AI能让科学家失业吗？

近日，上海人工智能实验室及其他几家科研机构联合发布全球中期天气预报大模型“风乌”。基于再分析数据验证表明，“风乌”比传统物理模型的10天预报误差降低了19.4％。

全球中期天气预报以预测未来14天内天气状态为目标。此前有研究表明，因为大气系统中物理过程的复杂性，及求解大气模型所需资源规模巨大，全球中期天气预报的有效性每10年才提高1天。

上海人工智能实验室科学家白磊在回复《中国新闻周刊》的采访中介绍，“风乌”将全球中期气象预报任务建模为一个多模态、多任务学习的问题，并以此为基础来设计人工智能的预报方法。基于回溯预报表明，“风乌”的性能超过了世界著名人工智能公司DeepMind最新发布的模型，并突破性达到了10.75天的可用预报性能。

用人工智能算法建模全球大气系统，只是AI for Science（人工智能驱动的科学研究）的应用之一。在很多领域，AI正以较以往数倍甚至数万倍的效率，改变多学科的研究。受访科学家们指出，现代科学日益复杂化，而AI相关技术近年来有了快速突破，使得AI for Science成为国际科研的一个前沿方向。

 3月末，科技部、自然科学基金委联合启动“AI for Science”专项部署工作。科技部有关负责人表示，中国在人工智能技术、科研数据和算力资源等方面有良好基础，需要进一步加强系统布局和统筹指导，以促进人工智能与科学研究深度融合、推动资源开放汇聚、提升相关创新能力。

“从蛋白质结构预测到气候系统建模，从引力波探测到理解宇宙，人工智能对科学探索的长期影响才刚刚开始。”数据科学领域知名的机构Dataconomy在2022年11月的一篇文章中写道。

过去完全无法想象的效率

处理数据的方式会改变科学研究的行为，中国科学院物理研究所研究员刘淼对此感受很深。作为一名材料科学家，他说，10多年前他读博期间，完成三四个材料的研究就算顺利。如今，基于人工智能、超级计算等技术的进步，在几十万种可能性中筛选甚至预测不同元素组成的材料，判断其材料属性，不必再一个一个去计算、做实验，只需点几下鼠标。

刘淼说，5年前，包括他在内的一些科学家预判，随着技术的进步，材料学的下一步，不应仅仅盯着个别材料去进行计算、验证，而是运用数据帮助科学研究。他所在团队开发了一个叫作“Atomly”的材料数据库，包括30余万个无机晶体材料的数据。

他介绍，几乎自然界所有物质的属性，都是电子的某种行为。早至1960年代，学界已经发现，可以通过求解量子力学方程的方式，计算电子的行为，预测材料性质。得益于超级计算机带来的算力提升，对材料的计算大大加快，这些奠定了“Atomly”的数据基础；此外，数据库里很多无机晶体材料的结构是先利用人工智能模型进行预测，有了初步判断后才进入下一步的精确计算。

有了强大数据库及高通量计算，刘淼说，任何一组元素组合中，科学家都可以快速搜索可能的新化合物，并预知其物理性质。在“Atomly”数据库，如果点击氧和钛两个元素，就会出现280种两个元素可能构成的化合物。如果点击其中一个，就能进一步看到其原子空间排列结构、介电性、力学性能等具体数据。如果有学者想在这种化合物中找寻一种材料，可以先看这些指标、性质，再进行下一步研究。

这种效率提升之大，他形容，好像以前寻找理想的材料是钓鱼，如今是“撒了网，一下子把鱼都捞上来那种感觉”。

今年3月8日，来自美国罗彻斯特大学的助理教授兰加·迪亚斯宣称，该团队发现了一种由氢、氮和一种名为镥的稀土元素混合制成的材料，可以在21℃和大约1GPa（约等于一万个标准大气压）的压力下实现室温超导电性。这一成果当时在圈内外引起很大轰动。

为了验证这一结果，刘淼团队3月9日就快速地开展了计算。利用前述数据库，他们用了不到一周时间就计算出1500多个化合物，3月21日就提交了论文，结果发现氢-氮-镥无法形成稳定的三元化合物。也就是说，该室温超导论文结果有待商榷。刘淼说，这是过去完全不敢想象的速度。

2022年末，一篇发表在《The Gradient》杂志上的文章写道，预测蛋白质折叠，寻找新的超导体材料、疫苗或任何其他满足特定需求的材料时，它们背后的母科学都是化学。该杂志于2017年成立，创办者为美国斯坦福大学AI实验室的一群学生和研究人员。

传统上，化学研究通常在配有试管、烧瓶的实验室中完成。这篇文章写道，随着当前人工智能、以数据为中心的技术进步及数据量不断增长，我们可能正目睹一种变化：计算方法不仅用于协助实验，还用于指导实验。

不仅如此，AI还能成为实打实的“化学家”。比如，2020年7月，英国利物浦大学的研究人员开发了一款人工智能机器人化学家。这款机器具有人形特征，可以在标准实验室中独立工作，像人类一样使用各种实验仪器。首次测试中，这个1.75米高的AI机器人8天里独立完成了668个实验，并研发出了一种全新的化学催化剂。这一成果当时以封面文章形式发表在《自然》杂志上。

在药物研发领域，AI崛起带动了一批AI制药公司的兴起。咨询公司麦肯锡估计，全球有近270家公司致力于AI驱动的药物发现。

2014年，三位在麻省理工学院从事量子物理学方向研究的博士后在深圳创立了晶泰科技公司。创始人温书豪告诉《中国新闻周刊》，AI可以在大小分子药物发现、药物自动化合成等多个环节提升效率。比如，AI机器人可以用算法将400台机器连接在一起，同时开展实验，每小时就能探索几千种反应条件，筛选催化剂，可以24小时无间断完成标准化的实验操作和数据收集分析。它的效率是并发式的、规模化的，人类实验员难以做到。

新冠疫情中大放异彩的口服抗病毒特效药Paxlovid，其研发过程就有AI的贡献。高纯度、容易结晶的、溶解度好的稳定晶体，是一款药物的重要组成部分。药物结构设计上，Paxlovid就使用了AI平台预测的晶体结构，这一过程只花了六周，大大低于传统方法所需时间。温书豪强调，药物上市时间对于疾病控制和治疗、制药公司的市场优势来说，都举足轻重。

ChatGPT的发布，无疑是今年科技领域最令人兴奋的成果之一，也掀起了新一波AI浪潮。

在中国科学院自动化研究所所长徐波看来，AI for Science、预训练大模型等正在引发新一轮AI创新热潮。如果将“AI for Science”比作一个专业理科生，那么，ChatGPT类似于通才的、文字能力很强的文科生。不过，ChatGPT对于科学研究开展也有很大促进作用。除了帮人们润色论文、撰写摘要等，多位受访者都谈到，ChatGPT还可以对各个学科的文献进行很好归纳、总结，甚至会启发科学研究。

北京大学定量生物学中心研究员裴剑锋接受《中国新闻周刊》采访时指出，过去中国对建立数据体系的重视不足。今后，依靠ChatGPT强大的自然语言处理能力，可以加速相关知识体系和数据库的建立。虽然ChatGPT目前还达不到一个人类专家读文献的水平，但是专业自然语言处理AI的发展，有可能自动完成文献数据摘取和分析等工作，效率比人类高非常多。

徐波也提到，ChatGPT等大模型可以帮助领域内的科学家快速找到其感兴趣的知识、文献和一些关键的实验结果。

人工智能在科学领域的应用不胜枚举。比如，在脑科学领域，据《华尔街日报》4月初的报道，美国科技巨头之一的Meta公司正在开发一个系统来读取人脑中的想法。这是Meta AI实验室一个名为“大脑信号读取”的项目。研究人员利用脑电图和脑磁图两种技术获取数据，让自主监督学习AI工具进行训练，训练数据集包含169名志愿者在听到有声读物和单句时的大脑活动录音。通过近150个小时录音，算法像读心术一样能推断出人们最有可能听到的词。

AI for Science：为什么是现在？

徐波告诉《中国新闻周刊》，科技部“AI for Science”专项部署工作将布局前沿科技研发体系，建立一些面向重大科学问题的人工智能模型与算法，利用人工智能技术带动科学研究的知识发现。这过程中，将建设很多学科都可使用的一些计算平台，这些平台用来跨尺度建模、高精度仿真、微分方程求解等。

科学研究中，AI有多火？一位理论化学背景出身的科学家告诉《中国新闻周刊》，他的导师近来跟他说起，现在哪怕是纯底层、纯基础的科学领域，比如理论化学、理论物理，如果项目申请书里面不提AI，都难以申请到经费。他说，“大家都觉得，AI是个超级工具，如果没有用上，可能对研究的理解深度和效率都会带来影响。”

2022年，在中关村论坛“AI for Science智能峰会”上，中国科学院院士、北京大学前沿交叉学科研究院执行院长汤超分享了国内这一概念提出的经过。他说，几年前，鄂维南找到他，商量是否可能在北大设立一个学科交叉项目，来探索机器学习在不同科学和工程领域的应用，于是他们为其取了一个名字，叫“AI for Science”。2018年8月，一场有关“AI for Science”的会议在北大召开。鄂维南是中国科学院院士、北京科学智能研究院院长、北京大学国际机器学习研究中心主任。

北京大学定量生物学中心研究员裴剑锋是2018年参会的科学家之一。其研究方向是用计算的方法做药物设计，属于国内最早从事计算机辅助药物设计的学者之一。他告诉《中国新闻周刊》，北大这场会议前，人工智能与科学的结合已有一段时间。

以他所在的交叉学科为例，他说，2012年，国际上已开始有一些关于AI、化学、药物设计相结合的初步摸索。2014年，他所在团队也开始做相关工作，并且在2015年发表了国内第一篇将AI用于药物设计的论文，实际上已经是AI for Science的一种实践。

从2020年开始，AI for Science进入了集中爆发阶段。在国内，已有一些公司致力于开发科学计算平台、科研AI模型等。

如今，AI几乎可以和深度学习画等号，AI的几大领域，包括自然语言处理和计算机视觉（CV）等，都绕不开深度学习。尽管深度学习的基础——人工神经网络在1950年代已经提出，但是，直到近十来年间，高性能的算力和互联网上产生的大量数据，才使得AI领域从业者们能大量训练神经网络，不断拓展机器学习的深度。

另一边，基础科学的发展也亟待一个更强大的工具。上海人工智能实验室领军科学家欧阳万里在接受《中国新闻周刊》采访中谈到，地球科学方向积累了非常多的观测数据，存在大量计算问题。然而，由于地球系统的复杂性，很多方向的机制和原理都还不够清晰。人工智能技术强大的非线性拟合能力和灵活的建模能力，为解决领域中的一些“硬骨头”问题提供了一种新的、强大的工具。比如，大气模拟、地震监测和预测就非常适合使用人工智能来解决。