科学研究的最终目标和目的是什么？

刘晨阳1

科学研究的最终目标和目的是什么？

小猪散步

哲学家：科学研究的目的是认识世界，认识自己。回溯到古希腊时期，人们就开始用科学的思维和方法思考世界的组成、动植物的分类、天气的变化，科学是人类了解未知世界的途径。
政治家：科学研究的目的应当是创造先进的社会生产工具，提高社会生产力，从而促进经济和社会的不断进步。科学最终是为人类社会发展服务的。
科学家：科学研究是一场个人好奇心驱使的”游戏“。通过科学研究，科研工作者自我能够感到内心充实、有趣、充满挑战，甚至完成最终的自我实现和自我超越。
某街边大爷：嗨，科学研究也不过是众多职业选择中的一种罢了，有的人擅长这个有的人擅长那个，谁不需要挣口饭吃？
其实，四种观点都不矛盾，我想对于绝大多数从事科学研究工作的人来说，恐怕四种观点都兼而有之吧。

福安到安顺屏

今天不来讨论人类的命运和存在的理由这些终极问题，我想说说我自己的故事。
一个关于已故日本统计学家和我产生奇妙联结的小故事。
2017年四月末的一个晚上，博士研究生第一年的我正在学校实验室里面哼哧哼哧地写着代码，准备这一周与老师开会的汇报文档。
当时科研课题中亟待解决的一个问题是：对于一个APP的用户，我们应该怎样给他们不同的行为聚类并且分组，从而能归纳出不同的用户类型的不同行为模式。在来来回回试了一些常用方法却没有得到理想结果好几天之后，急切地想要给老师留下深刻印象的我猛拍脑瓜，又把目光投向了高斯混合模型 (Gaussian Mixture Model, GMM)。
大学毕业还不到一年的我其实并没有什么令人信服地理由来说服我自己为什么GMM在这个情境下是一个好的模型，而单纯地只是因为我听说过这个模型，觉得它有可能能适用于这个场景。但更多的原因是，我需要体现出来我做了足够多的工作来为周二的课题例行会议交差。
在由k个子分布组成的GMM模型里面，一个需要使用者提前确定的参数就是这个k的值到底是多少。诚然，我可以随意选择一个正整数来作为k的取值。但是作为一个拥有自我要求的正经学校的博士研究生，我自然是不能乱选。于是，离开会仅仅只有两天的我又一头钻进了模型选择方法的黑洞当中：我想知道到底有什么“科学”的办法来帮助我选择这个合适的k值。
有过在半夜无聊网上瞎搜经验的同学就知道，这样的黑洞一旦打开了可能就收不住了。在各种科普文章、论文、教科书中来回横跳的我，不知不觉中就划水划过了几个小时。我早就忘记了时间，不过大概率是已经过了半夜十二点了。
这个时候并不是什么论文会议的截稿日期附近，所以计算机系的大楼空无一人。实验室里面明晃晃的LED灯管发出的轻微的电流声照得我直发怵。
网上的论文翻着翻着，看到了一个似乎在某节不知是数理统计还是信息论的课上听过的一个名词：AIC。我大腿一拍：”这我懂啊！"
于是我顺手打开AIC的维基百科，里面写到：

赤池信息量准则（英语：Akaike information criterion，简称AIC）是评估统计模型的复杂度和衡量统计模型“拟合”资料之优良性（英语：Goodness of Fit，白话：合身的程度）的一种标准，是由日本统计学家赤池弘次创立和发展的。赤池信息量准则建立在信息熵的概念基础上。

可能是已经破罐子破摔的我，这个时候完全忘记了一天半以后要开会的内容还不知道在哪里，开始了在英特网的无底深渊里的畅游。五分钟以后，我不出意外地翻到了一篇名为《最大似然原则的信息论原理及其拓展》（Information Theory and an Extension of the Maximum Likelihood Principle）来自1973年的论文，作者名叫赤池弘次 Akaike Hirotsugu。AIC里面的A就来自于他的姓氏Akaike的英文首字母。



《最大似然原则的信息论原理及其拓展》（Information Theory and an Extension of the Maximum Likelihood Principle）

作为学术界惯例，看见不明觉厉的大佬当然应该去翻一翻谷歌学术和个人主页。看看这两年这人都在干些啥，有什么学术八卦。然而打开谷歌搜索”赤池弘次“的第一页就赫然写着赤池弘次博士已于2009年8月4日于日本茨城县逝世。



赤池弘次博士

与往常翻阅当代的学术明星们的个人主页，膜拜他们闪闪发光的履历不同。”逝世“这两个大字着实让我看的有些懵逼。继续翻阅下去发现他曾任日本统计数理研究所的所长，创立了日本综合研究大学院大学的统计科学部门，也曾经作为访问学者造访过包括普林斯顿、斯坦福在内的一众大学。当然他最出名的工作自然是统计学和信息科学中赫赫有名的赤池信息量准则AIC。谷歌也曾在赤池博士90岁诞辰的时候创作了放在其首页的谷歌涂鸦。



赤池弘次博士的谷歌涂鸦



赤池弘次博士谷歌涂鸦的其他构想草稿

然而尽管赤池博士的鼎鼎大名，倘若我不是在那个手忙脚乱的夜晚在谷歌学术上瞎转悠，我可能永远也不会记得他的名字和他背后一生的故事。在我第一次知道他的全名的时候，他已经离开这个世界快八年了。赤池博士跟我来自于两个不同的年代，有着完全不一样的人生轨迹和生活经历。甚至当他逝世的时候，我还只是个十来岁的中二少年。但就是这样一位在地球的另一端已经故去八年的统计学者，依然通过他在70年代写下的意气风发的文章，告诉了2017年的我关于他的工作和一生的故事。
实验室的LED灯管还是在嗡嗡作响。
故事的结尾，我最终也没有在我的论文里面用到GMM或者AIC，我也不记得我那天我在实验室里坐到了几点，更加不记得那一周与老师开会最后是怎么交的差。
但是我会记得在1973年的日本，除了村上春树的弹子球，还有赤池弘次和他的AIC。
2017年后来还发生了很多事。但在加州帕罗奥图市四月末的一个微凉的夜晚，有一位与我素未谋面的老先生，用一篇44年前的文章，安抚了一个不知所措的后辈学生的慌张。
所以，你要问我科学研究的目的是什么，我诚然是有一些关于星辰大海的答案。但是，时常我又只有一个小小的期待：希望我也能在哪一天成为照亮某个素不相识的人的寂寞夜晚的一颗星星吧。

依然永恒

这个问题，让我想起了多年前看过的一本书：《世界上最糟糕的旅行》。此书中，描写了100多年前一段伟大悲壮的南极探险旅行。在暴风雪中，五名探险家结束了自己的生命。许多人因此发问：这真的值得吗？我想，在这个问题的答案中，隐藏的正是科学研究的真谛。这一场以生命代价终结的探险旅程，不是极点竞赛，也不是证明人类突破极限的能力，更重要的是对南极进行科学研究，以填补人类对极地认知的空白。
在我看来，科学研究的终极目的，在于拓展人类知识的边界，不断发现暗藏在表象之下的客观规律，并进一步考虑这些规律是否可以被我们有计划地应用，将具体科学的“理”最终淬炼为哲学普世的“道”，从而达到造福人类的目的。
在这个过程中，很重要的是要摆正目的和意义的关系。有意义，并不意味着要达到什么目的。这就是为什么我们强调科学研究要做真正的原始性创新，不要想着通过科研达到什么目的、获得什么利益。
既然科学研究侧重于意义，那么怎样的科学研究能算得上是有“有意义”的呢？对此，我倾向于将其形容为一个“打开黑盒子”的过程。所谓“黑盒子”，是指我们只能看见一个理论或者实证的结果。但是，即使用眩目的技术证实了因果关系，却也无法了解这个理论或者实证结果的内在逻辑和推导形成的过程。而“打开黑盒子”，更侧重于“打开”的这个动作过程，是一种建立再推翻，从迷雾中寻找真理的思考方式；是寻找内在底层逻辑的机理，对事件进行深入剖析的能力。“黑盒子”里世间万物的运行机制，是学者解构和探索的对象。
一个有品位、有意义的科学研究，是对于事物“化繁为简”的逻辑解构，以及反哺于现实的意义建构。不是为了发表而在浩如烟海的学术文献中硬找“missing links”，而是立足实践寻找有价值有意义的“真问题”。
以我所从事的经济学研究领域为例，要达到研究的“无为却有为”的境界，研究过程中价值判断是很重要的方面。以著书立论为例，如果某人写一本书，首先想到的是能在履历上增加一个亮点，可以满足了某个课题的考核，然后拿着这些去换一个职称，那就不再是原来意义上科学研究的目标了。按照这种不同的目标指向，做事的方式和做事的结果，肯定很不一样的。
为什么现在这么多人说自己的研究是在搬砖？因为当今学术界，不少所谓研究“成果”，其实就是为了发文章而生产出来的东西，是完全的屠龙之术，对现实生活可能意义不大。
为了发paper而写paper的行为，虽然在规则上是行得通的，也是众多学术新人谋生立足的根本，是完全可以理解的。但是，当一个学者已经在学术界立足后，再为发paper而写paper，那就是学术品味不足的体现。
那么，如何判断自己是不是在做真正有品位，或者更准确地说是有意义的科学研究？这个问题，还得向自己发问。当你回首看自己的研究成果，如果你仍然能够自信地说：我还是为我研究的领域做出了贡献的，也许贡献不大，也可能会被更新的理论和数据推翻，但是我做的事情是有意义的。最怕的是一项研究，论证过程无比严密，结论也无懈可击，但全篇读完后，留给读者脑子里的只有“so what”两字。
因此，科学研究赋予学者的，其实是一种有使命的特权。从科学的进程看，一个真正有品味的科研工作者应该是：走自己的路，让人类有更好的路可走。

吖咩嘚咩s

那么在科研中，终极目的是什么？
认识世界？因果关系推断？为社会和经济做出贡献？满足人民需求？仁者见仁智者见智了
爱因斯坦说：

The grand aim of all science is to cover the greatest number of empirical facts by logical deduction from the smallest number of hypotheses or axioms.(Albert Einstein)
所有科学的伟大目标是从最少的假设或公理中通过逻辑推理来涵盖最多的经验事实。(爱因斯坦)

生态学中的一个两难境地：生态学家渴望建立一门既能理解自然世界，又能为社会提供工具来对环境做出负责任决策的学科。出于这两个目的，大多数科学的核心都有一套预测自然界重要性质行为的经验特征(如牛顿力学定律、门捷列夫周期表、孟德尔遗传学)。
综合以往看到的各种文献，我觉得科研的目的是理解当下世界的运行模式，并对未来作出预测。理解当下只是手段，最核心的是对未来的预测能力。
科学研究的最终目的——因果关系推断

一个现象的出现总是伴随着另一个现象的出现，改变其中之一是否会导致另一个跟着变化？其答案取决于这两个现象之间仅有相关关系？还是有因果关系？自古以来，关于因果关系的研究一直吸引着人们去思考。在科学研究中，人们通过观察和实验发现自然规律、探索现象之间的因果关系是各种科学研究的最终目标。爱因斯坦认为“西方科学是建立在以因果律为基础的形式逻辑之上”。
自1888年Galton提出了相关系数的概念以来，“涉及因果推断的问题自始就缠住了统计学的脚后跟”，1911年，Pearson提出用列联表分析因果关系，1921年，Wright提出路径分析模型，1934年，Neyman提出潜在结果模型，1935年，Fisher提出随机化试验方法，1974年，Rubin关于观察性研究提出虚拟事实模型，Pearl和Spirtes等提出因果网络图模型，图1给出了一个设想的关于肺癌的因果网络。Freedman介绍了从相关关系研究到因果关系研究的发展过程。从观察获得的数据中发现，不同因素之间的因果关系是统计学和人工智能领域长期关注的科学难题。


图为关于肺癌的因果网络Yule-Simpson悖论描述了一种与人们常识相悖的现象，一种药品对男性和女性都有效，但对人类无效。
无因果关系的两个因素A和B可能会有相关关系，这个相关关系是由于其他因素C对它们共同影响所造成的，因素C称为混杂因素。混杂因素也可能会使原本有因果关系的两个因素变得互不相关。例如，设想有一种治疗某种病危患者的特效药，而且所有患者都服用了这种药，那么，会观察到服药的患者与不服药的正常人有相同的寿命，即服药与寿命不相关。判断是否存在混杂因素是因果推断的关键问题。采用随机化试验，即给每个患者随机地分配治疗或处理方案，可以排除混杂因素。随机化试验是因果推断的最可靠方法，但随机化试验需事先确定哪个因素是原因，其目的是推断原因对结果的作用，而且在很多研究中不允许进行随机化试验。但是，根据观察性研究进行因果推断需要某种用数据不可证伪的假定。通常，假定观察了足够多的变量，以致包含了所有的混杂因素。在观察性研究中，首先确定观测变量的集合，然后从中选择混杂因素是因果推断的两个关键步骤。当存在未知的或不可观测的混杂因素时，可以选择一个与原因变量相关，但不受混杂因素影响的变量称为工具变量，来消除混杂偏倚，而根据先验知识很难确保不受混杂因素影响。因此，确定和选择工具变量是另一个具有挑战性的研究课题。


图为提出随机化试验方法的英国统计学家Ronald Fisher（1890-1962）在科学研究中，常探究原因影响结果的因果机制，原因A对结果B的直接作用有多大，而原因A通过中间因素C对结果B的间接作用有多大。给定中间因素C取相同值的条件下，根据A对B的作用来评价直接作用的方法可能会导致错误的结论。例如，给定接受新治疗与接受对照治疗的患者的中间因素血压C取相同值的病人并不是同一类病人，不具有可比性。
为了保证可比性，Frangakis和Robin提出主分层方法，根据每个人的潜在中间因素（接受新治疗的血压和接受对照治疗的血压）将总体分层。但是，同一个人只接受一种治疗，因此，只能观测到一个血压，而不能两者兼得，导致主分层方法遇到了新的困难。在科学研究中，人们常试图利用一个近期的或容易得到的中间指标来替代远期的或难以得到的终点指标。确定替代指标方法有基于条件独立性、主分层和因果图的准则。
但是，采用这些准则可能会出现因素A对因素B有正作用，并且因素B对因素C也有正作用，而出现因素A对因素C 有负作用的现象，称为替代指标悖论或中间因素悖论。近年来，很多专家对替代指标方法进行了争议。抑制心律失常能降低发生心脏骤停的可能性，曾将抑制心律失常作为评价治疗猝死药物的替代指标。美国批准了几种能有效抑制心律失常的药品，但是，经过长期追踪研究发现，这些药品不但没有降低心脏骤停的可能性，发而增加了可能性，这就是美国20世纪80年代发生的历史上最严重的药品灾难事件。在科学研究中，采用将一个复杂系统分解为各部分之组合的还原论方法和采用替代指标的方法的合理性都有待于从因果推断的角度进行审视。


图为美国统计学家Donald Rubin，Rubin教授将于今年9月全职赴清华大学丘成桐数学中心工作基于相关关系的预测仅适用于学习样本和未来样本是同分布的情况。
外部干预可能会改变变量之间的相关性和总体的分布。基于因果机制的预测方法建立因果模型，对未来外部干预的结果进行预测。基于因果关系的方法可以预测制止公鸡打鸣不会阻挡日出，因此，它比基于相关关系的预测方法更具有普适性。对于历史数据中未曾经验过的干预进行预测是一个具有挑战性的问题。
目前，多因素之间因果关系研究主要采用Bayes网络模型。因果Bayes网络已经被广泛应用于多学科的研究中。在生物信息学研究中，使用小样本数据构建数千个基因的调控网络，这种高维小样本数据的网络结构学习同时具有计算复杂性和统计效率的问题。基于Bayes网络的因果推断注重从数据中挖掘因果关系，而仅仅从观察数据是否能发现因果关系的问题仍存在争论。根据观察数据和试验数据学习构建因果网络是一个具有挑战性的研究问题。
一百年前发现了相关关系的数学描述，推动了人类对自然科学和人文社会奥秘的认知能力。20世纪计算机的出现使得人们的计算能力得到了飞跃，大大增强了数据分析的能力。当今，计算机网络和生物芯片等技术的出现，使得人们获得数据的手段更加丰富。尽管从数据中挖掘相关关系的方法研究发展迅速，但分析挖掘因果关系的方法还非常贫乏。“在过去的一个世纪中，许多发现被推迟是由于缺少描述因果的数学语言。”
目前，在科学研究中妨碍人们认知自然科学和人文社会奥秘的一个最大障碍也许是缺乏从数据中认知因果关系的方法。
人们在认知因果方法上的进步将提升人类更深层次地认知自然科学和人文社会奥秘的能力。因果推断领域向统计学、机器学习和人工智能提出了各种具有挑战性的重要研究问题，其中包括基于观察数据评价因果作用的方法，探究直接作用和间接作用等因果机制的方法，基于因果模型对外部干预进行预测的方法，从高维数据、混合类型数据、多源数据、时间序列数据、不完全数据及含隐变量等复杂数据中挖掘因果关系和因果网络的方法等。
放在最后，推荐个平台，试试「有需必应」，一个科研用户与仪器设备、试剂耗材厂家、经销商的需求对接平台，在这里，不缺仪器设备、试剂耗材、软件系统的厂家与经销商，10w厂家与经销商都在使用，无论是生化环材，还是通用、精密，都可以找到相关产品。





具体流程：
1、登录网站：https://vip.mumuxili.com/ 或微信小程序：有需必应
2、按照提示注册账号，填写信息
3、按照需要的产品分类选择：仪器设备、材料试剂、加工定制、全球代购、实验测试、仪器租赁、技术资讯和其他服务8个选项
4、想找相应分类选择后，填写需求的具体内容发布即可
5、我们会为您筛选优质的中端供应商（2-3家），方便比价衡量产品质量的同时，又避免了过多电话沟通的打扰！
就是这么简单！就是这么方便！
其实就是多个渠道找设备，比比价格，了解了解行情，合适就买，不合适就不要！