全球各地的实验室正在酝酿一场静悄悄的革命，科学家们对人工智能（AI）的使用正在呈指数增长。目前，每三位博士后中就有一位使用大型语言模型来帮助进行文献综述、编程和编辑。今年10月，我们的AlphaFold 2系统的创造者，Demis Hassabis和John Jumper，与科学家David Baker一起因利用AI预测蛋白质结构而获得诺贝尔化学奖，David Baker也因其在设计新蛋白质方面的工作获奖。社会将很快开始更直接地感受到这些益处，目前，在AI的帮助下设计的药物和材料正进入开发阶段。
在本文中，我们将探讨AI如何在从基因组学到计算机科学，再到天气预报等各个科学领域中推动变革。一些科学家正在训练自己的AI模型，而另一些则在微调现有的AI模型，或使用这些模型的预测来加速他们的研究。科学家们正将AI作为一种科学工具，帮助解决重要问题，例如设计能更紧密结合疾病靶点的蛋白质，同时也在逐步改变科学本身的实践方式。
科学家们拥抱AI背后有着日益强烈的动因。在过去几十年里，科学家们不断取得重大的突破，从新冠疫苗到可再生能源。然而，要实现这些突破，并将其转化为实际应用，需要越来越多的研究人员。尽管如此，尽管科学工作者人数在过去半个世纪中显著增长，仅在美国就增长了七倍以上，但我们预期的社会进步却放缓了。例如，许多国家都经历了生产力增长的持续放缓，这已对公共服务质量产生了不利影响。向2030年可持续发展目标（涉及健康、环境等重大挑战）迈进的进展也陷入停滞。
尤其是今天的科学家，在寻求突破时，越来越多地遇到与规模和复杂性相关的挑战，从他们需要掌握的日益庞大的文献基础，到他们希望开展的越来越复杂的实验。现代深度学习方法特别适合应对这些规模和复杂性挑战，能够压缩未来科学进展所需的时间。例如，在结构生物学中，确定一个蛋白质结构的单个X射线晶体学实验可能需要数年的工作，并花费约10万美元（取决于蛋白质）。而AlphaFold蛋白质结构数据库现在提供免费访问200百万个预测蛋白质结构的即时数据。
AI对科学的潜在益处并非理所当然。目前，已有相当一部分科学家使用基于大型语言模型的工具来协助日常任务，例如编码和编辑，但采用以AI为中心的研究方法的科学家比例要低得多，尽管这一比例正在迅速上升。在AI应用的快速推进中，一些早期的科学应用案例效果值得怀疑。政策制定者可以帮助加速AI的使用，并引导其向更具影响力的领域发展。美国能源部、欧盟委员会、英国皇家学会以及美国国家科学院等组织，最近已认识到“AI助力科学”的机会。但目前没有任何国家制定全面的战略来推动这一进程。
我们希望我们的文章能够为这一战略提供启示。本文的目标读者是那些制定和影响科学政策以及资金决策的人。首先，我们识别出五个在科学中使用AI的迫切机会，并探讨在这些领域取得突破所需的主要要素。接着，我们分析了使用AI在科学中最常被提及的风险，如对科学创造力和可靠性的影响，并论证了在每个领域中，AI最终能够带来净正面效益。最后，我们提出了四个公共政策建议，以帮助迎接AI驱动的科学新黄金时代。
在整篇文章中，我们汲取了来自我们自己“AI助力科学”项目的二十多位专家访谈的见解，并参考了外部专家的意见。文章自然反映了我们作为私营部门实验室的视角，但我们认为我们提出的论点对整个科学界都具有相关性。我们希望读者能够分享他们对AI助力科学的机会、要素、风险以及政策建议的看法。 A部分：机会 06 B部分：要素 13 C部分：风险 25 D部分：政策回应 32
A new golden age of discovery Seizing the AI for Science opportunity
相关内容
微信扫码咨询专知VIP会员