■本报记者 沈春蕾
“人工智能(AI)是AI来了引领新一轮科技革命与产业变革的战略性技术,具有溢出带动性很强的科研头雁效应。”在近日于北京大学举行的领域2024科学智能峰会上,中国科学院院士、将何北京大学副校长张锦谈了他对AI for Science(科学智能)的变革理解。
此次会议由北京大学计算机学院、AI来了待人接物北京科学智能研究院主办,科研设置了综合论坛、领域生命科学论坛、将何物质科学论坛、变革AI for Science产业及行业实践论坛。AI来了会上,科研围绕计算物理、领域材料设计、将何组学分析、变革智能设备等方向的研究,专家学者探讨了科学研究的谈情说爱关键问题和解决路径,分享了AI for Science新范式下的科研变革。
提供崭新的科学工具
“在科学研究领域,AI为我们提供了崭新的工具,不仅驱动了科学研究,还提升了速度、广度、深度、精度,对于生成科学假设、进行科学实验、分析科学数据等都发挥着革命性作用,使科学研究呈现蓬勃发展的势头。”张锦说。
当前,AI正在革新材料科学研究的范式。张锦围绕材料表征、要言不烦制备与产业化等方面指出,AI不仅可以扩展认知、辅助决策,还可以放大人的创造力。在材料智能化(AI for Materials)的加持下,科研人员能够增强对材料体系全局的理解,进一步对齐从实验室到产业化的目标,从全局角度开展材料的研发工作。
当前,AI在科学研究中的应用越来越广泛,特别是在数据处理和实验设计方面。比如,围绕理论化学实验和实践脱节的痛点,中国科学技术大学讲席教授江俊分享了一些具体的机器化学家平台应用实例,指出通过数据智能的方法,AI for Science为弥补理论和实践的根深蒂固鸿沟提供了可行的路径。
江俊解释说,科研人员利用AI生成高通量、高质量的科学数据,把复杂的理论问题转化成数字化可解决的问题,推动化学知识数字化、化学操作指令化,最终有效减少实验试错次数,优化实验设计,实现化学创制智能化。
“未来,AI读文献、AI做计算、AI做实验等将融合起来,智能化、系统化地服务于每位科学家、每家生产制造企业。喜气洋洋”北京科学智能研究院院长、深势科技创始人兼首席科学家张林峰展望了AI for Science的应用场景。
加速建设基础设施
“AI能带来系统全面的科学研究和工业研发的突破,因此要加速建设好基础设施,为科学研究、产业落地提供最广阔的空间。”张林峰说,“模型与软件、数据、仪器、算力是基础设施的要素,这些要素在真正完成AI工程化后,才可以构成一个好的基础设施。”
在AI for Science基础设施平台建设的道路上,还需要完成一系列的多级跳。
“物质科学的不动声色根基在于量子力学,然而,量子力学的基本方程在实际体系中难以直接求解。”中国科学院院士、复旦大学教授龚新高指出,数十年来,这一挑战激发了众多物理学家不懈探索,并促使理论物理向计算物理转变。
龚新高强调了利用AI技术构建“数智物理”平台的重要性,该平台旨在运用AI方法解决物质科学领域的诸多问题。他期待数智物理研究方法能够解决更多物理问题,并表示这不仅需要建设AI基础设施这一基础性工作,还需要各界共同努力,共同发现并解决问题。
在探讨AI for Science的短期、中期和长期目标时,与会专家建议从发现和解决科学问题入手,湮没无闻进行目标规划,通过基础设施建设和创新成果应用加速产学研深度融合,进而提升科学家的生产力。
为了更好地拥抱AI for Science这一新的科学研究范式,促进科学发现和技术创新,多位专家强调,不仅要在解决问题的基础上整合方法,还要将人才培养作为重要目标。
应用机遇与挑战并存
近年来,AI在科学研究中的应用无处不在,并为破解传统难题提供了全新途径。
中国科学院院士、中国科学院植物研究所研究员种康指出,重大科学发现往往需要学科交叉。他以生命科学研究为例介绍了跨学科合作的重要性,并表示信息学、老奸巨猾计算生物学、数学等领域的研究人员加入生命科学的研究队伍,必将推动生命科学向前迈进。
生物最重要的生物学特征必然反映在它的基因组中。中国科学院院士、中国热带农业科学院院长黄三文表示:“基因组是复杂的语言系统,而作为理解复杂系统的工具,AI在理解基因组信息等方面有巨大潜力,将加深我们对植物基因组的精准理解、加速我们全面理性地对其进行设计改造。”
过去几年,AI和机器学习在PubMed(医学文献检索系统)上的研究量呈指数级增长。《新英格兰医学杂志》(NEJM)子刊NEJM AI的副主编赵剑飞认为,AI的可解释性对于科学研究至关重要,但对于临床应用而言,更重要的证据确凿是经过严格的评估和验证。“AI可能改变临床医生的行为,过度依赖AI或不信任AI都可能带来挑战。”
那么,在机遇与挑战并存的当下,如何才能以AI为“翅膀”,实现从量变到质变的飞跃呢?
中国工程院院士、中国科学院大连化学物理研究所所长刘中民分享了他对于AI赋能化工总体思路的理解——利用现有的大量数据,结合领域知识等,构建一个化工大模型,在此基础上创建具备技术开发功能的智能体,用于孪生数字工厂建设,通过与实际工厂对接验证,实现化工过程从实验室一步到工厂。
“虽然构建这样的行业大模型非常困难,但这一变革将加快新技术开发和现有工艺运维优化,实现化工行业智能化转型。言简意赅”刘中民说。
鉴于有什么样的数据就会建出什么样的模型、得出什么样的结果,与会专家强调,AI技术可以解决实际问题、带来巨大机遇,但在数据标准化、安全性和可靠性方面,人们仍需谨慎行事。