2022年底，ChatGPT风靡全球，让人们再次领略到AI的强大与神奇。

　　如今，人工智能已成为当今科技界最热门的话题之一。 它不仅改变了人们的生活，也给科学研究带来了更多的可能性。 AI for Science（人工智能驱动的科学研究，又称AI4S）应运而生。

　　作为“人工智能”与“科学研究”深度融合的新兴技术形态，AI for Science利用人工智能技术学习、模拟、预测和优化自然和人类社会中的各种现象和规律，解决各种科学研究问题，从而促进科学发展。发现和创新被称为“科学研究的第五范式”。

　　国内层面，今年3月，科技部、自然科学基金委启动“AI for Science”专项部署，布局“AI for Science”前沿技术研发体系。 国际层面，特斯拉CEO埃隆·马斯克宣布成立人工智能公司xAI，旨在打造一个理解自然规律的人工智能系统； 谷歌前CEO埃里克·施密特宣布设立AI for Science博士后奖学金，目前已部署在9所院校； 微软成立AI4Science，科学情报中心； NVIDIA与IIT联合发布AI for Science公开课……从国内到全球，从学术界到工业界，AI for Science已经成为燎原之势。

　　面对这场已经到来的科技革命，2022年，北京科学情报研究院（AISI）、深圳科技、高瓴创投联合发布了第一版《AI4S全球发展观察与展望》，详细阐述了人工智能了解Science的发展历史和技术现状，并深入剖析其在多个行业领域的原理和实践。 发布后，得到了全球各界的广泛认可和支持。

　　作为新一代科技创新资源枢纽和智慧服务平台，落跃科学非常期待人工智能与科学研究的结合。 依托落岳科学开放社区，联合新型研发机构、大专院校、OA期刊等，满足科研人员的需求。 为核心并以促进数据及相关学术资源开放共享为使命，为广大科研人员提供创新、智能化的科研服务解决方案。 目前，依托对AI对于科学价值的认可，洛易科学还打造了一系列AI驱动的科研生产力工具，帮助放大科研成果的价值，促进“产学研”的交流与融合。 、研究与应用”。

　　为了推动AI for Science继续助力和拓展更多领域的科学研究边界，让中国及全球更多的从业者看到和了解AI for Science所蕴含的科学研究和商业机会，今天日前，北京科学情报研究院、深圳科技与洛易科学联合发布2023版《AI4S全球发展观察与展望》。

　　此次发布的2023版《AI4S全球发展观察与展望》（简称《展望》）在上一版本的基础上，对现有内容进行了大幅更新，增加了近两倍的新内容，反映了过去的发展情况年。 跟踪解读如何影响AI for Science的发展路径，整理总结数十家领先企业和科研机构的经验和方法，深入分析相关技术、产品、产业、政策的演变，重新梳理AI for Science的发展路径。具有新框架的科学 科学的要素、演变和前景详细描述了其在各个行业的实践。

　　 2023年，在AI for Science快速发展之际，新版《展望》通过内容重构，全面呈现AI for Science在科学各领域的应用与发展，帮助从业者更好地了解当前AI的应用现状与发展为了科学。 未来趋势，共同推动AI for Science领域融合创新，砥砺前行。

　　创新提出AI4S“四梁N柱”发展框架和新型基础设施建设思路

　　科学技术是第一生产力。 数百年来，科学技术的发展经历了多次系统性危机。 危机的解决，使科学技术实现了质的飞跃。 科学随着新工具的应用和普及提高了生产力； 如今AI时代已经到来，AI在计算机视觉、自然语言处理、自动驾驶等领域大放异彩。 然而，人工智能想要从一套“数据处理”工具走向更普遍的“智慧”，科学技术是必由之路。

　　显然，AI for Science将是AI的下一个主战场。 它将极大拓展人工智能与科学的边界，赋能科技与产业各方面，助力加速完成科学研究与技术创新之间的“最后一步”。 公里”还将帮助研究人员拨开自然和社会特征的混乱，发现事物背后的关键规律。

　　

　　图 AI for Science的“四梁N柱”架构（来源：北京科学情报研究院）

　　 2023版《展望》首先概述了人工智能科学的原则和发展框架，并提出了“四梁N柱”视角。

　　《展望》指出，在原有科学基础设施的基础上，AI for Science时代的基础设施将在四个方面全面突破。 一、基本原理及数据驱动的算法模型和软件系统； 二是高效、高精度的实验表征系统； 第三，取代文献的数据库和知识库系统； 第四，高度集成的计算平台系统。 ，这四个方面被概括为AI for Science的“四梁”。

　　在这些垂直领域的广泛场景、应用和技术中实施AI for Science的具体实践被称为“N柱”，例如生命科学、材料科学、能源、气象等众多领域。

　　要完成“四梁N柱”的体系建设，一方面要面对高度抽象的领域知识门槛； 另一方面，要摆脱“作坊模式”，推动科学研究向“平台模式”转变，科学问题与工程问题相互交织、相互影响。 因此，促进科学家和工程师之间的充分协作是高效实现AI for Science时代科研基础设施建设的关键因素。

　　从发展阶段来看，《展望》指出，根据行业整体需要解决的问题，AI for Science的历史以及未来十年可预见的发展大致可分为三个时期：科学家主导的“概念引入期”（三个时期的演变）也是人们对科学人工智能发展不断深入、使用范围不断扩大的过程。

　　 AI for Science的发展不仅依赖于AI算法的应用，更依赖于大量经典算法的改进和增强。 算法迭代层面将经历从“简单模拟”到“智能搜索”的三个阶段：阶段1.0的关键词是“模仿”，即基于实验的思路，在实验的基础上进行简单的外推和扩展； 阶段2.0 阶段3.0的关键词是“预测”，即有边界和明确可验证的置信区间的预测； 3.0阶段的关键词是“搜索”，即算法能够非常准确地对真实场景进行建模，并在此基础上根据具体需求进行设计并返回想要的结果。

　　《展望》指出，目前正处于2.0阶段。 未来几年，AI for Science所有相关领域都将完成2.0阶段的算法升级，进而逐步进入智能设计的3.0阶段，最终实现AI for Science的广泛普及。

　　

　　图 AI for Science的相关要素（来源：2023年版《AI4S全球发展观察与展望》）

　　 AI for Science的发展包含了AI产业和科学领域的元素。 它还需要行业和公共管理方面的发展要素。 所有这些要素相互交织、相互影响，共同为科学人工智能的发展提供正反馈。

　　近十年来，AI的威力有目共睹，但其“黑匣子”属性一直为学术界所诟病，即只能知道发生了什么，却不能知道为什么。 《展望》指出，由于科学本身的客观存在，科学与人工智能的融合为人工智能提供了极好的“验证”步骤，让人工智能在特定领域产生“可解释”的结果，这不亚于于发现人类新的科学原理。

　　在科学领域，可以从“数据”中提取经验的“原理”，也可以用“原理”来模拟“数据”。 因此，“数据”和“原理”在一定程度上可以逼近无损变换。

　　

　　图 人工智能科学系统工程（来源：深圳​​科技）

　　模型驱动和数据驱动的科学人工智能深度融合的过程更像是一个系统工程。 不仅需要原理层面的创新，更需要基础设施、产品、场景交互的全方位变革。 每个场景都可能需要庞大的团队来支撑和完成，这也意味着巨大的空间和机会。

　　 AI4S多领域产学研实践

　　新版《透视》重点关注生命科学、材料科学、能源、半导体、地球与环境等多个领域和细分领域的AI for Science产学研实践。 总体而言，在具体实践中，如何更好地构建人工智能与科学的链接是核心创新点，不同科学场景下的思路也不同。

　　在生命科学领域，近十几年来，大量基于机器学习和深度学习的理解基因调控的方法被开发出来，人工智能在驱动药物开发和个性化医疗方面取得了新的突破。 如今，人工智能在药物研发、疾病筛查、生物机制研究等方面发挥着越来越重要的作用。 未来，随着人工智能的渗透，许多疾病的发病途径和影响因素将不再神秘，最终有望介导人类健康乃至整个生命科学的系统性进步和重大突破。

　　

　　图 药物研发的主要环节（来源：2023年版《AI4S全球发展观察与展望》）

　　以药物研发为例。 新药开发过程是一个多步骤、漫长且昂贵的过程。 提高每一步的效率都具有巨大的商业价值。 如今，人工智能与底层生物机制相结合的新范式（AI for Life Science）正在为整个行业注入新的活力，并带来更多底层技术突破的机会。

　　在AI for Life Science范式下，药物研发过程中的大部分实验都可以在汽车、飞机等工业领域进行模拟，通过计算手段进行测试和筛选，然后通过真实实验进一步验证和筛选，可以显着减少现实生活中的实验次数。 实验所花费的时间和经济成本。

　　 AI在生命科学中的其他应用，例如当今流行的CAR-T细胞疗法，对于识别CAR分子胞外域中抗原的单链抗体片段来说非常重要。 可以应用AI技术学习抗体片段的规则，帮助预测和推荐抗体亲和力或人源化特性； 又如，Cas9是CRISPR-Cas9基因编辑技术的重要组成部分。 AI算法可用于寻找毒性较小的Cas9酶，AI也可用于酶设计。 应用上，尝试对已知的Cas9酶进行优化和修改。

　　在合成生物学领域，AI for Science的设计与合成生物学的工程模型互补，共同打造“假设、构建、测试、学习”的闭环（DBTL），还可以利用AI进行量化基于自动化实验室的实验。 旨在反向补充数据库，探索更多模式，突破理性设计瓶颈。

　　未来，AI for Science有望实现全基因组水平定制化工厂的想法，完成实验室小规模合理设计到大规模制备工艺的生产，甚至可能实现从海底微生物系统到宏观海洋系统的模拟。 甚至连生态系统的模拟也能真实地推演出类似“蝴蝶效应”的过程。

　　

　　图 AI for Science推动材料研发范式持续演进（来源：2023年版《AI4S全球发展观察与展望》）

　　在材料科学领域，我们从原子和分子出发，根据需求优化和设计创新材料。 这是一个融合了物理、化学、工程等的交叉学科领域。然而，现阶段新材料的研发主要依靠大量的实验试错。 耗时。 AI for Science可以从第一原理出发，预测材料成分分布和微观结构的多尺度特征，并整合现有的材料数据库、专家知识和人工智能方法。 结合计算和实验可以缩小材料创新的搜索空间。 为加速材料创新进程，研究人员成功利用人工智能科学方法来解决关键问题。

　　在半导体领域，半导体技术是信息时代的基础。 未来的发展形成了两条不同的路线：一是解决目前随着器件尺寸不断减小，新工艺开发越来越困难的现状； 二是开发基于半导体的无硅新材料系统和工艺路线。 在这里，AI for Science一方面可以通过微尺度的高效高精度建模，协助相关新材料和器件系统的开发和应用，并通过过程模拟、预测和搜索为过程改进提供帮助。优化流程； 另一方面，AI for Science可以协助相关新材料和器件系统的开发和应用。 一方面，结合高性能计算、物理建模和机器学习，通过仿真等手段对半导体材料的工艺进行模拟，加速该工艺的商业应用。 此外，高性能技术还可以结合在化学抛光等方面。 助焊剂实验发现了最有效的浆料材料。

　　此外，《展望》还列出了一系列AI for Science的应用案例和行业视角。 例如，宁德时代利用人工智能研究锂金属阳极和钙钛矿相变等问题。 它利用深层势能结合先进的表征来研究这些材料的分子细节，从而能够在分子水平上了解材料性能的变化，为材料设计提供指导。 和优化提供理论指导。 同时，这种研究方法也大大提高了研究效率。

　　再比如，英芯智能基于生成对抗网络、深度强化学习、预训练模型等机器学习技术，打造了高效的AI药物研发平台Pharma.AI，并成功研发了临床前候选化合物ISM001-055，是全球第一个通过AI发现的新靶点、新分子结构的候选药物。 这也是目前该靶点处于临床阶段的唯一正在开发的管线。 它是真正的“一流”药物。

　　从行业角度来看，清流资本认为投资AI for Science这样的前沿科学领域是一种“双赢”的策略。 从社会角度看，这些投资为人类解决重大科学问题、推动科技进步提供了强大动力； 从经济角度来看，新技术、新科学往往会带来范式变革，创新产品和服务，颠覆性地征服现有市场，为投资者带来巨大的商业价值和财务回报。

　　

　　图 人工智能、科学数据和科学计算的发展史（来源：AISI & DP Technology）

　　从生命的基本组成部分（蛋白质），到世界工业的基本要素（材料），再到科学技术的各个领域，AI for Science不仅是解决特定问题的有力工具，也是重新定义人类的系统方法。科学问题。

　　《透视》指出，AI for Science的巨大想象空间在于如何更好地利用AI算法连接科学计算和物理模型，指导科学和产业创新。 人工智能的力量在于它能够解决复杂问题，从而促进科学发展。 研究和技术开发潜力巨大。 这时，科学研究的瓶颈不仅是“如何解决问题”，更是“如何定义问题、如何选择工具”。

　　因此，深刻理解问题是解决问题的第一步。 AI for Science算法的原创性创新不仅来自于不断变化的AI模型，也来自于科学家对具体科学挑战的分析、拆解和分类。 只有这样，才能最大限度地发挥人工智能在科学领域的效能。

　　在人工智能时代，成功往往是坚持、探索和投入资源实现长期目标的结果。 人工智能在科学上实现有意义的突破所采取的路径往往是间接和不可预测的，需要那些塑造其未来的人理解并接受这一长期旅程的本质。

　　例如，作为AI基础设施领域的先行者，NVIDIA的图形处理单元（GPU）已成为全球机器学习和深度学习框架的重要组成部分。 然而，NVIDIA在AI领域的征程却是从完全不同的视频游戏领域开始的。 通过不断突破图形处理的极限以满足游戏行业不断增长的需求，NVIDIA无意间为当今的GPU加速AI奠定了基础； 此外，DeepMind 和 OpenAI 作为 AI for Science 领域的先驱，也并非一蹴而就取得了骄人的成就。

　　这些例子凸显了人工智能开发和科学进步实施的一个重要方面，即政策制定者和资本配置者需要有长远的眼光。 只有双方的长期承诺才能实现人工智能在推动科学突破方面的变革潜力，正如谚语“罗马不是一天建成的”。 AI for Science 驱动的科技革命也是如此。

　　结论

　　诚然，科学人工智能的发展道路将布满荆棘。 它的成长需要各界从业者打破壁垒、凝聚共识。 在拨开云雾见阳光的路上，真理与泡沫、见解与偏见的差别都在几毫米之内。 2023版《透视》希望陪伴每一位关心、关注AI for Science的从业者，共同见证这场正在发生的技术革命，从开花结果到硕果累累。

　　路途漫长而艰难，但旅程即将开始！

　　参考：

　　 2023年版《AI4S全球发展观察与展望》

　　笔记：