人工智能技术在飞速发展的同时，其在科学领域的广泛应用带来了翻天覆地的科学变革。近十年来，科学家利用人工智能工具和方法在人类基因组、原子结构、天气预报、流体力学等多个科学领域取得了重大突破。科学研究正从传统的实验与理论相结合转向以大数据和人工智能为驱动力。越来越多的科学家开始意识到人工智能的巨大潜力，并正在尝试或已经将其应用到自己的科学研究中。然而，人工智能在不同领域的应用还面临诸多挑战，如计算资源匮乏、找不到合适的数据集、模型难以解释和验证等。如何更好地利用人工智能工具、方法和理念推动科学研究，事关科研领域未来的发展方向。
本期嘉宾：
段晨儒：麻省理工学院博士，Deep 创始人
在微软工作期间，为多家公司部署了计算化学和人工智能解决方案。Deep 成立于 2024 年，专注于人工智能驱动化学领域的科学研究。
刘子明：麻省理工学院博士
他毕业于北京大学物理学院，开发了一种新的神经网络架构KAN，在科学发现领域表现出优异的性能和更高的可解释性。
主持人：
冉兵：中国科学院微生物研究所硕士
时间线：
02:11
人工智能是否已经进化到可以理解原子理论了？
04:26
近年来AI技术为何发展如此迅速？
09:52
AI对科研有何影响——物理化学材料
22:27
生成式人工智能是否需要人工干预？
26:35
如何验证AI模型给出的结果？
28:45
逻辑假设和可解释性
30:30
数据在人工智能中的作用
36:24
自动化实验在人工智能中的作用
44:22
AI是工具还是合作者？
52:33
人工智能的外部和内部可解释性
57:20
专用模型或通用模型
1:01:44
该法律是否可持续？
1:05:43
人工智能商业化
内容焦点
本期播客主要关注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，物理、化学材料、生物等多个领域取得了重大突破，改变了传统科研的方法。同时，尽管AI在辅助科研方面展现出巨大潜力，但仍面临数据获取、模型选择、验证等一系列问题。此外，本期播客还探讨了如何让AI的解释和预测方法与人类认知一致、AI在未来科学发现中的作用、跨学科合作等重要议题。
随着GPT的出现，人工智能在科学领域的巨大潜力进入公众视野。在此之前，人工智能已经发展多年，特别是在解决复杂问题和拓展科学知识边界方面。与专注于专业领域的工具相比，GPT因其广泛的语言处理能力吸引了更广泛的受众，并因其强大的功能引发了公众的广泛关注和讨论。尽管如此，科学界仍需探索如何有效利用AI技术实现真正的科学突破。此外，不同的科学领域都有自己独特的研究目标和挑战，这意味着将AI应用于科学的方法需要根据特定学科的特点进行调整和优化。
物理学有理论物理和实验物理，实验物理目前已经有不少应用，比如高能物理实验中得到的高维数据的分析。但通过AI分析得出的结论依然是“黑箱”，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。比如通过AI对标准模型的自动发现，可以探索其可解释性，未来会推广到更广泛的系统。
在化学材料领域，机器学习可用于优化化学实验设计、化学反应的最优条件以及设计新材料。但化学材料的难点在于实验数据的“洁净度”，利用AI进行科研将变得更加复杂。在化学材料正向筛选过程中，利用AI指导海量材料组合的筛选，可以大大提高效率；在化学材料的逆向设计模型中，也可以直接生成材料，这也是AI应用的一个令人振奋的方向。
一方面，人的介入可以引入必要的知识、参数和先验设计，这对于初始材料设计、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，过度依赖人的介入可能会影响生产的自动化和效率。最理想的情况是把人工智能看作是人类的伙伴，而不是完全替代人类，即通过人与人工智能的互动和协作，共同推动项目进展。此外，目前的人工智能仍然存在局限性，比如无法捕捉到人类显而易见的信息，生成的内容可能超出了人类的认知范围，因此人类需要进一步评估和实验验证。人工智能技术的发展是一个不断迭代的过程，在这个过程中，人类与人工智能应该相辅相成，共同推动科技创新和进步。
传统实验方法由于速度慢、方差大等缺点，在高通量实验中逐渐得到改善。该技术不仅加快了数据收集速度，还降低了实验结果的变异性。人工智能的应用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。然而，尽管人工智能在化学反应和蛋白质折叠问题等一些领域取得了令人瞩目的成果，但化学侧重于开发实用的功能和新的反应机制，与物理学寻求基本规律的统一不同，在涉及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抱有更高的期望，而目前人工智能提供的解决方案往往达不到这一标准。尽管如此，人工智能与高通量实验的结合仍然是未来科学研究的重要趋势之一，特别是在提高实验效率和数据处理能力方面有望取得更大的突破。
专用模型在特定领域高效、精准，而通用模型虽然潜力巨大，但难以在短时间内有效回答复杂的科学问题。未来，殊途同归或许是一条路径，但模型的发展路径依然受限于计算资源和能源。
虽然人工智能的核心是探索未知的科学规律，但商业化过程应该注重实际应用，比如新材料的开发。同时，在成果转化方面，需要探索如何与产业界进行有效合作，验证研究成果的可行性。
制作团队：
主持人： 冉冰
剪辑：贾阳才让
运营商：大庄
AI巨头押注能源，能耗会成为AI瓶颈吗？是时候关注能耗和散热问题了 |
播客在线 | 阿尔茨海默病论文承认造假或遭撤稿，误导研究18年？
本播客内容为原创，未经许可，禁止任何形式的复制、改编或引用。
