机器心脏报告
编辑:萝卜皮
一个世纪以来，数字技术的演进推动了人类的技术进步和产业发展。目前，我们正在经历数字科技发展最快的阶段。数字化、网络化、智能化使数字世界与物理世界的融合与协调更加紧密。
近日，阿里达摩院发布了2022年十大技术趋势，其中面向科学的AI占据首位。
实验科学和理论科学是数百年来科学界的两大基本范式，人工智能正在催生新的科学研究范式。学习可以处理海量多维多模态的数据，解决复杂场景下的科学问题，将科学探索引向过去无法触及的新领域。人工智能不仅会加速科研进程，还有助于发现新的科学规律。
预计未来三年，人工智能将广泛应用于应用科学，成为一些基础科学领域科学家的生产工具。
趋势解释
科学研究是在星辰大海中探索未知。科学发现是漫长而偶然的，重大突破取决于伟大科学家的贡献，如牛顿、爱因斯坦、杨振宁等。尽管有许多科学家的不懈投入，但科学发展的速度仍然受到一定程度的限制。
计算机科学改变科研的路径是从下游到上游。起初，计算机主要用于分析和总结实验数据。后来科学计算改变了科学实验的方式。人工智能结合高性能计算开始在实验成本和难度较高的领域用计算机模拟实验，验证科学家的假设，加速科研成果的输出，比如核能实验的数字反应堆，可以降低实验成本，提高安全性，减少核废料的产生。
近年来，人工智能已被证明能够进行科学规律发现，不仅在应用科学领域，在基础科学领域也是如此。例如，DeepMind使用人工智能来帮助证明或提出新的数学定理，并协助数学家形成对复杂数学的直觉。
人工智能将成为继计算机之后科学家新的生产工具。首先，它将带来效率的显著提高。人工智能将伴随科学研究的全过程，从假设、实验到总结，让科学家不需要像过去那样十年的冷窗才能出科学成果，而是可以终生保持高产。二是让科学不再依赖少数天才。人工智能对科学研究做出猜测，让科学家实验证明有意义有价值的部分，让更多人参与到科学研究中来。
人工智能在各个科研领域的应用节奏会有所不同，在数字化程度高、数据积累好、问题界定清晰的领域推进更快。比如在生命科学领域，AlphaFold2利用生命科学积累的大量数据，通过基因序列预测蛋白质的结构，对泛生命科学领域产生了深远的影响。
另一方面，在复杂度高、可变因素多的领域，人脑很难总结，机器学习可以发挥优势，在海量多维数据中寻找科学规律，比如流体力学。
人工智能与科研的深度结合还需要解决三个挑战。第一，人机交互的问题。人工智能和科学家在科研过程中的合作机制和分工需要更加明确，形成紧密的互动关系；第二，人工智能的可解释性。科学家需要明确的因果关系才能形成科学理论，人工智能需要更容易理解才能建立科学与人工智能之间的信任关系。第三，跨学科人才。科学家和人工智能专家在专业领域的相互理解程度较低，相互促进的障碍仍然较大。
达也研究所预测，未来三年，人工智能技术将广泛应用于应用科学，成为一些基础科学的研究工具。
专家意见
AI领域的相关专家对此事发表了各自的看法。
北京大学、中科院院士、普林斯顿大学教授依云说:
数百年来，数据驱动的开普勒范式和第一原理驱动的牛顿范式是科学研究的两大基本范式。现在正在蓬勃发展的AI for Science可能会促进两种现有范式的深度融合，激发新的科学革命。《达摩院2022十大技术趋势》将AI for Science列为重要趋势，无疑是看到了人工智能与传统科研结合所带来的巨大潜力。希望能有助于推动更多的科研人员加入进来，加快这场科学革命的进程。
Ai科学带来的不仅仅是几个突破，而是科学研究方法的全面变革。为了适应这样的新环境，科学家需要对AI有更深入的了解，才能很好地利用AI。企业积累了大量的AI RD能力和资源。它们不仅可以提供学术界急需的计算资源，还可以帮助构建基础科研工具。毫无疑问，学术界和业界需要更多的协作，秉持开源开放的精神，消除门户之见，构建AI for Science的研究共同体。
也许这些努力之一就是理工学院的十大技术趋势。希望达摩院牵头的这一努力能够加速信息科学与传统科学的深度融合。也希望AI for Science不仅仅是一个新浪潮，而是一个全新的科学时代。
浙江大学人工智能研究所所长吴菲说:
我觉得人工智能会成为科学家的工具，但我希望不会仅限于此。
我们正处于一个数据密集型计算模式的时代。我们有大量的数据，科学家可以从中运用自己的方法进行科学探索。科学发现和探索的方法论的使用必须以人工智能为基础，所以人工智能一定会成为科学家的工具。
为什么我说不想局限于此？工具的背后是一种人工智能的计算思维的渗透，所以我希望科学家在使用工具的过程中，能够形成一种以设计、构造、计算为核心的计算思维。
例如，像AlphaFold一样，这项伟大的研究成果不仅使用深度神经网络作为工具，还汇集了不同学科的科学家。首先，它设计了一个清晰的、可计算的思路来预测从氨基酸序列到蛋白质3D 空的结构。
因此，我们需要形成用于科学探索的计算思维，同时，我们可以通过恰当地应用人工智能这一工具来创造科学的全新未来。因为科学是人工智能的一个趋势，有着光明的未来。
阿里达摩院城市大脑实验室负责人华显生表示:
目前在科学的AI方向已经有了显著的突破，但成果主要是点状的，包括分子生物学、量子力学等。，而且还是有很大的突破空。
用AI帮助科研基于两点，一是基于数据，二是基于计算。因为我们想在数据和计算能力的基础上形成AI能力。所以如果这个学科有更好的数据，更多的数据，更丰富的数据，它的问题是一些与大规模计算相关的问题，可能是一个比较快速容易取得突破的地方。比如分子生物学，天文学，地理科学，大气科学，这些都是数据量大，问题非常复杂，需要强大的计算。这里或许可以利用一些AI能力，更快的取得一些突破。
本质上，科学的AI和工业的AI没有太大区别，AI也是推动领域发展的工具。只是这个领域有点不一样，门槛比较高，因为这是科学家应该做的事情，不是普通人和一般技术工作者能做的。但本质上也是这个领域。因为有了数据，我们就可以设计算法来挖掘数据中的“奥秘”，解决这个领域的问题。
今天人工智能技术又向前迈进了一大步，可以让计算帮助科研走向智能帮助科研，智能会给科研方法带来一些改变。它的效果应该可以和工业界相媲美，即可以提高科研效率，增加成果产量，甚至可以从手工作坊变成批量生产。当然，这并不容易，但可能会有这样的趋势。
就科学研究而言，从这个小概率事件，有可能变成更大概率的事件，变得更加科学，而不是特别随机，更加确定。这就是AI对于科学的意义，当然还有很长的路要走。
AI在其他领域已经有近十年的磨合，在科学领域才刚刚开始。还有一些点状的技术，不外乎两个东西。
首先是AI专家要懂科学问题，这个门槛比较高。
第二件事是科学家要了解AI的原理，知道它能做什么不能做什么，有什么优势。
这并不是说，我们必须只使用现有的人工智能能力来解决这个科研问题。也有可能在AI专家和科学家协作解决相应科学问题的过程中，开发出更好的AI能力。这和AI对于工业的过程是一样的。我们很多AI技术也是在解决相应行业问题的过程中产生的。所以要把两个方面结合起来解决问题。就是不一样。理科的门槛比较高。
AI forIndustry的时候，其实是从单点技术逐渐走向平台化的。在AI for Science的未来，我觉得也会逐渐走向平台化。这时候，AI专家结合某个领域、某个学科，甚至某个学科的某个问题，与科学家一起搭建科研平台。这个时候，科学家可能有更大的自由，更强大的工具，能够批量做科研，实现更丰富、更重要的科学突破。
更进一步，我想学习AI为工业服务的过程。AI产业从单点技术走向平台后，我判断是走向系统，或者进化系统，或者协同进化系统。因为平台解决的是能够大规模产生产能和应用的问题，是长期、持续、深入地系统解决行业的问题，产生核心价值。对于科学研究来说也是如此，如果每个领域都可以建立这样的AI系统，科学发现就有可能实现自动或半自动模式。它可以持续、持久、深入、广泛地做出一些科学发现，这可能是更长远的未来。当然，自动模式可以解决相对简单的科学发现和科学论证，但不能解决最前沿、尖端和复杂的问题——这部分需要科学家使用强大的AI系统和科学专业知识来发现和解决。
阿里达摩院决策智能实验室负责人尹沃涛说:
DeepMind及其合作者最近在《自然》杂志上发表了一篇论文。人工智能帮助解决数学问题，吸引了许多人的注意。我们关心的不是结果，而是AI在数学研究中如何发挥作用。
首先介绍一下背景。这篇文章是关于低维拓扑的。里面有十几个数学量，其中关键量是通过神经网络拟合分析得出的。作者猜测低阶拓扑中存在未知的非线性关系，产生大量数据，用神经网络拟合近似函数。发现三个量在拟合过程中起着重要的作用，只有这三个量才能很好的拟合。反正通过拟合实验，产生新的数据，得到新的观测模型。最后，数学家用自己的智慧猜测出一个不等式结构，并进一步严格证明。
大家关心的是人机交互的过程，大量的神经网络实验，两个数学家多轮的交互。大自然描述了互动的过程。比如从古至今，开普勒等应用科学家反复进行实验观测，寻找规律。现在AI算法和AI专家都扮演了这个角色。这项创新主要使用了神经网络技术，包括多元非线性函数的渐进技术和黑盒解释技术。
综上所述，这个成功的案例将激励纯数学家与AI合作，证明一些新的猜想或者发现新的结构。
延伸到AI对于科学，我的看法是，AI确实可以加快科学实验的速度。除了计算机模拟，AI还可以告诉你实验的方向。在最近的天体物理学中，AI优化了望远镜Tai 空的指向，同时收集越来越多的有趣数据，有点像自动驾驶。用AI做自动驾驶望远镜，加速发现规律。
其次，AI促进了人机结合。当然，说起来简单，但具体操作就复杂多了。科学家和人工智能专家必须密切互动。比如数据生成、绘图、构建神经网络和训练、用神经网络验证结果等，都与解决问题高度相关。
最后，开发可解释的AI工具非常重要。AI产生的结论需要通俗易懂，有迹可循，才能搭建起与科学的桥梁，获得科学家的信任。
阿里达摩院语言技术实验室研究员黄飞说:
我的工作主要是理解和谈论自然语言，包括AI模型。AI科学是一个非常新的方向，我们团队在这方面的工作刚刚起步。基于预训练模型系统AliceMind，利用有限的监督数据和强化学习，可以证明近400个定理。
用于工业的人工智能不同于用于科学的人工智能。前者主要是解决行业中的实际问题，基于真实世界的数据寻找模式。对于面向科学的人工智能来说，目的不仅仅是找到数据中的模式，还要找到产生这些模式的底层规则来解释不同的现象。科学研究的人工智能，从数据到标签映射等常用预测方法，以及给定疾病图片预测疾病等传统分类学习方法都可以使用。但模型更注重对数学问题和物理问题的底层理解，对可解释性的洞察，以及对研究问题中数据更恰当的表达和分析。我们需要在源数据的基础上找到一个更好的表示，对这个领域的问题有更好的理解。
目前AI主要应用于工业场景，基于大量的数据。如果AI在科研中也需要大量的科研数据，比如生物学的蛋白质或者一些特定领域，AI在这里可能会发挥更大的作用。但是，特定领域知识的表示和应用涉及符号逻辑，包括知识图谱，甚至包括人类经验和文本知识。目前，艾在这方面的工作相对有限。
另一个问题是跨团队合作。目前的模式是物理学家和数学家提出问题和需求，AI专家帮助解决。更有效的工作是双方各走一步，AI专家对相关学科有深入的了解，这样才有更好的方法使用计算机建模。物理学家、数学家、化学家、生物学家如果能更好地了解计算机和AI的趋势，会给出非常重要的建议，对AI模型的建模和整个AI体系的构建都有很大的帮助。
标签
未来，人工智能将会催生科学研究的新范式。人工智能将成为科研发展的高效催化剂。这也需要各个跨学科领域团队的不断合作和创新。
除了这里介绍的用于科学的AI，达摩院发布的“2022年十大技术趋势”还包括大小模型的共同进化、硅光学芯片、绿色能源AI、柔性传感机器人、高精度医疗导航、全球隐私计算、星地计算、云网融合、XR互联网。
