現在「AI for Science（人工智慧驅動的科學研究）」已成為全球人工智慧新前沿。什麽是AI for Science？是如何發揮作用的？有哪些關鍵問題？我們來一起探索一下。
什麽是AI for Science？
近年來，人工智慧（AI）技術發展迅猛。20世紀末，人工智慧在手寫數位辨識方面取得了較高的準確率，並在西洋棋中擊敗了人類。2017年，圍棋人工智慧超過了人類職業頂尖水平。
過去五年間，人工智慧在影像生成、自動駕駛、聊天機器人、視訊生成、音樂生成等領域取得了重大突破。人工智慧技術的發展達到了前所未有的高度。
AI機器人棋手和選手下棋
（圖片來源：南方日報）
自動駕駛（蘿蔔快跑）
（圖片來源：新華網）
當今世界，科學技術是第一生產力。除了上述領域之外，人們希望能夠使用人工智慧來驅動科學研究，為科技發展提供幫助，這被稱為AI for Science（人工智慧驅動的科學研究）。
科學研究是一個多方面的過程，一般包括假說的提出、實驗的設計、數據的收集與分析。AI for Science的目標是使用人工智慧來增強和加速這其中的每一個階段，使科學研究變得更加高效。
AI for Science在科學研究中的作用
（圖片來源：參考文獻1）
早在20世紀50年代人工智慧誕生初期，科學家們就試圖使用電腦來解決科學問題，這個時期的研究主要集中在數學和物理學領域，利用電腦進行數值模擬和復雜計算，這也推動了電腦技術的進步。
20世紀80年代，專家系統開始興起，專家系統內含有特定領域的專家知識和經驗，它可以使用這些知識和經驗透過邏輯學進行推理與判斷，模擬人類專家去解決特定領域的問題。
隨著近20年來機器學習技術的成熟，人工智慧不再局限於傳統的邏輯推斷，而是能夠從大量的數據之中挖掘出數據的內在聯系，在數學、物理、化學、天文、生物等學科中取得了重要成果。現在AI for Science已經成為全球人工智慧新前沿。
人工智慧在各個領域的套用
（圖片來源：參考文獻1）
AI for Science是如何發揮作用的？
人類科學歷史的發展經歷了四個階段，經驗科學、理論科學、計算科學、數據科學。
在經驗科學階段，科學發展依賴於對自然現象的觀察與總結。例如，16世紀哥白尼透過觀察行星運動提出了日心說。
在理論科學階段，人們不僅總結自然現象的規律，還探討其背後的科學理論，17世紀牛頓總結出的物體運動的三個基本定律是這一階段的代表之一。
20世紀，隨著電腦的發展，人們進入了計算科學階段，借助電腦的強大計算能力，人們可以根據物理定律進行建模和模擬，如流體運動仿真和氣象預測。
21世紀，大數據技術的興起推動了數據科學的發展，科學家透過處理與分析海量的實驗數據，從中發現新的科學規律。
AI for Science是一個新興的科學研究手段，是這四個發展階段科學研究方法的有機結合。它使用已知的科學規律進行建模，同時又挖掘海量數據的規律，在電腦的強大算力的加持下，進行科學問題的研究。
人工智慧（AI）作為電腦學科的一個新興分支，它在科研領域發揮的作用與傳統的電腦科學不同。電腦最早是為了輔助人類計算而發明的，它計算速度快、準確度高、可以自動化執行，在科研領域產生了重要的影響。
但傳統電腦只是代替人類完成復雜繁瑣的計算，而人工智慧更加追求「智慧」，希望電腦能夠代替人類的智慧，像人類一樣學習、推理與決策。
下面，我們透過一個例子來介紹 AI for Science 的具體套用。
AI for Science的套用-機器化學家
最近，中國科學技術大學的研究人員開發了全球第一個集閱讀文獻、設計實驗、自主最佳化等功能於一體，覆蓋化學品開發全流程的機器化學家平台，它被科研人員形象地稱為「機器化學家」。
「機器化學家」在做實驗
(圖片來源：中國科學技術大學)
在「高熵非貴金屬產氧催化劑」材料研究中，機器化學家展現出了AI for Science的極大潛力。為了尋找合適的材料，按照以往的方法，科研人員要從29種非貴金屬元素中選出5種進行超過55萬種配比組合，「試錯」研究可能需要1400年。而有了機器化學家的幫助，只需要幾周時間就可以完成。
機器化學家首先從文獻資料庫中閱讀1.6萬篇相關論文，總結規律然後挑選出可能滿足要求的材料組合，使用電腦進行模擬計算。它將模擬計算進一步挑選出的材料組合進行自動化實驗以驗證材料的真實效能。它可以根據預先設定好的流程利用自動化技術自動完成從材料合成到效能測試的全流程實驗，並對實驗數據進行處理與分析，最終挑選出合適的材料。
機器化學家的優勢在於它將大數據與人工智慧相結合，利用人工智慧進行人類難以完成的海量文獻閱讀，並從中獲取經驗。在獲取經驗的基礎上，機器化學家自主提出可能的方案並進行實驗驗證，從而代替了先前需要大量人工的試錯過程，加速了科學研究的進展。
AI for Science有哪些關鍵問題？
在AI for Science發展的過程中，它仍然面臨著以下幾個關鍵問題：數據、演算法、算力、人才。
數據問題：為了讓人工智慧能夠自主決策，科學家需要提供數據以供學習，如何獲取高品質的數據已經成為了提高人工智慧能力的瓶頸。特別是在科研領域，科學家面臨的問題都是人類知識的邊界，人工智慧所能利用的數據比其它領域更為稀少。
在機器化學家的研發中，為了獲得足夠的數據，研究人員用了3年時間收集教科書、論文、專利中「沈澱」的化學經驗和知識。但這些數據來源繁雜，品質參差不齊，仍然需要進一步豐富和最佳化。
演算法問題：在人工智慧套用於具體的科學領域時，人工智慧並不能從零開始依據數據學習到所有的規律，這就需要相應領域的專家依據當前領域已有的規律或經驗為人工智慧設計對應的演算法。不僅需要AI for Science，有時也需要Science for AI，如何進行電腦科學與其它各領域的交叉融合也是一個重要的問題。
算力問題：人工智慧模型的訓練以及套用需要大量的算力作為支撐，歸根到底人工智慧仍然是電腦技術，電腦的效能會制約人工智慧的能力。在機器化學家的訓練叠代和套用過程中，需要消耗大量算力。因此，為了讓人工智慧取得廣泛套用，高效能電腦的研發是不可或缺的。
人才問題：在AI for Science中，人工智慧始終是輔助科研人員進行研究的技術，它尚未發展至可以完全不依賴於人的控制自行解決所有問題的程度，因此我們需要更多的科研人員參與進來，推動AI for Science的發展。機器化學家正是在一批多學科背景的科研人員的通力合作、協同攻關下取得了成功。
期待在未來，隨著人工智慧的發展，AI for Science可以在科學領域產出更多的成果，促進人類的科技進步。
參考文獻：
1.Wang, H., Fu, T., Du, Y. et al. Scientific discovery in the age of artificial intelligence. Nature 620, 47–60 (2023). https://doi.org/10.1038/s41586-023-06221-2
出品：科普中國
作者：王琛 （中國科學院計算技術研究所）
監制：中國科普博覽
