内容一览： 生成式 AI 爆火，中国如安在 AI 年代完成弯道超车？对此，科技部亲身给出答案：启动 AI for Science 专项部署作业。可以预见，AI for Science 新一轮大潮即将来临。
关键词： 科技部 AI for Science
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《新一代人工智能开展规划》，科技部会同天然科学基金委近期启动**「人工智能驱动的科学研讨」( AI for Science )专项部署作业。**
「AI for Science 有或许推进咱们鄙人一轮科技革射中走在前沿。」中科院院士、北京科学智能研讨院院长、天然科学基金委「下一代人工智能」重大研讨方案专家组组长鄂维南对此作出预判。
新一轮科学革命怎么弯道超车？
北京科学智能研讨院副院长、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讨最大的特点是，它以一种前所未有的方式，将不同学科、不同布景的人们连接在一起。「Al for Science 是一个学科与知识系统大重构的过程，既需求核算机、数据科学、资料、化学、生物等学科的交叉交融，也需求数学、物理等基础学科进行更深化的理论构建和算法规划。」张林峰提示，「当且仅当做好相关的交融，咱们才有机会在新一轮科学革射中抢占先机。」
本次，我国布局 AI for Science 前沿科技研制系统，将严密结合数学、物理、化学、地理等基础学科关键问题，环绕药物研制、基因研讨、生物育种、新资料研制等要点范畴 科研需求展开。 对此，中科院自动化研讨所所长徐波解释说，新药创制、基因研讨、生物育种、新资料研制等范畴，是人工智能与科学研讨结合需求迫切、进展杰出、具有代表性的重要方向。
比如，基于生物学机制、疾病和用药相关数据、药物的各种药学性质等建立的人工智能模型，可猜测新药的安全性和有效性；经过人工智能辅佐，可削减研制中的人力、物力和时刻投入，进步药物研制成功率。当人工智能赋能新资料研制后，可完成将电子尺度和分子尺度等多尺度资料核算模仿办法耦合，快速挑选契合方针性能的新资料成分和构型，压缩新资料与器件研制周期和本钱。
AI 新战场：传统科研范畴
近年来，人工智能在科研范畴被初步使用，越来越多的科学家自研或选用老练的人工智能算法，辅佐进行数据发掘分析、建模、仿真、猜测等科研作业，加快发现天然科学新规律、新模式，削减重复性人力作业，提升科学发现的准确性，明显进步科研人员的作业效率。随着人工智能技能和科学研讨的结合益发严密，新式研讨范畴 AI for Science（人工智能科学研讨）呈现，而且从 2020 年开端，此新式范畴进入集中迸发阶段。
2021 年 1月，加州大学圣地亚哥分校等机构的研讨者提出了一种名为**「Multi-fidelity Materials Graph Networks」（多精度资料图网络）的机器学习办法，** 经过学习来自多种测量和仿真来源的数据，经过 AI 模型猜测资料的特性。该办法可以构建出具有遍及意义、更准确的「资料特点模型」，然后帮助科学家挑选有研讨远景的候选资料。
编辑
多保真度资料图网络处理资料学数据和进行特点建模的办法
2021 年 7 月，DeepMind 发布的 AlphaFold 2， 已能成功猜测 98.5% 的人类蛋白质三维结构，且猜测效果与大部分蛋白质的实在结构只相差一个原子的宽度，可达到以往经过冷冻电子显微镜等复杂试验观察猜测的水平。12 月，这项研讨被《天然》杂志评为 2021 年度技能突破。
AlphaFold2模型在多种物 质上猜测效果的置信区间
相同在 2021 年 7 月，华盛顿大学、哈佛大学等的研讨者提出蛋白质结构猜测算法 RoseTTAFold， 该办法基于深度学习，经过在蛋白质序列信息的学习，可以快速生成蛋白质的精确结构，削减传统办法在试验测定等方面投入的时刻和精力。现在该算法已开源。
RoseTTAFold 中用于猜测蛋白质结构的一系列算法架构
GitHub 地址：
github.com/RosettaComm…
2021 年 10 月，DeepMind 在《天然》杂志宣布论文，经过与英国气象局合作，将 AI 技能使用于降雨猜测。 研讨者选用深度生成模型，可提前 5-90 分钟猜测 1536km1280km 区域内的降水状况。与其他办法比照，该模型在 89% 的状况下中具有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关范畴研讨效果之外，国内 AI for Science 的热度相同越来越高。
从方针层面来看， 在这次科技部亲身下场扶持之前，2022 年 5 月，国家开展变革委《「十四五」生物经济开展规划》清晰把加快开展高通量基因测序技能，作为开展前沿生物技能创新的重要手段；支持选用人工智能等信息技能，完成药物工业的精准化研制，进而经过生物技能与信息技能交融更好惠民。
从人才层面来看， 很多 AI 范畴的大佬选择投身此范畴。本月中旬，CV 范畴俊彦何恺明在 MIT 做学术讲演过程中就曾谈到接下来将要点重视 AI for Science，详细将聚焦视觉和 NLP 大一统做 self-supervised X+AI。
从效果层面来看， 近日，来自中国科学院深圳先进技能研讨院的研讨团队首次将数据驱动自动组成( Data driven automated synthesis )、机器人辅佐可控组成( Robot assisted controllable synthesis )、机器学习促进逆向规划( Machine learning facilitated inverse design )用于胶体纳米晶（例如钙钛矿）资料组成，探索构建了「机器科学家」渠道，有望将科研人员从传统试错试验、劳动密集型表征中解放，聚焦科学创新，完成纳米晶资料数字智造。
机器人辅佐胶体纳米晶数字智造自动化渠道
2023 年 3 月 2 日，该研讨以「A robotic platform for the synthesis of colloidal nanocrystals」为题，发布在《天然-组成》( Nature Synthesis )上。
论文链接：
www.nature.com/articles/s4…
AI for Science：机会与应战并存
与我们耳熟能详的生成式 AI 不同的是，AI for Science 触及生物制药、能源、资料研制等科研范畴，并不能即刻让群众上手体会相关效果，但其对前沿科研所施加的加快效果，却会对人类社会和经济开展有更为基础和深远的影响。
不过，也需看到，AI for Science 所具备的全面、深层次革新价值，亦让它面临远高于人们常见 AI 使用的落地壁垒。据阿里达摩院 2022 年十大科技趋势陈述中显示，人工智能与科研深度结合依然需求要点处理三方面应战：
-
人机交互问题，AI 与科学家在科研流程上的协作机制与分工需求更加清晰，构成严密的互动关系；
-
AI 的可解释性，科学家需求清晰的因果关系来构成科学理论，AI 需求更容易被了解，以建立科学与 AI 之间的信任关系；
-
交叉学科人才，专业范畴科学家与 AI 专家的相互了解程度低，互相互相促进的障碍依然较高。
值得重视的是，陈述中还作出猜测，在未来三年内，人工智能技能在使用科学中将得到遍及使用，在部分技能科学中开端成为研讨东西。
参阅文章：
[1]baijiahao.baidu.com/s?id=176151…
[2]new.qq.com/rain/a/2022…
[3]www.ncsti.gov.cn/kjdt/kjrd/2…
[4]《达摩院2022十大科技趋势》
