，我们可以跟任何设备对话，都能得到回应。
整个发展完全出乎意料，就像 DeepSeek 在中国的出现一样。科学的世界里，充满这种意想不到的跃迁。
DeepTech：您觉得 AI 会遇到哪些瓶颈或局限性，甚至发展到无法继续前进的地步？
Michael Levitt：我不知道。现在的情况是，AI 有时非常聪明，有时又愚蠢到难以理解，而且你常常无法提前判断。我一直用它写代码。有时候，它一次就能写出一段很复杂的代码，而且能正常运行，但有时候它会被一个很低级的 bug 卡住，怎么都找不到问题。所以现在的情况是，它的表现不够稳定。
另外，人类在做事情时，总是在试错。AI 也需要具备这种自己尝试的能力。但现在我经常感觉是我在替 AI 工作，而不是 AI 在替我工作。AI 应该变得能够自己说：“我先试方案一，我会测试它；两小时后我告诉你成不成。不成功的话我再继续尝试。”我认为未来我们会先在这一点上看到突破。
AI 写代码确实在进步，但我没法完全依赖一个模型，Claude、Gemini、ChatGPT 和 DeepSeek 我都在用，整个过程就像在和团队合作。所以我们需要的是，AI 引擎能自动完成这种多方讨论，你只需要说一句“请你们讨论，最后给我一个讨论后的最终答案”。
还有一个我在所有事情上都坚持的原则：科学家不相信任何东西。这听起来可能有些奇怪，但科学家的基本假设是“一切都是错的”。因为实验结果常常会误导你，常常是不准确的。所以我们认为所有东西都是错的，直到有了确凿的确认。
我觉得这是一种非常有益的态度，适用于所有事情。
至于未来可能遇到的瓶颈，未来总是充满未知。很多人和我聊起 AGI，但对我来说 AGI 仍然是一件非常模糊、没有定论的事情。
当然，如今的 AI 有时确实像我在斯坦福最优秀的研究生一样聪明，但有时它又会特别愚蠢。不过，我的学生也会犯蠢，我自己更是常常犯错。科学家出错是很正常的，甚至某种意义上，好的科学家就应该经常出错。如果你从不出错，说明你没有在挑战真正困难的问题。而只有在处理那些足够难的问题时，你才会从错误中学习。我相信未来的 AI 也应该具备这种“从错误中成长”的能力。
展望未来，我最期待的是 AI 真正进入现实世界。有一天，我们会看到由 AI 控制的机器人替我们完成实际任务。现在的 AI 世界主要还是互联网，它对真实世界的理解只来自网上的信息，但这种状况终将发生改变。至于会怎样发展，我们还得继续观察。
DeepTech：你相信我们总有一天会实现这一点吗？
Michael Levitt：我也不确定。我常对别人说：无论 AI 多聪明，人类加上 AI 总是更聪明的。真正的力量来自多样性。这一点在生物学中体现得极其明显。
我认为 AI 也是同样的道理，我们需要多样性。我相信 AI 最终也会认识到这一点：有些事情是人类特别擅长的，而 AI 不一定做得好；反过来亦然。所以对我来说，共生协作至关重要。
我对 AI 的看法有点像我们与智能手机的关系。相比于 1997 年世界上最强大的计算机，现在的手机就有那样的能力，而且几乎人人都能拥有，这是非常惊人的。一个不用智能手机的人远不如一个使用智能手机的人聪明，而一个拥有更聪明手机的人会变得更聪明。
所以我始终认为，未来依然是关于“我们”的。我们都会变得更聪明，虽然我们的基因没有进化，我们的先天智商也没有变高，可是我们的“文化智力”（cultural intelligence）、我们的“群体智力”（community intelligence），也就是我所说的 CI，却让我们变得异常聪明。
从最早的语言、倾听长辈的经验、记住故事，到文字、互联网、智能手机，这些东西不断扩展着我们的认知能力。现在，世界上 80% 的人能够接触到几乎所有的书籍，这是过去完全无法想象的事情。
但我们适应了这种变化，并且在其中繁荣发展。无论是儿童死亡率、极端贫困人口比例、营养状况还是整体生活质量，世界都比以往任何时候都好。而与此同时，我们也在变得更聪明。
因此，我认为我们可以借此对未来做一些推测，但同时必须承认，未来本质上是不可预知的。很多人担心 AI 会带来生存威胁，但我更担心那些我们已经知道、真实存在的生存威胁，比如火山喷发、核武器、大型陨石撞击地球等等。
这些才是真正的生存威胁。至于 AI，我不知道。我觉得科学中一个非常重要的词就是“我不知道”，因为有太多事情是我们不知道的，保持这种谦逊非常重要。
DeepTech：那么您认为 AI 将在未来 5-10 年内对生物和化学的发展产生什么影响？
Michael Levitt：我并不能完全确定未来会怎样，但我相信这场影响会非常深远。回想我的一生，我们经历过好几次真正的技术革命。最早是计算机革命，然后是个人电脑的普及，后来出现了互联网革命，而后又是智能手机革命。现在，我认为 AI 又是一场新的革命，只是要判断它最终会扮演什么角色依然很难。然而某种意义上，AI 的潜力甚至可能超过之前所有的技术变革，因为它让一个小小的芯片变得“足够聪明”，能够和你进行真正的交流。
举个例子，我看到你的采访提纲里的有关有机金属化合物的问题，我就去问了 AI，只用了五分钟我就得到了所有想知道的内容。不是它把答案塞给我，而是我基于它提供的信息不断追问，再结合自己的理解，把答案引向我想要的方向。这样的交互方式已经完全改变了获取知识的方式。
我认为 AI 的影响绝不仅限于结构生物学或化学建模，它会深刻改变教育、医疗、外交、政府运作，以及心理学、精神医学等领域。AI 最有趣的地方之一，是它让这些专业意见以一种近乎免费的方式变得触手可及，过去你可能得花很多钱请专家才能得到同样的建议。
比如说，你拿到一份法律文件，想知道有没有问题。AI 当然不会 100% 正确，但它确实能帮你指出潜在风险。如果你不满意 DeepSeek 的回答，你可以换成 Kimi 再问一遍，如果还不满意，那就去问 Gemini。这种多重视角的即时获得，在过去是不可想象的。
现在，人们可以用一种惊人的方式学习任何领域的知识。正因如此，我认为 AI 对各个领域都会产生影响。它之所以具有变革性，是因为它的适用范围极其广泛，几乎什么问题都能回答。
我曾在我的一页幻灯片上写着：“AI 知道答案，你要做的是找到正确的问题。”下一行是：“保持八岁孩童的好奇，和八十岁老人的智慧。”八岁的孩子总在问问题，我们也要变得像他们一样。
DeepTech：AI 的应用总是会伴随着黑盒决策和可解释性的顾虑，您如何看待这种顾虑？
Michael Levitt：人们常讨论可解释性，但可解释性本身也可能是一种幻觉。我经常举一个例子：液态水。水是最简单的系统之一，我们都知道水分子是 H₂O，一个氧原子，带着两个氢原子，像一个 V 字形。
可当你把大量这样的水分子放在一起时，它们竟然表现出非常复杂的性质，比如冰会浮在水面上，水的热性质也非常奇特。和其他液体相比，水其实是很复杂的。
人们试图解释这些性质已经很久了，也提出过许多理论。问题是，这些工作并没有真正“解释”水。它只是告诉我们，通过数学和模拟，我们可以得到这些性质，但为什么会这样，我们依然说不清。
几周前，我问 ChatGPT 能不能解释一下为什么水会有一些特性？最后它给出的答案仍然是那套理由：V 字形、氢键网络、张力。都是一些很模糊的解释。
有些事物就是复杂的，而真正复杂的现象往往很难解释。
我非常喜欢《三体》这本书，里面有很多启发性的内容。在《三体》里，描述了三体运动的物理本质，而三体问题的理论几乎都是由庞加莱在 19 世纪奠定的。它告诉我们，即使物理定律是精确的，系统也会出现不确定性。我们常把“不确定性”归因于量子力学，但其实在量子力学出现之前，仅仅因为数学结构本身的性质，三体系统就已经出现了这种不确定性。
在某种意义上，我们现在正处在一种需要“思考三体式问题”的时代。眼下很多事情发展得非常快，世界看起来比过去更混乱，但问题是：我们究竟应该如何应对混乱？也许对付混乱的方式本身就需要某种“混乱”。
如果你期待用完全有序、线性的方式处理混乱，那往往是行不通的。我们习惯的很多治理与决策框架，前提都是事物是“可预测的”。可在真正的混乱面前，也许制造一点不可预测性反而是策略之一。
我前阵子去上海参加一个会议，由世界顶尖科学家协会（World Laureate Association）组织的。会上有人提出，今天的软件已经复杂到连现有的代码里都藏着大量无法预见的漏洞。演讲者是牛津大学的一位年轻学者，阿米尔·戈哈尔沙迪（Amir Goharshady）。他展示了当下有多少代码本质上是“不可解释”的，不仅人类写的代码如此，由 AI 生成的代码在解释性上也同样成问题。
而这些软件错误造成的损失已经达到数万亿美元的规模。这是一个非常惊人的数字，大概和材料失效造成的损失相当。软件失效已经是一个严重的问题，所以未来我们必须认真去思考可解释性，也必须思考责任归属。
DeepTech：对 AI 的监管和规范，您有什么想法？
Michael Levitt：最近我一直在想一个场景：假设未来有越来越多的智能机器人在替我们做事，那么机器人要不要交税？如果机器人能创造价值、能赚钱，那它当然也应该纳税。那么问题来了，它们如何被识别？
我觉得未来我们必须给一切东西建立身份标识。软件需要有自己的 ID，公司需要有 ID，每一张照片也需要有 ID。现在所有东西都在被复制，我们希望知道原始版本是什么、是谁拍的、是哪个系统生成的。所以我相信，我们最终会需要一种“全链路 ID”体系，能标注每一个内容、每一个模型、每一段软件，甚至生成它们的硬件。
有人认为这样的 ID 是个坏主意，因为它会让所有东西都变得可追踪，失去隐私。我觉得确实有道理，所以我们必须在隐私与身份标识之间找到平衡。
这其实不是一个技术问题，而是一个哲学问题。我认为哲学今后会变得非常重要。各种悖论、各种哲学概念都会重新变得关键。我们正学着用从未有过的方式去理解世界、处理问题，这一点前所未有。
我觉得各国政府必须认真思考，在全球化企业的时代，我们该如何应对。很多问题不仅仅是科学问题，而是跨越法律、经济、社会的复杂议题。
举个例子，中国人坐火车时要刷身份证或护照，你的行踪都能查到。对于没有习惯使用身份证的西方人来说，这可能很难理解。但另一方面，正因为有严格的身份体系，中国的犯罪率非常低。生活在几乎没有犯罪的环境中，会让人觉得很安全。
这里涉及到隐私和安全之间的平衡，自由和责任之间的平衡。这些问题非常深奥，不可能用一个原则就解决。我觉得一些在西方非常重要的制度比如民主依然非常关键，但民主本身并不足够，还需要配合其他机制才能真正发挥作用。
在现实中，有些人可以通过向立法机构捐款获得远比他人更多的影响力。这还是民主吗？形式上是，但它真的总是最公平的吗？我认为并非如此。我们必须认真思考这些问题，因为我们正在构建一个新世界。
谈做科研：年长的科学家必须主动把年轻人推到前面
DeepTech：您刚才提到了科学家总是会犯错，您在以前的采访中也说过：“优秀的科学家 90% 的时间都会犯错，而真正优秀的科学家 99% 的时间都会犯错。”我们应该如何理解这句话？它对您的工作有何影响？
Michael Levitt：犯错是一个非常有意思的话题。我仍记得自己刚获得诺贝尔奖的那段时间。我经历了许多事，不断的采访、媒体邀约、各种活动，生活就此改变。我意识到一件事，我已经不是获奖前的自己了，因为我成了一个象征。
诺贝尔奖有一种仪式感，它会让你意识到自己与众不同了。颁奖典礼的整个流程都是刻意安排的，因为从那一刻起，你不再只是你自己，你成为了科学的“公众象征”。你的时间不再完全属于自己，它属于与公众沟通、属于科普、属于责任。
我年轻的时候非常幸运，很早就接触到了很多著名科学家。我的叔叔和婶婶住在伦敦，本身就是很有名的科学家。在 25 岁之前，我就已经遇见了大量非常顶尖的科学家。
那时的我突然意识到，让年轻人见到著名科学家是非常重要的，并不是因为他们多有名气，而是因为你会意识到，他们也是真实的人。就像有人会想见摇滚明星一样，但见到科学家会让你意识到他们也是普通人，只是做出了不普通的工作。
也因为这样，我见到了很多诺贝尔奖得主。几乎所有人都同意，他们最重要的突破，往往来自长期的失败。他们会告诉你，某个实验他们试了两年、三年、无数次，一直失败，直到有一天突然抓住了那个缺失的关键点。
在某种意义上，科学探索就像是蚂蚁寻找食物。蚂蚁会不断乱走，尝试各种方向，纯粹靠随机漫步去寻找。一旦找到食物，它就会留下信息素，让其他蚂蚁能够跟着过去。科学就是这样，本质上是机缘、是试错、是坚持。
你永远不知道下一次重大突破会来自哪里，但你必须坚持下去。而当你犯错时，你要继续尝试。这也是为什么我说，一个真正的优秀科学家 99% 的时间都是错的。如果你真的在做困难的事，你就会经常犯错。
如果有人对我说：“你可以做任何你想做的研究，但你绝对不能失败。只要你失败，就会失去所有经费。”那我一定会去做一件非常安全、非常简单的事情。我不会冒任何风险。可是科学家恰恰需要有犯错的空间，才能真正从事有意义的探索。
我也跟中国学生说过，你们一路走来一直被教导要正确，要考高分，要在高考中不能失败，要做你擅长的事情，总之就是尽量不犯错。但现实生活恰好相反，你要去做你不擅长的事情，而不是永远停留在舒适区。
最重要的是，你必须学会如何去犯错。我甚至去问了 AI：人要怎么学会犯错？结果我发现，工程学里其实已经有不少这样的课程。班上一部分学生会设计一个带有隐藏缺陷的系统，另一部分学生则负责找出那个缺陷。你能不能“学习”去犯错？我认为这是人生中必须掌握的一件事，但我们现在做得还远远不够。
其实，能进入斯坦福、剑桥、牛津、哈佛、清华、北大这些顶尖大学的学生，大多数人可能从来没有真正“错过”。他们写出完美的文章，做出完美的作业，按部就班地成功。但要想在未来真正做出非凡的事情，他们需要学习如何面对错误。你必须学会接受失败，你不可能把“犯错”做得很完美，关键是接受它、拥抱它。
我非常相信，年轻人是推动科学前进的真正力量。可惜的是，今天的科学体系变得越来越头重脚轻，由大量资深科学家主导。年长的科学家必须主动把年轻人推到前面。我们这些资深科学家有话语权，但我们必须意识到新的突破往往来自那些“不知道自己不知道什么”的年轻人。
过去三十年真正改变我们生活的人是谁？你会发现，几乎所有人都是年轻人，而且很多人根本没有完成学业。他们年轻、有强烈的创造力，根本等不及“完成全部学业”就要改变世界。
这给科学界一个非常明确的启示：年轻人很强大。我们应当告诉年轻人，去研究真正困难的问题。因为重大突破来自长时间的失败，而不是一次正确。这件事在科学界做得还远远不够。
DeepTech：您还有什么想对年轻科学家说的寄语吗？
Michael Levitt：第一，你得相信自己。因为如果你不相信自己，就不会有人真正相信你。第二，做你真正热爱的事情，不要去做你以为重要的事情。你热爱什么，你最终就会坚持什么。第三，要准备好犯错。第四，也是最后一点，看似简单但非常关键：做一个善良的人。乐于给予，愿意帮助别人。科学需要互相扶持，需要彼此成就。
我觉得这些品质都非常重要。科学在过去 30 年与整个世界深度绑定，比以前任何时候都更深。如今科学家也能获得许多财富。过去是“富人一类、科学家一类”，现在这两个身份能融合在一起。
这意味着科学家肩上的责任也变成了双倍的。科学家过去住在象牙塔里，现在象牙塔外面还镀了一层金。这不是一件好事，我们必须主动走出那座塔，让自己更平易近人，更能理解那些没有我们这么幸运的人。
身为科学家，我们必须意识到，每个人都有自己的价值，每个人值得被尊重，没有任何人是无用的。这一点特别重要。
最后我还有一些思考：我们看待事情的时候，不能用非黑即白的眼光。很多事情是复杂的、混乱的、没有绝对的对错的。有时候看起来正确的路，未必真的是正确的。
举一个来自《三体》的例子：（罗辑的）那个荒唐到让人难以置信的面壁者计划，看起来很不靠谱，反而成了最后的答案。
我认为美国今天的撕裂、严重的两极分化，部分原因是学术界和当权者并没有足够意识到他们自己有多幸运，他们以为这些是自己“应得的”。可事实上，没有什么是应得的。我常说，我只是运气很好，而真正驱动成功的，往往就是运气。如果你成功了，就必须明白自己有多幸运，这样你才能理解有些人有多么不幸。
运营/排版：何晨龙
道正网提示：文章来自网络，不代表本站观点。
