生成式 AI 爆火，中国如何在 AI 时代实现弯道超车？对此，科技部亲自给出答案：启动 AI for Science 专项部署工作。能够预感，AI for Science 新一轮大潮即将来临。
本文首发自 HyperAI 超神经微信公众号~
3 月 27 日，据新华社报道，为贯彻落实国家《新一代人工智能倒退布局》，科技部会同自然科学基金委近期启动「人工智能驱动的科学研究」(AI for Science)专项部署工作。
「AI for Science 有可能推动咱们在下一轮科技反动中走在前沿。」中科院院士、北京迷信智能研究院院长、自然科学基金委「下一代人工智能」重大钻研打算专家组组长鄂维南对此作出预判。
新一轮迷信反动如何弯道超车？
北京迷信智能研究院副院长、深势科技创始人兼首席科学家张林峰认为，人工智能驱动下的科学研究最大的特点是，它以一种前所未有的形式，将不同学科、不同背景的人们连贯在一起。「Al for Science 是一个学科与常识体系大重构的过程，既须要计算机、数据迷信、资料、化学、生物等学科的穿插交融，也须要数学、物理等基础学科进行更深刻的实践构建和算法设计。」张林峰揭示，「当且仅当做好相干的交融，咱们才有机会在新一轮迷信反动中抢占先机。」
本次，我国布局 AI for Science 前沿科技研发体系，将紧密结合数学、物理、化学、地理等基础学科关键问题，围绕药物研发、基因钻研、生物育种、新资料研发等重点畛域科研需要开展。对此，中科院自动化研究所所长徐波解释说，新药创制、基因钻研、生物育种、新资料研发等畛域，是人工智能与科学研究联合需要迫切、停顿突出、具备代表性的重要方向。
比方，基于生物学机制、疾病和用药相干数据、药物的各种药学性质等建设的人工智能模型，可预测新药的安全性和有效性；通过人工智能辅助，可缩小研发中的人力、物力和工夫投入，进步药物研发成功率。当人工智能赋能新资料研发后，可实现将电子尺度和分子尺度等多尺度资料计算模仿办法耦合，疾速筛选合乎指标性能的新资料成分和构型，压缩新资料与器件研发周期和老本。
AI 新战场：传统科研畛域
近年来，人工智能在科研畛域被初步利用，越来越多的科学家自研或采纳成熟的人工智能算法，辅助进行数据挖掘剖析、建模、仿真、预测等科研工作，放慢发现自然科学新法则、新模式，缩小重复性人力工作，晋升迷信发现的准确性，显著进步科研人员的工作效率。随着人工智能技术和科学研究的联合愈发严密，新兴钻研畛域 AI for Science（人工智能科学研究）呈现，并且从 2020 年开始，此新兴畛域进入集中暴发阶段。
2021 年 1 月，加州大学圣地亚哥分校等机构的研究者提出了一种名为「Multi-fidelity Materials Graph Networks」（多精度资料图网络）的机器学习办法，通过学习来自多种测量和仿真起源的数据，通过 AI 模型预测资料的个性。该办法可能构建出具备普遍意义、更精确的「资料属性模型」，从而帮忙科学家筛选有钻研前景的候选资料。
多保真度资料图网络解决资料学数据和进行属性建模的办法
2021 年 7 月，DeepMind 公布的 AlphaFold 2，已能胜利预测 98.5% 的人类蛋白质三维构造，且预测后果与大部分蛋白质的实在构造只相差一个原子的宽度，可达到以往通过冷冻电子显微镜等简单试验察看预测的程度。12 月，这项钻研被《天然》杂志评为 2021 年度技术冲破。
AlphaFold2 模型在多种物质上预测后果的置信区间
同样在 2021 年 7 月，华盛顿大学、哈佛大学等的研究者提出蛋白质构造预测算法 RoseTTAFold，该办法基于深度学习，通过在蛋白质序列信息的学习，可能疾速生成蛋白质的准确构造，缩小传统办法在试验测定等方面投入的工夫和精力。目前该算法已开源。
RoseTTAFold 中用于预测蛋白质构造的一系列算法架构
GitHub 地址：
https://github.com/RosettaCommons/RoseTTAFold
2021 年 10 月，DeepMind 在《天然》杂志发表论文，通过与英国气象局单干，将 AI 技术利用于降雨预测。研究者采纳深度生成模型，可提前 5-90 分钟预测 1536km×1280km 区域内的降水状况。与其余办法比照，该模型在 89% 的状况下中具备最高的准确度和实用性(Usefulness)。
DeepMind 提出的 AI 模型架构
除了国外获得以上相干畛域研究成果之外，国内 AI for Science 的热度同样越来越高。
从政策层面来看，在这次科技部亲自下场搀扶之前，2022 年 5 月，国家倒退改革委《「十四五」生物经济倒退布局》明确把放慢倒退高通量基因测序技术，作为发展前沿生物技术创新的重要伎俩；反对采纳人工智能等信息技术，实现药物产业的精准化研制，进而通过生物技术与信息技术交融更好惠民。
从人才层面来看，泛滥 AI 畛域的大佬抉择投身此畛域。本月中旬，CV 畛域翘楚何恺明在 MIT 做学术演讲过程中就曾谈到接下来将重点关注 AI for Science，具体将聚焦视觉和 NLP 大一统做 self-supervised X+AI。
从成绩层面来看，近日，来自中国科学院深圳先进技术研究院的钻研团队首次将数据驱动自动合成 (Data driven automated synthesis)、机器人辅助可控合成(Robot assisted controllable synthesis)、机器学习促成逆向设计(Machine learning facilitated inverse design) 用于胶体纳米晶（例如钙钛矿）资料合成，摸索构建了「机器科学家」平台，无望将科研人员从传统试错试验、劳动密集型表征中解放，聚焦迷信翻新，实现纳米晶资料数字智造。
机器人辅助胶体纳米晶数字智造自动化平台
2023 年 3 月 2 日，该钻研以「A robotic platform for the synthesis of colloidal nanocrystals」为题，公布在《天然 - 合成》(Nature Synthesis)上。
论文链接：
https://www.nature.com/articles/s44160-023-00250-5
AI for Science：时机与挑战并存
与大家耳熟能详的生成式 AI 不同的是，AI for Science 波及生物制药、能源、资料研发等科研畛域，并不能即刻让公众上手体验相干成绩，但其对前沿科研所施加的减速作用，却会对人类社会和经济倒退有更为根底和深远的影响。
不过，也需看到，AI for Science 所具备的全面、深层次变革价值，亦让它面临远高于人们常见 AI 利用的落地壁垒。据阿里达摩院 2022 年十大科技趋势报告中显示，人工智能与科研深度联合依然须要重点解决三方面挑战：
- 人机交互问题，AI 与科学家在科研流程上的合作机制与分工须要更加明确，造成严密的互动关系；
- AI 的可解释性，科学家须要明确的因果关系来造成迷信实践，AI 须要更容易被了解，以建设迷信与 AI 之间的信赖关系；
- 交叉学科人才，业余畛域科学家与 AI 专家的相互理解水平低，彼此互相促进的阻碍依然较高。
值得关注的是，报告中还作出预测，在将来三年内，人工智能技术在应用科学中将失去广泛利用，在局部技术迷信中开始成为钻研工具。
参考文章：
[1]https://baijiahao.baidu.com/s?id=1761512222605101709&wfr=spid…
[2]https://new.qq.com/rain/a/20221230A04ZWS00
[3]https://www.ncsti.gov.cn/kjdt/kjrd/202112/P020211231640762390…
[4]《达摩院 2022 十大科技趋势》