4月18日，一名男子在德国汉诺威工业博览会上与一款智能机器人握手

　　当前，AI for Science已成为全球人工智能发展的新前沿，加速了科学研究的范式变革，带来科研模式的重构和新一轮科技革命。

文/《环球》杂志记者 张漫子

编辑/黄红华

　　随着数字化时代的到来，科技创新转化为直接生产力的速度越来越快。站在科学的分水岭上，人工智能（AI）若想发展为更加通用的“智慧”，则无法绕开“科学”这一命题，用AI学习科学原理，解决科学问题成为必经之路。

　　为贯彻落实《新一代人工智能发展规划》，科技部会同自然科学基金委近期联合启动了“人工智能驱动的科学研究”（AI for Science）专项部署工作。围绕基础学科关键问题和重点领域科研需求布局“人工智能驱动的科学研究”前沿科技研发体系。

　　当前，AI for Science已成为全球人工智能发展的新前沿，加速了科学研究的范式变革，带来科研模式的重构和新一轮科技革命。

AI的下一个主战场

　　既有的科学研究存在两种基本范式，分别是基于大量数据归纳的开普勒范式和基于物理建模演绎的牛顿范式。但随着维数的增加，计数量呈现指数增长的趋势，一方面，数据驱动的办法面临着缺乏数据及数据分析工具的困境，另一方面，从模型驱动角度看，解决实际问题的过程总是陷入精度和速度难以两全的矛盾。中国科学院院士鄂维南认为，“无论从数据驱动的角度，还是从模型驱动的角度，人工智能都有巨大的发展空间。”

　　近年来，以机器学习，尤其是深度网络神经为代表的AI技术发展提供了破局的新思路。对于大量复杂的高维函数而言，作为特殊函数的深度神经网络可以进行有效拟合逼近，不仅提供了行之有效的数据分析方法，也能对海量数据的高效模拟实现尺度和精度的平衡。

　　2018年，鄂维南在全球首次提出“AI for Science”概念，强调利用AI学习科学原理、创造科学模型来解决实际问题，使之成为科学研究的新范式。中国科学技术大学教授胡素磊认为，AI在科学研究中的应用主要包括计算、设计和理论突破这三大步。

　　目前，AI for Science已得到国内外学界和业界的普遍认可，2020年初，美国能源部发布《AI for Science报告》以促进人工智能在科学上的应用，涵盖高能物理和材料科学到计算技术等领域；2022年7月，微软研究院在全球成立AI for Science研究院——微软研究院科学智能中心。

　　AI for Science结合机器学习拟合高维函数的强大能力，推动科学研究从单打独斗的“小农作坊”模式走向“安卓模式”的平台科研，直面产业需求，通过规模化和去中心化的测试加速科研和产业的对接，大大提升科研效率和生产力。“要实现安卓模式，需要把科学计算流程抽象化和标准化。”鄂维南说，大家共同建设大平台，共享基本的模型、算法、数据库和知识库等基础设施，在此基础上开发各自团队感兴趣的应用，通过“滚雪球效应”加速科研创新和成果应用。

　　AI for Science极大地拓展了科学和人工智能的边界，将成为AI的下一个主战场，其快速发展离不开“数据-模型-算法-算力-人才”的共同进步。在中国工程院院士、中科院计算所研究员孙凝晖看来，尽管我们过去已经做了大量研究，但不同板块间的信息流还没有全部打通，引入人工智能的方法最关键是要打通人、机、物之间的信息流，“通过这三者的高速迭代，拓展原本科学研究的边界，求解更复杂的问题。”

AI真正落地的重要途径

　　“AI for Science涉及的应用场景，包括工业制造、材料、药物等都是实体经济不可或缺的，所以它是AI真正落地的一个重要途径。”鄂维南说。

　　作为一种长度单位，一纳米只有一米的十亿分之一（一根头发丝的直径约等于六万纳米），令人震惊的是，正是如此小到“令人咋舌”的纳米却能释放出巨大的能量。世界纳米能源研究领域奠基人、中科院外籍院士王中林团队发明的摩擦纳米发电机，可以收集环境中低频次、低振幅的微小的震动机械，比如人体的心跳、呼吸，空气、水乃至血液的流动等，并将其转化为电能提供给纳米器件。摩擦纳米发电机还可以加以应用，作为无需外部电源的自驱动传感器，而且其对接触物体的材料没有要求，只要人有微小的动作，就能产生并传递电信号，进而影响控制一系列相关操作。王中林举了个例子，在医疗方面，将传感装置放在脖子、指尖或手腕的任何位置，利用纤维之间的触动来监测身体状况，不仅能监测脉搏的跳动，也能通过脉搏提取更多生理参数，分析有没有高血压等潜在隐患，从而对人体进行系统性监测。

　　在大数据时代，语言、动作、形态等都是非常重要的数据，王中林说，“自驱动就是收集数据，这些数据是AI时代分析一切的根据，相信自驱动系统在物联网时代能有重要应用。”

　　清华大学化工系教授张强以高比能电池研究为例，阐释能源化学与数据科学融合发展的新进展。在能源行业，国家碳中和目标的提出对储能技术提出了更高要求。传统的锂离子电池储能技术虽仍占据主导，但其能量密度难以满足社会高速发展对能源的需求，电解液作为锂离子电池中离子传输的载体发挥着关键作用。张强表示，人工智能技术能够加速先进电解液的设计开发与实践，传统的实验员一次往往只能做一个实验，但现在通过多次高通量的实验可以使几十乃至上百个实验通过一个样品实现。另外，传统的电解液溶剂开发效率不高，在张强团队建立了机器学习的模型后，通过训练机器学习模型来预测溶剂分子和相应电解液性质，并在实验中验证反馈机器学习模型的结果，不仅对电解的属性有了深入理解，也能利用模型预测电解液性质，为选择合适的电解液提供有效方法。

　　“数据科学会带来新的研究范式，对于构筑高效的储能器件，实现碳达峰碳中和的宏伟目标提供了一个重要的助力手段。”张强说，“机器学习方法能帮助知识发现，在碳中和的时代使命中，能源化学和数据科学逐渐融合在一起，实验、理论和数据正在成为能源化学研究的三驾马车。”

　　在国外，人工智能在赋能化学、生命科学等领域也取得较大进展。近期，瑞士洛桑联邦理工学院和英国罗切斯特大学的研究人员设计出由大语言模型驱动的化学引擎ChemCrow，能够简化有机合成、药物发现和材料设计等化学任务的推理过程，且经测试其给出的事实信息准确有效。

　　此外在2022年英国《自然》杂志（Nature）的一篇论文中，谷歌旗下的AI公司DeepMind发布的AlphaTensor人工智能系统，能显著提高矩阵乘法的运算效率，解决了数学领域一个已困扰多年的问题；在2021年美国《科学》杂志公布的十大年度科学突破中，预测蛋白质结构的AI模型Alpha Fold位列其中，研究人员可以使用人工智能模型来设计应用于疫苗、建筑材料或纳米机器上的全新蛋白质，能基本预测此前人类尚未被解析的蛋白质组结构，中国科学院院士施一公认为，“这是人工智能对科学领域最大的一次贡献，也是人类在21世纪取得的最重要的科学突破之一。”

认识发展路径螺旋式上升的规律

　　任何一场旷日持久的科技革命都并非一蹴而就，而是遵循着一条曲折前进、螺旋上升的发展路径。近年来，随着人工智能的快速发展，AI for Science也逐渐从星星之火发展成燎原之势。但在鄂维南院士看来，“我们还有很多事情要做。”在科研层面，一方面要持续加大投入，中国科学技术大学教授胡素磊认为，对于构效关系复杂的材料体系，只要投入足够多的研究人员和科研资源，AI计算模型也能实现突破，也要破除“失败实验不报道”的局限，无论成功与否都要对实验进行记录，在错误中寻找潜在的新机会。另一方面，必须面向产业定义真实的问题。AI for Science不仅是开发科学研究的平台和工具，也要探索在产业界的垂直落地，总结问题并提出解决方案。在药物研发、基因研究、生物育种、新材料研发等人工智能与科学研究紧密结合的重点领域取得系列突破，包括改变工业研发模式，如利用高精度模拟实现材料定向设计；突破研发瓶颈，在生物医药领域探索难成药靶标的药物发现；等等。

　　在工具层面，勇于革新。鄂维南认为，DeepModeling开源平台、物理模型都可以视作工具层面，部分人认为AI for Science只是一个由数据驱动的范式，非常有局限性。尽管基本原理层面的革新更具本质性，但“怎么使用这些基本原理真正帮助我们解决实际问题”也不容忽视。深势科技创始人兼首席科学家张林峰表示，“开源是软件的一种去中心化的分布式的评审方式。”一个软件如何作为基础设施应用于各行各业，让更多的人使用，倒逼开发者对开源方案进行调整升级，进而在协同开发的方式下推动“技术的迭代、场景的试错、人才体系的建设和整个生态的打造”。

　　在创新层面，调整优化科研资源配置，把期望真正寄托在年轻人身上，为其打造成长发展的平台，鼓励更多科研工作者为了初心去奋斗，在原始创新的道路上躬耕不缀。

　　在文化层面，培育创新文化。鄂维南说，“一个事情没火之前没有人关注，不闻不问，一旦火了很多人都冲过去了，这个现象很普遍。”人们科研的精力和注意力是有限的，发展人工智能，需要用挑战性的场景和问题推动底层系统性创新，而不是盲目跟风炒热点，重复造轮子，“需要开始树立‘既然别人做了，我就不再去做’的思维模式，培育‘不扎堆、不聚集’的创新文化。”

　　站在科技革命的时代转角，AI for Science呼唤各行各业的人们打破壁垒，凝聚共识，拥抱人工智能时代的新变化和新机遇。“尽管范式这个词在国内常被庸俗化，但AI for Science毋庸置疑是科学研究的一个新范式。”鄂维南说，面向未来，AI for Science还有巨大的想象空间待开发，帮助我们加快走完从科学研究到产业创新的“最后一公里”。

来源：2023年5月3日出版的《环球》杂志 第9期

《环球》杂志授权使用，如需转载，请与本刊联系。

更多内容敬请关注《环球》杂志官方微博、微信：“环球杂志”。