內容一覽：生成式 AI 爆火，中國如何在 AI 時代實現(xiàn)彎道超車？對此，科技部親自給出答案：啟動 AI for Science 專項部署工作?？梢灶A見，AI for Science 新一輪大潮即將來臨。

本文首發(fā)自 HyperAI超神經(jīng)微信公眾號~

3 月 27 日，據(jù)新華社報道，為貫徹落實國家《新一代人工智能發(fā)展規(guī)劃》，科技部會同自然科學基金委近期啟動「人工智能驅動的科學研究」( AI for Science )專項部署工作。

「AI for Science 有可能推動我們在下一輪科技革命中走在前沿?！?/strong>中科院院士、北京科學智能研究院院長、自然科學基金委「下一代人工智能」重大研究計劃專家組組長鄂維南對此作出預判。

新一輪科學革命如何彎道超車？

北京科學智能研究院副院長、深勢科技創(chuàng)始人兼首席科學家張林峰認為，人工智能驅動下的科學研究最大的特點是，它以一種前所未有的方式，將不同學科、不同背景的人們連接在一起?！窤l for Science 是一個學科與知識體系大重構的過程，既需要計算機、數(shù)據(jù)科學、材料、化學、生物等學科的交叉融合，也需要數(shù)學、物理等基礎學科進行更深入的理論構建和算法設計?！箯埩址逄嵝?，「當且僅當做好相關的融合，我們才有機會在新一輪科學革命中搶占先機?！?/strong>

本次，我國布局 AI for Science 前沿科技研發(fā)體系，將緊密結合數(shù)學、物理、化學、天文等基礎學科關鍵問題，圍繞藥物研發(fā)、基因研究、生物育種、新材料研發(fā)等重點領域科研需求展開。對此，中科院自動化研究所所長徐波解釋說，新藥創(chuàng)制、基因研究、生物育種、新材料研發(fā)等領域，是人工智能與科學研究結合需求迫切、進展突出、具有代表性的重要方向。

比如，基于生物學機制、疾病和用藥相關數(shù)據(jù)、藥物的各種藥學性質等建立的人工智能模型，可預測新藥的安全性和有效性；通過人工智能輔助，可減少研發(fā)中的人力、物力和時間投入，提高藥物研發(fā)成功率。當人工智能賦能新材料研發(fā)后，可實現(xiàn)將電子尺度和分子尺度等多尺度材料計算模擬方法耦合，快速篩選符合目標性能的新材料成分和構型，壓縮新材料與器件研發(fā)周期和成本。

AI 新戰(zhàn)場：傳統(tǒng)科研領域

近年來，人工智能在科研領域被初步應用，越來越多的科學家自研或采用成熟的人工智能算法，輔助進行數(shù)據(jù)挖掘分析、建模、仿真、預測等科研工作，加快發(fā)現(xiàn)自然科學新規(guī)律、新模式，減少重復性人力工作，提升科學發(fā)現(xiàn)的準確性，顯著提高科研人員的工作效率。隨著人工智能技術和科學研究的結合愈發(fā)緊密，新興研究領域 AI for Science（人工智能科學研究）出現(xiàn)，并且從 2020 年開始，此新興領域進入集中爆發(fā)階段。

2021 年 1月，加州大學圣地亞哥分校等機構的研究者提出了一種名為「Multi-fidelity Materials Graph Networks」（多精度材料圖網(wǎng)絡）的機器學習方法，通過學習來自多種測量和仿真來源的數(shù)據(jù)，通過 AI 模型預測材料的特性。該方法能夠構建出具有普遍意義、更準確的「材料屬性模型」，從而幫助科學家篩選有研究前景的候選材料。

2021 年 7 月，DeepMind 發(fā)布的?AlphaFold 2，已能成功預測 98.5% 的人類蛋白質三維結構，且預測結果與大部分蛋白質的真實結構只相差一個原子的寬度，可達到以往通過冷凍電子顯微鏡等復雜實驗觀察預測的水平。12 月，這項研究被《自然》雜志評為 2021 年度技術突破。

同樣在 2021 年 7 月，華盛頓大學、哈佛大學等的研究者提出蛋白質結構預測算法RoseTTAFold，該方法基于深度學習，通過在蛋白質序列信息的學習，能夠快速生成蛋白質的精確結構，減少傳統(tǒng)方法在實驗測定等方面投入的時間和精力。目前該算法已開源。

GitHub 地址：

https://github.com/RosettaCommons/RoseTTAFold

2021 年 10 月，DeepMind 在《自然》雜志發(fā)表論文，通過與英國氣象局合作，將 AI 技術應用于降雨預測。研究者采用深度生成模型，可提前 5-90 分鐘預測 1536km×1280km 區(qū)域內的降水情況。與其他方法對比，該模型在 89% 的情況下中具有最高的準確度和實用性( Usefulness )。

除了國外取得以上相關領域研究成果之外，國內 AI for Science 的熱度同樣越來越高。

從政策層面來看，在這次科技部親自下場扶持之前，2022 年 5 月，國家發(fā)展改革委《「十四五」生物經(jīng)濟發(fā)展規(guī)劃》明確把加快發(fā)展高通量基因測序技術，作為開展前沿生物技術創(chuàng)新的重要手段；支持采用人工智能等信息技術，實現(xiàn)藥物產(chǎn)業(yè)的精準化研制，進而通過生物技術與信息技術融合更好惠民。

從人才層面來看，眾多 AI 領域的大佬選擇投身此領域。本月中旬，CV 領域翹楚何愷明在 MIT 做學術演講過程中就曾談到接下來將重點關注 AI for Science，具體將聚焦視覺和 NLP 大一統(tǒng)做 self-supervised X+AI。

從成果層面來看，近日，來自中國科學院深圳先進技術研究院的研究團隊首次將數(shù)據(jù)驅動自動合成( Data driven automated synthesis )、機器人輔助可控合成( Robot assisted controllable synthesis )、機器學習促進逆向設計( Machine learning facilitated inverse design )用于膠體納米晶（例如鈣鈦礦）材料合成，探索構建了「機器科學家」平臺，有望將科研人員從傳統(tǒng)試錯實驗、勞動密集型表征中解放，聚焦科學創(chuàng)新，實現(xiàn)納米晶材料數(shù)字智造。

2023 年 3 月 2 日，該研究以「A robotic platform for the synthesis of colloidal nanocrystals」為題，發(fā)布在《自然-合成》( Nature Synthesis )上。

論文鏈接：

https://www.nature.com/articles/s44160-023-00250-5

AI for Science：機遇與挑戰(zhàn)并存

與大家耳熟能詳?shù)纳墒?AI 不同的是，AI for Science 涉及生物制藥、能源、材料研發(fā)等科研領域，并不能即刻讓大眾上手體驗相關成果，但其對前沿科研所施加的加速作用，卻會對人類社會和經(jīng)濟發(fā)展有更為基礎和深遠的影響。

不過，也需看到，AI for Science 所具備的全面、深層次革新價值，亦讓它面臨遠高于人們常見 AI 應用的落地壁壘。據(jù)阿里達摩院 2022 年十大科技趨勢報告中顯示，人工智能與科研深度結合仍然需要重點解決三方面挑戰(zhàn)：

* 人機交互問題，AI 與科學家在科研流程上的協(xié)作機制與分工需要更加明確，形成緊密的互動關系；

* AI 的可解釋性，科學家需要明確的因果關系來形成科學理論，AI 需要更容易被理解，以建立科學與 AI 之間的信任關系；

* 交叉學科人才，專業(yè)領域科學家與 AI 專家的相互理解程度低，彼此互相促進的障礙仍然較高。

值得關注的是，報告中還作出預測，在未來三年內，人工智能技術在應用科學中將得到普遍應用，在部分技術科學中開始成為研究工具。

參考文章：

[1]https://baijiahao.baidu.com/s?id=1761512222605101709&wfr=spider&for=pc

[2]https://new.qq.com/rain/a/20221230A04ZWS00

[3]https://www.ncsti.gov.cn/kjdt/kjrd/202112/P020211231640762390337.pdf

[4]《達摩院2022十大科技趨勢》