一個(gè)世紀(jì)以來(lái)，數(shù)字科技的演進(jìn)推動(dòng)了人類(lèi)的技術(shù)進(jìn)步與產(chǎn)業(yè)發(fā)展。我們當(dāng)前正在經(jīng)歷數(shù)字科技最快發(fā)展的階段，數(shù)字化、網(wǎng)絡(luò)化、智能化讓數(shù)字世界與物理世界的融合與協(xié)同更加緊密。
近日，阿里達(dá)摩院發(fā)布了 2022 十大科技趨勢(shì)，其中 AI for Science 占據(jù)了卷首位置。
實(shí)驗(yàn)科學(xué)和理論科學(xué)是數(shù)百年來(lái)科學(xué)界的兩大基礎(chǔ)范式，而人工智能正在催生新的科研范式。機(jī)器學(xué)習(xí)能夠處理多維、多模態(tài)的海量數(shù)據(jù)，解決復(fù)雜場(chǎng)景下的科學(xué)難題，帶領(lǐng)科學(xué)探索抵達(dá)過(guò)去無(wú)法觸及的新領(lǐng)域。人工智能不僅將加速科研流程，還將幫助發(fā)現(xiàn)新的科學(xué)規(guī)律。
預(yù)計(jì)未來(lái)三年，人工智能將在應(yīng)用科學(xué)中得到普遍應(yīng)用，在部分基礎(chǔ)科學(xué)中開(kāi)始成為科學(xué)家的生產(chǎn)工具。
趨勢(shì)解讀
科學(xué)研究是在星辰大海里探索未知，科學(xué)發(fā)現(xiàn)漫長(zhǎng)而偶然，重大突破仰賴(lài)大科學(xué)家的貢獻(xiàn)，如牛頓、愛(ài)因斯坦、楊振寧等，盡管眾多科學(xué)家不懈投入，科學(xué)發(fā)展的速度仍受到一定限制。
計(jì)算機(jī)科學(xué)改變科研的路徑是從下游逐漸走向上游。起初計(jì)算機(jī)主要用來(lái)做實(shí)驗(yàn)數(shù)據(jù)的分析與歸納。后來(lái)科學(xué)計(jì)算改變了科學(xué)實(shí)驗(yàn)的方式，人工智能結(jié)合高性能計(jì)算，在實(shí)驗(yàn)成本與難度較高的領(lǐng)域開(kāi)始用計(jì)算機(jī)進(jìn)行實(shí)驗(yàn)的模擬，驗(yàn)證科學(xué)家的假設(shè)，加速科研成果的產(chǎn)出，如核能實(shí)驗(yàn)的數(shù)字反應(yīng)堆，能夠降低實(shí)驗(yàn)成本、提高安全性、減少核廢料產(chǎn)生。
近年，人工智能被證明能做科學(xué)規(guī)律發(fā)現(xiàn)，不僅在應(yīng)用科學(xué)領(lǐng)域，也能在基礎(chǔ)科學(xué)領(lǐng)域發(fā)揮作用，如 DeepMind 使用人工智能來(lái)幫助證明或提出新的數(shù)學(xué)定理，輔助數(shù)學(xué)家形成對(duì)復(fù)雜數(shù)學(xué)的直覺(jué)。
人工智能將成為科學(xué)家繼計(jì)算機(jī)之后的新生產(chǎn)工具，一是帶來(lái)效率的顯著提升，人工智能將伴隨科研的全流程，從假設(shè)、實(shí)驗(yàn)到歸納總結(jié)，讓科學(xué)家不需要像過(guò)去一樣十年寒窗才能產(chǎn)出科學(xué)成果，而是能在一生中保持高產(chǎn)；二是讓科學(xué)不再依賴(lài)少數(shù)天才，人工智能對(duì)科學(xué)研究產(chǎn)生猜想，讓科學(xué)家就其中有意義有價(jià)值的部分進(jìn)行實(shí)驗(yàn)與證明，讓更多人能夠參與到科學(xué)研究中。
人工智能在各科研領(lǐng)域中的應(yīng)用節(jié)奏將有所區(qū)別，在數(shù)字化程度高、數(shù)據(jù)積累好、問(wèn)題已經(jīng)被清晰定義的領(lǐng)域中將推進(jìn)地更快，如生命科學(xué)領(lǐng)域，AlphaFold2 運(yùn)用生命科學(xué)積累的大量數(shù)據(jù)，通過(guò)基因序列預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)，對(duì)泛生命科學(xué)領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響。
另一方面，在復(fù)雜性高、變量因子多的領(lǐng)域，人腦難以歸納總結(jié)，機(jī)器學(xué)習(xí)可發(fā)揮優(yōu)勢(shì)在海量多維的數(shù)據(jù)中找到科學(xué)規(guī)律，如流體力學(xué)等。
人工智能與科研深度結(jié)合仍然需要解決三個(gè)挑戰(zhàn)，一是人機(jī)交互問(wèn)題，人工智能與科學(xué)家在科研流程上的協(xié)作機(jī)制與分工需要更加明確，形成緊密的互動(dòng)關(guān)系；二是人工智能的可解釋性，科學(xué)家需要明確的因果關(guān)系來(lái)形成科學(xué)理論，人工智能需要更容易被理解，以建立科學(xué)與人工智能之間的信任關(guān)系；三是交叉學(xué)科人才，專(zhuān)業(yè)領(lǐng)域科學(xué)家與人工智能專(zhuān)家的相互理解程度低，彼此互相促進(jìn)的障礙仍然較高。
達(dá)摩院預(yù)測(cè)在未來(lái)的三年內(nèi)，人工智能技術(shù)在應(yīng)用科學(xué)中將得到普遍應(yīng)用，在部分基礎(chǔ)科學(xué)中開(kāi)始成為研究工具。
專(zhuān)家觀點(diǎn)
AI 領(lǐng)域內(nèi)的相關(guān)專(zhuān)家分別就此事發(fā)表了各自的觀點(diǎn)。
中國(guó)科學(xué)院院士 北京大學(xué)、普林斯頓大學(xué)教授 鄂維南表示：
數(shù)百年來(lái)，以數(shù)據(jù)驅(qū)動(dòng)的開(kāi)普勒范式和以第一性原理驅(qū)動(dòng)的牛頓范式是科學(xué)研究的兩大基本范式。當(dāng)下正在蓬勃興起的 AI for Science 有可能促使兩種既有范式的深度融合，激發(fā)一場(chǎng)新的科學(xué)革命?！哆_(dá)摩院2022十大科技趨勢(shì)》將AI for Science列為重要趨勢(shì)，無(wú)疑是看到了人工智能和傳統(tǒng)科研結(jié)合帶來(lái)的巨大潛能。我希望它能幫助推動(dòng)更多科研工作者投身其中，加速這場(chǎng)科學(xué)革命的進(jìn)程。
AI for Science 帶來(lái)的不僅僅是幾個(gè)點(diǎn)上的突破，而是科研方法的全面改變。要適應(yīng)這樣一個(gè)新的環(huán)境，科學(xué)家們需要更深入地了解 AI，才有可能用好 AI。企業(yè)積累了大量AI研發(fā)能力和資源。它們不僅可以提供學(xué)界所急缺的計(jì)算資源，還能夠幫助打造基礎(chǔ)科研工具。無(wú)疑，學(xué)界和業(yè)界需要更多協(xié)作，秉持開(kāi)源開(kāi)放的精神，消除門(mén)戶之見(jiàn)，打造 AI for Science 的科研共同體。
達(dá)摩院十大科技趨勢(shì)或許就是這種努力之一。我期待達(dá)摩院牽頭的這種努力，能夠加快信息科學(xué)和傳統(tǒng)科學(xué)的深度融合。也期待 AI for Science 不只是一個(gè)新的浪潮，而是一個(gè)全新的科學(xué)時(shí)代。
浙江大學(xué)人工智能研究所所長(zhǎng) 吳飛表示：
我認(rèn)為人工智能一定會(huì)成為科學(xué)家的工具，但我希望還不要局限于此。
我們正處于一個(gè)數(shù)據(jù)密集型計(jì)算范式的年代。我們有海量的數(shù)據(jù)，科學(xué)家們可以從海量的這個(gè)數(shù)據(jù)里面，應(yīng)用自己方法論，進(jìn)行科學(xué)探索。而運(yùn)用方法論來(lái)進(jìn)行科學(xué)發(fā)現(xiàn)和科學(xué)探索，一定是基于人工智能，所以說(shuō)人工智能一定會(huì)成為科學(xué)家的工具。
為什么我又說(shuō)不希望僅只局限于此呢？工具背后是人工智能的一種可計(jì)算思維的一種滲透，所以我希望科學(xué)家在使用工具的過(guò)程里，能夠形成以一個(gè)以設(shè)計(jì)構(gòu)造、計(jì)算為核心的計(jì)算思維。
比如說(shuō)像 AlphaFold，這個(gè)偉大研究成果的產(chǎn)生，不僅僅只是利用了深度神經(jīng)網(wǎng)絡(luò)作為工具，而是不同學(xué)科的科學(xué)家匯聚在一起。它先去設(shè)計(jì)了一條明確的可計(jì)算的思路，來(lái)解決從氨基酸序列到蛋白質(zhì)三維空間結(jié)構(gòu)預(yù)測(cè)。
所以說(shuō)，我們需要形成計(jì)算思維來(lái)進(jìn)行科學(xué)探索，同時(shí)恰到好處地應(yīng)用人工智能這個(gè)工具，就能開(kāi)創(chuàng)科學(xué)更加嶄新的未來(lái)。AI for Science是一個(gè)充滿著光輝前途的人工智能的趨勢(shì)。
阿里達(dá)摩院城市大腦實(shí)驗(yàn)室負(fù)責(zé)人 華先勝表示：
目前 AI for Science 這個(gè)方向已經(jīng)有可圈點(diǎn)的突破，但主要還是比較點(diǎn)狀的一些結(jié)果，包括分子生物學(xué)、量子力學(xué)等，還沒(méi)有形成大面積的成果，仍然有很大的突破空間。
用 AI 去助力科研是基于兩點(diǎn)，一個(gè)是基于數(shù)據(jù)、一個(gè)是基于計(jì)算。因?yàn)槲覀円跀?shù)據(jù)和算力的基礎(chǔ)上形成AI能力。所以如果這個(gè)學(xué)科有比較好的數(shù)據(jù)、比較多的數(shù)據(jù)、比較豐富的數(shù)據(jù)，以及它的問(wèn)題是需要大規(guī)模計(jì)算相關(guān)的一些問(wèn)題，可能是比較快地容易取得突破的地方。比如像分子生物學(xué)，還有天文學(xué)、地理科學(xué)、大氣科學(xué)，這些都有大量數(shù)據(jù)，問(wèn)題又非常復(fù)雜，需要強(qiáng)大的計(jì)算。這里可能能夠利用一些AI的能力，能夠更快取得一些突破。
從本質(zhì)上來(lái)講，AI for Science 和 AI for Industry 差別不大，AI 也是作為推動(dòng)領(lǐng)域發(fā)展的一個(gè)工具。只是這個(gè)領(lǐng)域有點(diǎn)不一樣，它的門(mén)檻比較高，因?yàn)槭强茖W(xué)家要做的事情，不是一個(gè)普通人、一般的技術(shù)工作人可以做的事情。但是從本質(zhì)上來(lái)講，也是這個(gè)領(lǐng)域因?yàn)橛辛藬?shù)據(jù)，可以設(shè)計(jì)算法去挖掘數(shù)據(jù)中的“玄機(jī)”，去解決這個(gè)領(lǐng)域的問(wèn)題。
今天人工智能技術(shù)又往前走了一大步，可以讓計(jì)算助力科研走向智能助力科研，智能會(huì)使科學(xué)研究的方法帶來(lái)一些變化。其帶來(lái)的效果應(yīng)該和產(chǎn)業(yè)界的是可以類(lèi)比的，就是能夠讓科研的效率提升，成果的產(chǎn)出能夠更多，甚至能從手工作坊的方式變成批量生產(chǎn)。當(dāng)然這個(gè)很不容易，但是可能有這樣的一個(gè)趨勢(shì)。
對(duì)于科學(xué)研究而言，從這種小概率事件有可能能夠變成一個(gè)概率比較大一點(diǎn)的事件，變得更科學(xué)，而不是隨機(jī)性特別大的，能夠有更多確定性。這是 AI for Science 的意義所在，當(dāng)然 still a long way to go。
我們AI在其他領(lǐng)域已經(jīng)磨合了近十年的時(shí)間，在 Science 是剛剛開(kāi)始，有一些點(diǎn)狀的技術(shù)，不外乎兩件事情。
第一件是 AI 專(zhuān)家要去了解科學(xué)問(wèn)題，這個(gè)門(mén)檻比較高。
第二件是科學(xué)家要去了解 AI 的原理，知道它什么是能的，什么是不能的，它有什么樣的優(yōu)勢(shì)。
這個(gè)倒不是說(shuō)一定我們只用已有的 AI 的能力去解決這個(gè)科研問(wèn)題，也有可能是在 AI 專(zhuān)家和科學(xué)家協(xié)作的過(guò)程當(dāng)中去研發(fā)出更好的 AI 的能力，去解決對(duì)應(yīng)的科學(xué)問(wèn)題，這個(gè)跟 AI for Industry 也是一樣的進(jìn)程。我們很多的 AI 技術(shù)也是在解決對(duì)應(yīng)的產(chǎn)業(yè)的問(wèn)題過(guò)程當(dāng)中產(chǎn)生出來(lái)的。所以兩方面要合在一起去解問(wèn)題。只是它有不同的地方，科學(xué)的門(mén)檻本相對(duì)比較高。
AI 在 forIndustry 的時(shí)候，其實(shí)是從單點(diǎn)的技術(shù)逐漸地走向了平臺(tái)化，AI for Science 的未來(lái)，我想也會(huì)逐步地走向平臺(tái)化。這個(gè)時(shí)候就是 AI 專(zhuān)家結(jié)合某個(gè)領(lǐng)域、某個(gè)學(xué)科，甚至是某個(gè)學(xué)科的某一類(lèi)問(wèn)題和科學(xué)家們一起去建造一個(gè)科研的平臺(tái)。這個(gè)時(shí)候科學(xué)家們可能有更大的自由度、更強(qiáng)大的工具，能夠更批量地去做科學(xué)研究，實(shí)現(xiàn)更加豐富、更加重要的科學(xué)突破。
再往下走的話，我想再借鑒一下 AI for Industry 的進(jìn)程。AI for Industry 從單點(diǎn)技術(shù)到平臺(tái)以后，再往下我判斷是走向系統(tǒng)，或者叫進(jìn)化系統(tǒng)或者叫協(xié)同進(jìn)化系統(tǒng)。因?yàn)槠脚_(tái)解決的是能夠規(guī)?；厝ギa(chǎn)生能力和落地應(yīng)用，系統(tǒng)化解決的是能夠長(zhǎng)久地、持續(xù)地、深入地解決行業(yè)的問(wèn)題，產(chǎn)生核心價(jià)值。對(duì)于科研來(lái)講也是，如果說(shuō)每一個(gè)領(lǐng)域能夠建造出這樣一個(gè)AI系統(tǒng)，那么科學(xué)的發(fā)現(xiàn)有可能實(shí)現(xiàn)自動(dòng)或者半自動(dòng)的模式，它可以持續(xù)、持久、深入、廣泛地做出一些科學(xué)的發(fā)現(xiàn)，這個(gè)可能是更長(zhǎng)遠(yuǎn)的一個(gè)未來(lái)。當(dāng)然，自動(dòng)模式能解決的是相對(duì)簡(jiǎn)單一些的科學(xué)發(fā)現(xiàn)、科學(xué)論證，并不是最前沿、最尖端、最復(fù)雜的問(wèn)題——這一部分是要科學(xué)家利用強(qiáng)大的AI系統(tǒng)和科學(xué)專(zhuān)業(yè)能力去發(fā)現(xiàn)、去解決。
阿里達(dá)摩院決策智能實(shí)驗(yàn)室負(fù)責(zé)人 印臥濤表示：
DeepMind 與合作者最近在 Nature 發(fā)表論文，AI 幫助解決了數(shù)學(xué)難題，引起很多人的關(guān)注。大家關(guān)心得不是結(jié)果，而是 AI 在數(shù)學(xué)研究中如何發(fā)揮作用。
先介紹下背景，這篇文章是關(guān)于低維拓?fù)?，里面有十幾個(gè)數(shù)學(xué)量，其中關(guān)鍵量是通過(guò)神經(jīng)網(wǎng)絡(luò)擬合在做分析得到。作者猜測(cè)低位拓?fù)渲写嬖谖粗姆蔷€性關(guān)系，作者產(chǎn)生了很多數(shù)據(jù)并用神經(jīng)網(wǎng)絡(luò)擬合了近似函數(shù)，發(fā)現(xiàn)其中三個(gè)量在擬合過(guò)程中起到了很重要的作用，并且只用這三個(gè)量也擬合得非常好。通過(guò)反正做擬合實(shí)驗(yàn)，產(chǎn)生新的數(shù)據(jù)，得到新的觀察模型，最終數(shù)學(xué)家利用智慧猜出了一個(gè)不等式結(jié)構(gòu)，并進(jìn)一步給了嚴(yán)格的證明。
大家關(guān)心的是人機(jī)互動(dòng)的過(guò)程，大量神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)和兩個(gè)數(shù)學(xué)家之間多輪的互動(dòng)，Nature 描述了互動(dòng)過(guò)程。自古以來(lái)，比如開(kāi)普勒和其他應(yīng)用科學(xué)家反復(fù)地做實(shí)驗(yàn)觀察，從中尋找規(guī)律，現(xiàn)在AI算法和AI專(zhuān)家扮演了這個(gè)角色。這次創(chuàng)新主要用了神經(jīng)網(wǎng)絡(luò)的技術(shù)，包括多元非線性函數(shù)進(jìn)行遞進(jìn)的技術(shù)和黑盒解釋的技術(shù)。
總結(jié)來(lái)說(shuō)，這個(gè)成功案例會(huì)激發(fā)純數(shù)學(xué)家和AI合作證明一些新的猜想或者發(fā)現(xiàn)新結(jié)構(gòu)。
延伸到 AI for Science，我的看法是，AI 的確可以加速科學(xué)實(shí)驗(yàn)。除了做計(jì)算機(jī)模擬之外，AI 還可以告訴大家實(shí)驗(yàn)的方向。在最近的天體物理中，AI優(yōu)化太空望遠(yuǎn)鏡的指向，同時(shí)搜集更多更有趣的數(shù)據(jù)，有點(diǎn)像自動(dòng)駕駛，用AI做自動(dòng)駕駛望遠(yuǎn)鏡，加快規(guī)律的發(fā)現(xiàn)速度。
其次，AI 推動(dòng)人機(jī)結(jié)合。當(dāng)然說(shuō)起來(lái)簡(jiǎn)單，具體操作要復(fù)雜得多，科學(xué)家和 AI 專(zhuān)家必須緊密互動(dòng)，比如數(shù)據(jù)生成、作圖、構(gòu)建神經(jīng)網(wǎng)絡(luò)和訓(xùn)練、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)果驗(yàn)證等解決問(wèn)題高度相關(guān)。
最后非常重要的一點(diǎn)是發(fā)展可解釋的 AI 工具。AI 產(chǎn)生的結(jié)論需要易于理解、能夠溯源，這樣才能建立與科學(xué)之間的橋梁，獲得科學(xué)家的信任。
阿里達(dá)摩院語(yǔ)言技術(shù)實(shí)驗(yàn)室研究員 黃非表示：
我的工作主要是做自然語(yǔ)言的理解、對(duì)話，包括 AI 模型。AI for Science 是一個(gè)很新的方向，我們團(tuán)隊(duì)在這方面的工作起步不久，我們基于預(yù)訓(xùn)練模型體系 AliceMind，利用有限的監(jiān)督數(shù)據(jù)，再結(jié)合強(qiáng)化學(xué)習(xí)，目前能夠證明近 400 項(xiàng)定理。
面向工業(yè)的人工智能和面向科學(xué)的人工智能一些不同。前者主要是解決工業(yè)中實(shí)際問(wèn)題，根據(jù)真實(shí)世界中的數(shù)據(jù)尋找模式（pattern）。對(duì)于面向科學(xué)的人工智能，目的不僅要找到數(shù)據(jù)中的模式，而且要找到產(chǎn)生這些的模式的底層規(guī)律，來(lái)解釋不同的現(xiàn)象。面向科學(xué)研究的人工智能，常見(jiàn)的預(yù)測(cè)方式比如從數(shù)據(jù)到標(biāo)簽的映射，給定疾病圖片預(yù)測(cè)疾病等傳統(tǒng)的分類(lèi)學(xué)習(xí)的方法能夠被使用，但模型更注重與對(duì)于數(shù)學(xué)問(wèn)題、物理問(wèn)題等底層的理解，對(duì)于可解釋性的洞察，以及對(duì)于研究問(wèn)題中的數(shù)據(jù)更合適的表述分析。我們需要在源數(shù)據(jù)的基礎(chǔ)上尋找更好的表示，對(duì)于該領(lǐng)域的問(wèn)題有更好的理解。
目前的 AI 主要應(yīng)用于工業(yè)場(chǎng)景，基于大量數(shù)據(jù)。如果 AI 在科研中也需要大量的科研數(shù)據(jù)，比如對(duì)于生物的蛋白質(zhì)或者某些特定領(lǐng)域，AI 也許在這里可以發(fā)揮比較大的作用。但對(duì)于特定領(lǐng)域的知識(shí)表述和應(yīng)用，涉及到符號(hào)邏輯，包括知識(shí)圖譜，甚至人的經(jīng)驗(yàn)、文本知識(shí)，如何對(duì)于領(lǐng)域知識(shí)進(jìn)行表示和應(yīng)用，目前AI在這方面工作相對(duì)比較有限。
另一個(gè)問(wèn)題是跨團(tuán)隊(duì)合作。目前模式是物理學(xué)家、數(shù)學(xué)家提出問(wèn)題和需求，由 AI 專(zhuān)家來(lái)輔助解決。更有效的工作是雙方往前各邁一步，AI 專(zhuān)家深入地了解相關(guān)學(xué)科知識(shí)，這樣對(duì)于利用計(jì)算機(jī)建模有更好的方式。物理學(xué)家，數(shù)學(xué)家，化學(xué)家和生物學(xué)家如果能夠更好地了解計(jì)算機(jī)和 AI 的趨勢(shì)，也會(huì)給出非常重要的建議，對(duì)于 AI 模型的建模和整個(gè) AI 系統(tǒng)的建設(shè)會(huì)有非常好的幫助。
結(jié)語(yǔ)
在未來(lái)，人工智能將催生科研新范式。人工智能將成為科研領(lǐng)域的發(fā)展高效催化劑。這也需要各類(lèi)跨學(xué)科領(lǐng)域團(tuán)隊(duì)的不斷合作創(chuàng)新。
達(dá)摩院所公布的《2022 十大科技趨勢(shì)》除了這里介紹的 AI for Science，還包括大小模型協(xié)同進(jìn)化、硅光芯片、綠色能源 AI、柔性感知機(jī)器人、高精度醫(yī)療導(dǎo)航、全域隱私計(jì)算、星地計(jì)算、云網(wǎng)端融合、XR 互聯(lián)網(wǎng)領(lǐng)域。
