AI 技术飞速发展迭代的同时，其在科学领域的广泛应用带来了翻天覆地的科学变革。过去十年间，科学家们利用 AI 工具和方法，在人类基因组、原子结构、天气预报、流体动力学等诸多科学领域取得了巨大突破。科学研究正从传统的实验和理论组合中，转向利用大数据与人工智能为驱动力。越来越多的科学家们开始意识到 AI 的巨大潜力，正试图或已经将其应用于自己的科研工作中。然而 AI 在不同领域的应用仍存在诸多挑战，如缺乏计算资源、找不到合适的数据集、模型难以解释与验证等。如何更好地利用 AI 工具、方法与理念来推动科学研究，关系着科研领域的未来发展方向。
本期嘉宾：
段辰儒：麻省理工学院博士、深度原理创始人
在微软供职期间，为多家化学材料公司部署计算化学和人工智能解决方案。深度原理于 2024 年创立，专注于人工智能驱动化学领域的科学研究。
刘子鸣：麻省理工学院博士
本科毕业于北大物理学院，开发全新的神经网络架构 KAN，在科学发现领域展现了出色的表现和更高的可解释性。
主持人：
冰冉：中国科学院微生物研究所 硕士
时间轴：
02:11
AI 的进化是否理解到了原子论
04:26
AI 技术为何近年发展如此之快
09:52
AI 对科学研究带来哪些影响-物理、化学材料
22:27
生成式 AI for science 是否需要人工干预
26:35
AI 模型给出的结果如何去验真？
28:45
逻辑假设与可解释性
30:30
数据在 AI for science 中的作用
36:24
自动化实验在 AI for science 中的作用
44:22
AI 是工具 or 合作者
52:33
AI 的外部可解释性与内部可解释性
57:20
专用模型 or 通用模型
1:01:44
scaling law 是否可持续
1:05:43
AI for science 的商业化
内容聚焦
本期播客聚焦于 AI 技术在科学研究中的应用及其带来的挑战。随着 AI 技术的快速发展，已经在多个领域如物理学、化学材料、生物学等取得重大突破，改变了传统科学研究的方法。与此同时，尽管 AI 在辅助科学研究方面展现出巨大潜力，但仍面临着数据获取、模型选择及验证等一系列问题。此外，本期播客还探讨了如何使 AI 的解释和预测方式符合人类的认知、未来 AI 在科学发现中的角色、跨学科合作等重要话题。
- GPT 爆火后 AI for science 才走进大众视野
随着 GPT 的出现，人工智能在科学领域的巨大潜力走进大众视野，在此之前，AI for science 已经有很多年的发展，尤其是在解决复杂问题和扩大科学知识边界方面。与专注于专业领域的工具如 AlphaFold 相比，GPT 由于其广泛的语言处理能力，吸引了更广泛的受众群体，引发了公众对其强大功能的广泛关注和讨论。尽管如此，科学界仍需探索如何有效利用 AI 技术，以实现真正意义上的科学突破。此外，不同的科学领域有着各自独特的研究目标和难题，意味着将 AI 应用于科学的方法需要根据具体学科的特点进行调整和优化。
- AI 在物理科学、化学材料研究中的应用
在物理中有理论物理与实验物理，在实验物理中已有较多的应用，如高能物理的实验中对获取的高维数据的分析，但当前通过 AI 分析的结论仍然为“黑箱”，这需要进一步探索其可解释性，这也是 AI 应用于理论物理的难点所在，如通过 AI 自动发现标准模型，来探索其可解释性，未来会泛化到更广泛的体系。
在化学材料领域，利用机器学习的办法可以优化化学实验设计、化学反应的最优条件、设计新的材料等，可以但在化学材料中的难点在于实验数据的“干净”程度，利用 AI 开展科学研究将会变得更加复杂。化学材料在正向筛选过程中，利用 AI 指导材料筛选海量的材料组合情况，可以大幅度提升效率；在化学材料的反向设计模型中也可以直接生成材料，这也是令人兴奋的 AI 应用方向。
- 人工干预在 AI 模型中的影响
一方面，人工干预可以引入必要的知识、参数和先验设计，对于初期的材料设计、化学反应或催化剂设计等科学研究尤为重要，有助于加速解决问题的过程。另一方面，过分依赖人工干预可能影响生产的自动化和效率。理想的状况是将 AI 视为合作伙伴而非完全替代人类，即通过人类与 AI 之间的互动和协作，共同推进项目进展。此外，当前 AI 仍有局限性，比如无法捕捉人类显而易见的信息，以及生成的内容可能超出了人类的认知范围，因此需要人类对其进行进一步的评估和实验验证。AI 技术的发展是一个持续迭代的过程，在这个过程中，人类和 AI 应相互补充，共同促进科技创新和进步。
- 数据与自动化实验在推动 AI for science 中的作用
传统的实验方法因其速度慢、方差大等问题逐渐在高通量实验取得改进， 这种技术不仅加快了数据采集速度，同时也减少了实验结果的变异。AI 的应用则进一步提高了研究的效率和准确性，特别是在处理大量历史数据和优化实验设计方面显示出巨大潜力。然而，尽管 AI 在某些领域已经取得显著成果，如化学反应、蛋白质折叠问题，化学关注实用功能和新反应机制的开发，不同于物理寻求基本定律的统一，在涉及到物理原理的重大发现方面仍面临挑战。物理学家对原理性发现有着更高的期望值，而目前 AI 提供的解决方案往往难以满足这一标准。尽管如此， AI 与高通量实验的结合仍是未来科学研究的重要趋势之一，尤其是在提高实验效率和数据处理能力方面有望实现更大的突破。
- 专用模型 or 通用模型
专用模型在特定领域内具有高效性和精确性，而通用模型虽然潜力巨大，但在短时间内难以实现对复杂科学问题的有效解答。未来可能殊途同归，但模型的发展路径仍然受到计算资源、能源等限制。
- AI for science 的商业化
尽管 AI for science 的核心在于探索未知的科学规律，但商业化过程应着眼于实际应用，例如新材料的开发。同时在成果转化方面需要探索如何有效与工业界合作以及验证研究成果的可行性。
制作团队：
主持人：冰冉-EVOice
剪辑：加洋才让
运营：大壮
本播客内容为 DeepTalk 原创制作，未经许可，禁止任何形式的复制、改编或引用。
