今后，AI for Science 有望實現(xiàn)全基因組水平定制化工廠的設(shè)想，完成實驗室的小規(guī)模理性化設(shè)計到大規(guī)模制備工藝的生產(chǎn)，甚至有可能實現(xiàn)從底層對于微生物系統(tǒng)的模擬搭建到宏觀的海洋系統(tǒng)甚至生態(tài)系統(tǒng)的模擬，真正推演出類似“蝴蝶效應(yīng)”的過程。

圖｜AI for Science 推動材料研發(fā)范式不斷演進(jìn)（來源：2023 版《AI4S 全球發(fā)展觀察與展望》）

材料科學(xué)領(lǐng)域，從原子和分子出發(fā)，根據(jù)需求優(yōu)化和設(shè)計創(chuàng)新材料，這是一個綜合了物理、化學(xué)、工程學(xué)等的跨學(xué)科領(lǐng)域，然而，現(xiàn)階段新材料研發(fā)主要依靠大量的實驗試錯，費時費力。AI for Science 可以從第一性原理出發(fā)，預(yù)測材料成分分布和微觀結(jié)構(gòu)的多尺度特征，并整合現(xiàn)有材料的數(shù)據(jù)庫、專家知識和人工智能方法，將計算和實驗結(jié)合可以縮小材料創(chuàng)新的搜索空間，加速材料創(chuàng)新進(jìn)程，目前研究人員已成功利用 AI for Science 方法進(jìn)行了關(guān)鍵問題的攻堅。

半導(dǎo)體領(lǐng)域，半導(dǎo)體技術(shù)是信息時代的基礎(chǔ)，未來發(fā)展已形成了兩條不同的路線：一條是為了解決隨著器件尺度不斷減小、新制程的開發(fā)愈發(fā)困難的現(xiàn)狀；另一條是開發(fā)除硅基半導(dǎo)體之外的新材料體系和工藝路線。在這里，AI for Science 一方面可通過對微尺度的高效高精度建模，助力相關(guān)新材料和器件體系的開發(fā)和應(yīng)用，并通過工藝仿真、預(yù)測、搜索優(yōu)化流程為工藝的改進(jìn)提供助力；另一方面，可借助高性能計算、物理建模和機器學(xué)習(xí)相結(jié)合的方式通過仿真模擬等手段對半導(dǎo)體材料的工藝進(jìn)行模擬，加速工藝的商業(yè)化應(yīng)用，此外，在化學(xué)拋光等方面也可以結(jié)合高通量實驗發(fā)掘最有效的拋光液材料。

除此之外，《展望》還列舉了 AI for Science 一系列應(yīng)用案例以及產(chǎn)業(yè)方觀點。比如，寧德時代利用 AI 來研究鋰金屬負(fù)極和鈣鈦礦相變等問題，使用了深度勢能與先進(jìn)表征結(jié)合來研究這些材料的分子細(xì)節(jié)，從而能夠在分子層面理解材料性能的變化，為材料設(shè)計和優(yōu)化提供了理論指導(dǎo)，同時這種研究方法也大幅提高了研究效率。

再比如，英矽智能基于生成對抗網(wǎng)絡(luò)、深度強化學(xué)習(xí)、預(yù)訓(xùn)練模型及其他機器學(xué)習(xí)技術(shù)，構(gòu)建高效的 AI 藥物研發(fā)平臺 Pharma.AI，并成功開發(fā)出臨床前候選化合物 ISM001-055，這是全球首個由 AI 發(fā)現(xiàn)具有全新靶點和全新分子結(jié)構(gòu)的候選藥物，也是該靶點目前唯一一個臨床階段的在研管線，是真正意義上的“first in class”藥物。

產(chǎn)業(yè)方觀點，在清流資本看來，投資像 AI for Science 這樣的前沿科學(xué)領(lǐng)域是一種“雙贏”策略。就社會角度而言，這些投資為人類解決重大科學(xué)問題、推動科技進(jìn)步，提供了強大的動力；就經(jīng)濟(jì)角度而言，新技術(shù)和新科學(xué)往往帶來范式的轉(zhuǎn)變，創(chuàng)新了產(chǎn)品和服務(wù)，顛覆了既有的市場，為投資者帶來了巨大的商業(yè)價值和金融回報。

圖｜AI 和科學(xué)數(shù)據(jù)、科學(xué)計算發(fā)展歷程（來源：AISI & DP Technology）

從生命的基本組成（蛋白質(zhì)），到世界工業(yè)的基本要素（材料），再到各個科學(xué)技術(shù)領(lǐng)域，AI for Science 不僅是解決具體問題的有力工具，更是重新定義科學(xué)問題的系統(tǒng)性思路。

《展望》指出，AI for Science 的巨大想象空間存在于如何更好地利用 AI 算法將科學(xué)計算和物理模型相連接，進(jìn)而指導(dǎo)科學(xué)和產(chǎn)業(yè)創(chuàng)新，AI 的力量在于其具有解決復(fù)雜問題，從而推動科學(xué)研究和技術(shù)發(fā)展的巨大潛力，此時，科研的瓶頸就不僅是“如何解決問題”，也是“如何定義問題，如何選擇工具” 。

因此，對問題的深刻認(rèn)識是解決問題的第一步。AI for Science 算法的原始創(chuàng)新，不僅來自日新月異的 AI 模型，更來自科學(xué)家們對具體科學(xué)挑戰(zhàn)的剖析、拆解、分診，如此才能最大化 AI 在科學(xué)領(lǐng)域的效能。

在 AI 時代，成功往往是毅力、探索以及投入資源實現(xiàn)長期目標(biāo)的結(jié)果，AI 在科學(xué)中取得有意義突破的路徑通常是間接和不可預(yù)測的，這需要塑造其未來的人理解并接受這一長期旅程的本質(zhì)。

例如，作為 AI 基礎(chǔ)設(shè)施領(lǐng)域的先驅(qū)，NVIDIA 的圖形處理器（GPU）已成為全球機器學(xué)習(xí)和深度學(xué)習(xí)框架的重要組成部分，然而 NVIDIA 在 AI 領(lǐng)域的旅程卻始于電子游戲這一完全不同的領(lǐng)域，通過不斷推動圖形處理的極限以滿足日益增長的游戲行業(yè)需求，NVIDIA 無意中為如今的 GPU 加速 AI 打下了基礎(chǔ)；此外，AI for Science 領(lǐng)域的先驅(qū)者 DeepMind 和 OpenAI 也并非是在一夜之間取得了令人矚目的成就。

這些例子凸顯了 AI 發(fā)展和實施科學(xué)進(jìn)步的一個重要方面，即政策制定者和資本配置者都需要長期視角，只有兩者的長期承諾才能實現(xiàn) AI 在推動科學(xué)突破方面的變革潛力，正如諺語“羅馬不是一天建成的”，見證的這場 AI for Science 驅(qū)動的科學(xué)技術(shù)革命亦是如此。

結(jié)語