2023版 科学智能(AI4S)全球发展观察与展望

2023版 AIfor Science Global Outlook2023Edition 前言：AIfor Science已进入加速涌现期 2022年底，ChatGPT横空出世，并以超过iPhone,微信,抖音等科技产品的速度在短短数周的时间内达到1亿用户。在随后的2023年，GPT和其他生成式AI技术品类占据了科技讨论的绝对中心。从国内到国外，从几个人的初创企业到十万人的科技巨头，AI的赛道上摩肩接踵。 求简单、漂亮的洞见却变得越来越难；各行业的技术专家也深受困扰：控制和设计的自由度越来越多，“炒菜式”的试错和喊口号式的攻坚也越来越难以解决实际问题…… 此时，AI来了。从艾伦·图灵的系统思考开始，伴随着算法、算力、数据的融合发展，AI在计算机视觉、自然语言处理，自动驾驶等领域大放异彩。但AI若想从一套“数据处理”工具，走向更加通用的“智慧”，则无法绕开“科学”这一人类智慧结晶中最精华的一部分。于是，一群人先行者开始探索用AI学习科学原理，解决科学问题的路径。他们发现，当下AI取得成就的本质原因是在算力和数据基础之上算法对高维函数处理能力的大幅提升，这一能力是应对当下系统性危机的关键；他们发现，AI是驱散Science各领域的乌云的法宝，AI for Science 2022年的秋天，我们发布的第一版《AI for Science全球发展观察与展望》（简称《展望》），获得了来自各界的认可和支持。在AI大发展的2023年，各界也在敦促我们对过去一年的发展进行追踪并阐述其如何影响AI for Science的发展路径。响应读者的热情，我们决定对《展望》进行重构，新增一倍的新内容，并对已有内容进行大幅更新，以反映相关技术、产品、产业、政策的演化，并以全新的框架重新梳理AI for Science的要素、沿革、展望，并详尽描述其在各行各业的实践。 （AI4S）会是AI的下一个主战场，它将极大地拓展Science和AI的边界；他们发现，AI4S将赋能技术和工业的方方面面，帮助我们加快走完科学研究和技术创新之间的最后一公里，也将帮助科学家从纷乱的自然和社会特征之中抽丝剥茧，发现事物背后作用着的关键规律。 10年前的耶鲁大学礼堂上，Peter Thiel说到：“Wewantedflying cars, instead we got 140characters.” 10年后的今天，这句话依然成立。千禧年以来，海量的科学人才涌入互联网科技行业，带来生产和协作方式的变革，创造了巨量的财富。而随着互联网热潮渐渐褪去，人们重新把目光聚焦回科学本身，以及它们所映射的实体经济领域上。 AI4S的未来正在走向流行。AI求解薛定谔方程、AI求解控制论方程、AI加速分子模拟、AI预测蛋白结构、AI赋能药物和材料设计……在2022年版《展望》发表不到一年的时间中，AI for Science的发展依然超出了我们的预期： 科学技术是第一生产力。科技革命的历史波澜壮阔。过去三百年间，科学行进经历过数次系统性危机，正是这些危机的解决才带来了科学的突破，新科学经由新工具的应用和普及，进而带来生产力的大幅提升。时至今日，随着数字化时代的到来，科技创新转化为直接生产力的速度越来越快。面对纷繁复杂的现实世界，虽然数据越来越丰富，但是寻 在国内，2023年科技部会同自然科学基金委启动“人工智能驱动的科学研究”（AI for Science）专项部署工作，布局“人工智能驱动的科学研究”前沿科技研发体系。科技创新2030—“新一代人工智能”重大 项目也将AI for Science作为人工智能的重要发展方向进行安排。在指南中，部署了“重大科学问题研究的AI范式”任务，面向地球科学、空间科学、化学和材料科学、生物医药科学等领域重大科学问题开展创新研究。同时，面向国际竞争激烈的蛋白质结构预测领域，支持国内优势团队开展科研攻关。在平台支撑方面，科技部正在加快推动公共算力开放创新平台建设，将为AI for Science发展打造智能算力基座。 题指引；OECD面向全球政策制定者发布AI inScience的综述与政策建议......从学界到业界，从产业到政府，从生命科学的RFDiffusion、到化工领域的Open Catalyst、到材料科学的Uni-Mol，各行各业的优秀AI for Science应用正在加速涌现，AI forScience已成燎原之势。 AI4S发展路上也将充满挑战。它呼唤各行各业的人们打破壁垒、凝聚共识、创造连接、形成迭代。拨云见日的路上，真理与泡沫、洞见与偏见差别，均在毫厘之间。站在这个科技革命的时代转角，北京科学智能研究院（AISI）、深势科技、全球最大AI4S开源社区DeepModeling的核心开发者与AI4S产业实践的先行者，和AI4S传播者络绎科学一道，整理了数十家领先企业和科研机构的经验方法，编写成册。道阻且长，行则将至。希望这份2023版《展望》将陪伴每一个关心与关注AI for Science的人度过每个春秋，见证这场发生在当下的科技革命，从花开花落走向硕果累累。 国际上，Elon Musk官宣x.ai，其理念为“建立理解自然规律的人工智能系统(understand the truenature of the universe)”；前谷歌掌门人EricSchmidt宣布捐出1.48亿美元成立AI for Science博后奖学金，已布局9所大学；微软宣布成立专门的AI4science部门；英伟达联合IIT发布AI forScience公开课程；龙头药企赛诺菲宣布“all-in” AIfor (life) science；美国能源部联合5大国家实验室发布AI for Science, Energy & Security先进科研课 目录 前言：AI FOR SCIENCE已进入加速涌现期.......................................................................3 出品团队..............................................................................................................................11 PART I：AI FOR SCIENCE原理与发展框架.................................................................12 I.模型驱动：AI加速计算求解................................................................................................................................17II.数据驱动：AI处理科学大数据..........................................................................................................................20III.模型与数据的融合：AI for Science的系统工程............................................................................................21 1.3大语言模型（LLM）：AI与Science共生的桥梁..........................................................................................22 I. AI作为人与知识交互接口的可能性...................................................................................................................22II.如何评估和提高AI对科学知识的处理能力.....................................................................................................24III.科学哲学引导我们对AI的理解和使用...........................................................................................................26小结：可预见的未来，LLM无法取代自然科学大模型.....................................................................................28 1.4 AI4S的相关要素.................................................................................................................................................30 I.机器学习算法/预训练模型.................................................................................................................................31II.算力基础设施：异构计算/云计算/超算中心...............................................................................................32III.软硬件数据基础设施..........................................................................................................................................34IV.科学计算与工业仿真软件.................................................................................................................................36V.先进表征手段/科学数据集..............................................................................................................................39VI. AI for Science算法核心：实现物理约束的强弱形式..................................................................................40VII.高通量实验/自动化实验室............................................................................................................................43VIII.从"小作坊"到"开放式平台"：跨学科复合能力人才与大规模协作...............................................