有趣的事

AI for Science 行业目前进展如何?未来在哪些领域会有发展潜力?

AI for Science(AI4S)已经从“用模型做预测”走向“预测、实验与验证相结合”,但进展并不均衡。它更像一套研究工具和工作流,而不是能够独立完成科学发现的通用研究员。

目前较成熟的一类是结构与性质预测。典型例子包括蛋白质结构预测、分子性质和候选药物筛选、材料晶体结构与性能预测,以及天气和气候模拟中的机器学习替代模型。这些方法能缩小搜索空间、加速计算或帮助提出候选方案;候选是否真实有效,仍需实验、严格模拟或独立数据验证。另一些方向把模型用于文献和数据库整理、科学影像分析、实验数据处理,以及控制自动化实验平台,减少研究中的重复劳动。

接下来更有潜力的领域,通常同时具备三点:数据或物理规律可利用、搜索空间很大、结果能被较快验证。例如:

  • 药物与生物技术:靶点识别、分子设计、蛋白质工程和实验方案优选。难点是生物系统复杂,体外结果到临床疗效之间仍有很长验证链条。
  • 新材料与能源:电池、催化剂、光伏、超导及碳捕集材料的候选筛选与逆向设计。高质量实验数据不足、合成可行性和长期稳定性验证是主要瓶颈。
  • 气候、地球与能源系统:高分辨率预测、极端事件评估、电网和能源系统优化。价值明确,但模型必须处理不确定性,且不能把模拟精度误当成真实世界保证。
  • 基础科学与自动化实验:在化学、材料、生物等可自动测量的实验室中,把模型建议、机器人执行、结果回流连成闭环。它有望提高迭代效率,不过仪器兼容、实验失败记录和可复现性仍需解决。

短期内最可靠的收益,往往是让科学家更快筛选假设、安排实验和分析数据,而非取代科学家。评估一个AI4S成果,应该看它是否在独立数据或前瞻实验中胜过合适基线,能否量化不确定性、复现结果,并最终改善真实研究决策。数据质量、领域知识、实验验证和跨团队协作,仍是决定上限的关键。

相关阅读