AI重塑科研：新工具不斷涌現(xiàn)，但能否觸及真正的“科學(xué)”？
● ● ●
人工智能（AI）工具正在改變科學(xué)研究的方式。AlphaFold基本解決了蛋白質(zhì)結(jié)構(gòu)預(yù)測難題；DeepMD大大提高了分子模擬的效率和精度；而新興的大型語言模型，如ChatGPT等，也正在科學(xué)研究領(lǐng)域開疆拓土。
在《國家科學(xué)評論》（National Science Review, NSR）組織的這場圓桌討論中，來自中、美兩國的5位專家討論了“AI for Science”（AI4S）的概念、發(fā)展、瓶頸和機遇，也分享了他們對AI與Science之間關(guān)系的理解。
新興的AI4S工具
張林峰：讓我們從一個基本問題開始討論：什么是“AI for Science”？
鄂維南：AI for Science是一種新的研究范式，我們使用AI工具來增強我們做科學(xué)研究的能力，這和我們用計算機來助力科學(xué)研究是類似的。具體來說，基于AI的算法可以極大地提高基于第一性原理進行建模的效率和準確性。AI還可以通過提供新的實驗設(shè)計、更準確和高效的實驗表征算法，甚至新的實驗設(shè)備，來改進我們做實驗的方式。此外，AI領(lǐng)域的工作流程和開源、協(xié)作的精神，也為科學(xué)研究帶來啟發(fā)。
Roberto Car：在我看來，AI提供了一套可以促進科學(xué)發(fā)現(xiàn)的工具，以機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)為代表。要做到這一點，需要開發(fā)一些具體的工具。我想在我的研究領(lǐng)域中引用三個例子。
首先，AI可以在量子力學(xué)和經(jīng)典的粗粒度模型之間架起一座橋梁。在這一領(lǐng)域，AI已經(jīng)極大地提高了用于分子模擬的分子粗粒度模型的精度和時間/空間范圍。這種增強似乎只是一種量變，但在這些領(lǐng)域，量變可以產(chǎn)生質(zhì)變。正如Philip Anderson所指出的：more is different。這類工具已經(jīng)帶來了新的發(fā)現(xiàn)。
第二個例子是，AI可以設(shè)計具有特定性能的新材料和新分子。我并沒有直接從事這個領(lǐng)域的研究，但我知道有很多人在做這件事，而AI可以利用大量數(shù)據(jù)——來自實驗、理論和模擬的數(shù)據(jù)——來預(yù)測哪些材料或分子可能更適合某些目的。
第三個例子是，AI可用于分析實驗數(shù)據(jù)，比如，可以通過提高軟件的信噪比來提升探針的選擇性。
王涵：除了Roberto提到的這些例子，AI工具也在改變我們處理科學(xué)數(shù)據(jù)的方式。特別是，大語言模型可以非常有效地從科學(xué)數(shù)據(jù)和文獻中提取出知識和關(guān)鍵點。
此外，AI也正在改變科學(xué)軟件的開發(fā)方式，可以自動生成代碼、檢測軟件漏洞，并為我們提供提高代碼效率的建議。所有這些AI工具都大大提高了科學(xué)研究的效率。
David Srolovitz：AI確實會顛覆我們閱讀文獻的傳統(tǒng)方式。過去，當(dāng)我們想要對一個領(lǐng)域的文獻進行詳盡的閱讀和理解，我們會讓一名研究生去讀這些文獻，并起草一篇綜述文章。但在未來，我們將可以讓大語言模型來做這件事。文獻數(shù)量如此龐大，我認為人類沒有能力消化這么多的信息。
大語言模型帶來的新機遇
張林峰：除了閱讀論文，大語言模型還會給AI4S帶來哪些新的可能性？
David Srolovitz：我最近就在“玩”這些模型。我們嘗試了其他人報道過的一個案例：讓大模型去預(yù)測一種材料是玻璃、無定形體還是晶體。我們給了它15個例子，然后讓它去分類另外10種材料，結(jié)果它在幾秒鐘內(nèi)就給出答案，準確率達到70%。這很有意思，而更有意思的是，當(dāng)你問模型“你為什么給出這些結(jié)果？”，它會給你理由。雖然它給出的不一定是合理的理由，但它確實能夠回答這個問題。
關(guān)于這些模型的進一步開發(fā)，我認為提示工程（Prompt Engineering）是一個有趣的方向，這可以幫助我們更好地指導(dǎo)模型，讓它們能夠做更多令人驚奇的事情。
王涵：生成式模型技術(shù)對科學(xué)研究很有幫助。例如，許多科學(xué)問題需要對高維概率分布進行采樣，這就是一個生成問題。在這方面已經(jīng)有成功的例子，使用生成式工具，比如擴散模型和生成式對抗性網(wǎng)絡(luò)（GAN），可以生成高維分布的樣本。
另一個例子是，條件擴散模型可用于設(shè)計在給定條件下具有特定性質(zhì)的分子。這為解決分子和材料設(shè)計問題提供了新的可能性。
張林峰：大模型助力科學(xué)研究的一個很好的出發(fā)點是它們的圖像閱讀能力。例如，可以用大模型來閱讀電子顯微鏡照片，并從圖像生成結(jié)構(gòu)。
目前，我們正在嘗試開發(fā)新的工具來提高大語言模型理解科學(xué)文獻的能力。特別是，在文獻中，分子會以文本、分子式、圖像等不同形式表示，目前的模型不能很好地將這些信息結(jié)合起來，進行透徹的理解。
鄂維南：大模型可能會為新問題、新想法提供建議，還有助于將不同的學(xué)科結(jié)合在一起。
人工智能與科學(xué)：答案與理解
David Srolovitz：我想從偏哲學(xué)的角度談?wù)勅斯ぶ悄芎涂茖W(xué)之間的關(guān)系。我曾認為人工智能的方法是反科學(xué)的，因為它往往是獲得“答案”，而非“理解”。但科學(xué)的使命恰恰就是去獲得“理解”。
不過我已經(jīng)改變了想法。原因是我開始意識到，當(dāng)我們能夠獲得很多可信的答案，這些答案將可以提供有價值的提示，去引導(dǎo)科學(xué)的發(fā)展。這類似于模擬。作為一名理論研究者，我總是把模擬看作是在理論成熟之前窺探答案的一種方法。
隨著時間的推移，我也意識到，有些事是只有擁有大量數(shù)據(jù)才有可能實現(xiàn)的。海量數(shù)據(jù)使我們能夠以前所未有的方式識別和理解事物。正如我剛才提到的，如果你要求大語言模型解釋它們是如何得出某些答案的，它們能夠給出解釋。但是顯然，目前它們給出的解釋還不足以讓我們這樣的科學(xué)家滿意。在可解釋的人工智能方面，還有很長的路要走。
無論如何，人工智能正在改變我們做科學(xué)的方式，我認為我們正處于新科學(xué)范式的早期階段。
王涵：我認為當(dāng)前大語言模型的一個主要弱點是，它們不能像人類一樣進行有邏輯的推理。這可能就是它們難以解釋它們所給出的答案的原因。
David Srolovitz：沒錯。但是你認為，像人類一樣推理能夠給出更好的答案嗎？我對此不太確定。
Roberto Car：我同意來自AI工具的新數(shù)據(jù)可以提供新的洞察，但是當(dāng)你獲得這些數(shù)據(jù)之后，仍然需要人類科學(xué)家來決定下一步需要進行怎樣的分析。這是人工智能無法做到的。
人工智能的確正在產(chǎn)生一種新的科學(xué)研究范式，但這并不意味著傳統(tǒng)的研究理念將被取代或拋棄。相反，傳統(tǒng)的理論研究需要加強，才能更好地驗證機器學(xué)習(xí)模型的魯棒性。這些模型允許我們將模型預(yù)測外推到比訓(xùn)練發(fā)生的環(huán)境更廣泛的環(huán)境中。但是通常很難在嚴格的數(shù)學(xué)邊界上去驗證這些預(yù)測。
例如，正如我提到的，在模擬中，人工智能在量子力學(xué)計算和分子模擬之間架起了橋梁。但在大規(guī)模系統(tǒng)中，如果訓(xùn)練數(shù)據(jù)中沒有考慮到一定會發(fā)生的罕見事件，人工智能工具就可能會失敗。也就是說，當(dāng)我們需要用物理直覺和物理思維的基本工具來分析問題時，就會促進新的理論模型的發(fā)展——這些模型最終將由新的微分方程來表示，將可以比現(xiàn)有模型更好地描述復(fù)雜系統(tǒng)的動力學(xué)。
鄂維南：人工智能經(jīng)常給人一種黑魔法的印象，但我認為實際情況未必如此。目前，人工智能還非常像是一個工程實驗場。但我認為隨著時間的推移，這種情況將會改變，人們將開始找到一些指導(dǎo)原則。事實上，在這個方向上已經(jīng)有了很多進展，盡管出于某種原因，更大的AI社區(qū)似乎還沒有意識到這些成果。所以我認為，人工智能也將會成為一個比較科學(xué)的學(xué)科。
人工智能的確更擅長獲得答案，而不是理解。但這也未必一定如此。一個例子是，可以使用知識圖譜來理解不同分子之間的關(guān)系。我不確定這是否已經(jīng)實現(xiàn)，但這肯定是一個有益的方向。我們創(chuàng)建了一個關(guān)于經(jīng)濟學(xué)的知識圖譜，它有助于揭示不同的經(jīng)濟參數(shù)是如何相互關(guān)聯(lián)的。我相信這樣的嘗試在科學(xué)上是非常有幫助和有啟發(fā)性的。
AI有創(chuàng)造力嗎？
Roberto Car：在我的印象中，人工智能模型可以做常規(guī)分析，但很難做到任何需要創(chuàng)造力的事情。但我有可能是錯的，或者在不久的將來，我將會是錯的。
鄂維南：我認為人工智能可以創(chuàng)造，但現(xiàn)在要討論細節(jié)還為時過早。
David Srolovitz：目前的生成式模型可以創(chuàng)作藝術(shù)品，而且我感覺它們在這方面的表現(xiàn)非常出色。這是創(chuàng)造力嗎？我不確定。說到這里，我其實一直認為原子間勢能是一門科學(xué)藝術(shù)。15年或20年后，科學(xué)研究可能不再遵循我們所熟悉的方式。
王涵：我對藝術(shù)作品生成模型的理解是，它們生成的圖片或多或少是訓(xùn)練數(shù)據(jù)中已有的藝術(shù)風(fēng)格的組合，而不能生成全新的藝術(shù)風(fēng)格。不過實際上，大多數(shù)人類藝術(shù)作品也都是對現(xiàn)有藝術(shù)風(fēng)格和作品的組合，而人工智能可以以創(chuàng)造性的方式進行這種組合。
David Srolovitz：就連科學(xué)研究也是這樣，我認為大多數(shù)的研究工作都是在用新的方式去組合已有的事物。
構(gòu)建AI4S的開放環(huán)境
張林峰：誰應(yīng)該是AI4S的主要推動者，科學(xué)家還是科技公司？利益相關(guān)方如何相互合作？
鄂維南：我希望科學(xué)界能夠成為AI4S革命的引領(lǐng)者?？萍脊拘枰獣r間去掌握必要的科學(xué)背景知識。更重要的是，科學(xué)界一直是科學(xué)研究的主力軍。未來，AI方法將全方位融入科學(xué)研究，如果我們失去了領(lǐng)導(dǎo)地位，將處于相當(dāng)困難的境地，就像是在大語言模型中發(fā)生的情況一樣。
David Srolovitz：很顯然，沒有一個研究團隊能夠獨立創(chuàng)建出有競爭力的大語言模型。作為科學(xué)家，我們不應(yīng)該試圖寫出我們自己的版本。我們應(yīng)該做的是學(xué)習(xí)如何駕馭它、訓(xùn)練它、設(shè)計它，從而去做我們想做的事情。就像沒有一個研究團隊會試圖建造自己的強子對撞機一樣。它們是科學(xué)家們可以利用的工具。
鄂維南：歸根結(jié)底，這是一個投入和產(chǎn)出的問題。目前，雖然已經(jīng)展現(xiàn)出商業(yè)機會，AI4S在很大程度上仍然是一個科學(xué)研究的方向。這對資助機構(gòu)來說是一個很好的機會。中國國家自然科學(xué)基金委員會就資助了支持AI4S的重大研究計劃。
王涵：我認為，公司的利益可能并不總是與科學(xué)家的利益一致。如果不能產(chǎn)生利潤，公司就不會為科學(xué)家開發(fā)工具。這可能是科學(xué)界和公司之間的主要分歧。這個分歧可以通過政府投資來填補，但我不知道這會不會足夠。
David Srolovitz：現(xiàn)在，科學(xué)研究人員，甚至包括軍事技術(shù)的研究人員，都在學(xué)習(xí)如何利用商用軟件和技術(shù)去解決自己關(guān)心的科學(xué)問題。盡管這些技術(shù)不是為他們開發(fā)的，但他們也可以學(xué)會如何利用它。所以我認為，如果一些AI工具不是為科學(xué)家設(shè)計的，我們面臨的挑戰(zhàn)將是，要學(xué)習(xí)如何利用它們來做我們作為科學(xué)家想做的事情。
張林峰：開發(fā)AI4S工具，例如我們所開發(fā)的DeePMD-kit，依賴于眾多社區(qū)伙伴的共同努力。在開發(fā)過程中，我們面臨的挑戰(zhàn)和瓶頸會不斷轉(zhuǎn)移。
最初，主要挑戰(zhàn)在于模型設(shè)計和軟件開發(fā)。隨后，為了滿足不同用戶的需求，我們需要的是既通曉軟件操作又理解科學(xué)問題的技術(shù)人才。此后，高性能計算和云計算等基礎(chǔ)設(shè)施成為了新的瓶頸。目前，在積累了大量數(shù)據(jù)的基礎(chǔ)上，我們有了發(fā)展大原子模型的可能性、但也因此再次面臨模型和軟件開發(fā)的新瓶頸。
在這個過程中，我們也致力于發(fā)展一個名為DeepModeling的開源社區(qū)，并為這些工具構(gòu)建一個穩(wěn)定的用戶平臺，叫做玻爾空間站。我們期望該界面能夠像個人電腦或智能手機一樣直觀易用，允許不同用戶自由探索并解決他們各自的問題。
Roberto Car：我不確定我們是否需要創(chuàng)建一個界面，將所有的AI4S工具集成在一起，但是一定程度的集成是肯定會出現(xiàn)的，也是非常有益的。這就需要不同的子社區(qū)之間進行更多的互動，包括模擬研究者、材料設(shè)計者、實驗研究者等。
David Srolovitz：一個事實是，科學(xué)家并不擅長開發(fā)接口或者標(biāo)準化工具集?？茖W(xué)家比公司更擅長的是提出好的問題，這對科學(xué)本身至關(guān)重要。
Roberto Car：我們同時需要公司和科學(xué)家。我們需要一個開放的環(huán)境，在這個環(huán)境中，可以輕松地交流信息，每個人都可以查看數(shù)據(jù)，并且可以自由地提出新的問題。如果我們能讓這個環(huán)境維持下去，就會有很大的進步。但不幸的是，要創(chuàng)造這樣的環(huán)境有許多困難。
David Srolovitz：對。開放至關(guān)重要。然而令人大失所望的是，每當(dāng)有一項將會改變經(jīng)濟和社會的技術(shù)出現(xiàn)時，不同的國家都會試圖將其發(fā)展為自己獨有的優(yōu)勢。我對人工智能技術(shù)以及它能為科學(xué)所做的貢獻非常樂觀，但是這種“獨占”可能會比其他任何事情都更嚴重地阻礙技術(shù)的發(fā)展。不過這讓我想起了電影《侏羅紀公園》中那句著名的臺詞，“生命總會找到出路”。我認為我們最終會打破這種局面，問題是需要多長時間。
挑戰(zhàn)與機遇
張林峰：謝謝大家的討論。作為總結(jié)，請給出你認為AI4S目前面臨的一個瓶頸，以及你的一個建議。
Roberto Car：AI4S在分子模擬領(lǐng)域的一個瓶頸是，它不能很好地處理電子轉(zhuǎn)移現(xiàn)象。電子轉(zhuǎn)移對于各種化學(xué)反應(yīng)都是必不可少的，但由于我們還不能捕捉到精確的電子坐標(biāo)，所以仍然很難模擬這種現(xiàn)象。要解決這一問題，不僅需要人工智能技術(shù)的發(fā)展，還需要超越當(dāng)前基于基本物理定律（如波恩-奧本海默近似和密度泛函理論）的科學(xué)范式的新的建模方法。
我對AI4S的一個建議是我們已經(jīng)討論過的：我們需要盡一切努力去維持一個開放的研究環(huán)境，并按照科學(xué)的規(guī)律和方法運作。
David Srolovitz：展望未來，我真的很有興趣看到更多關(guān)于“可解釋的人工智能”的發(fā)展，去理解人工智能預(yù)測背后的道理。現(xiàn)在在這個領(lǐng)域有很多工作要做，我對此很樂觀。我還認為，這些進步對科學(xué)的好處可能比對計算機科學(xué)和人工智能技術(shù)的好處更大。
王涵：對我來說，下一個重要的機會將是大原子模型。最終的目標(biāo)是建立一個元素周期表的通用模型，但是這個目標(biāo)可能不會在可預(yù)測的未來實現(xiàn)。但是大原子模型，作為原子模擬的預(yù)訓(xùn)練模型，在不久的將來將會實現(xiàn)。
大原子模型的瓶頸是數(shù)據(jù)集。訓(xùn)練集中的數(shù)據(jù)范圍越廣，模型的泛化能力就越強。但是和可以從各種來源獲得語言材料的大語言模型不同，大原子模型需要的訓(xùn)練數(shù)據(jù)非常有限且非常昂貴，例如精細晶體結(jié)構(gòu)和DFT計算結(jié)果等。
鄂維南：AI4S目前最大的瓶頸是缺乏好的數(shù)據(jù)。我的一個建議是使用新的基于人工智能的模型來生成高質(zhì)量的數(shù)據(jù)。要實現(xiàn)這一點，我們還需要進一步提高模擬能力。例如，盡管基于人工智能的算法極大地提高了從頭計算和分子動力學(xué)模擬的精度，但距離能夠使用這些新工具來模擬我們感興趣的真實系統(tǒng)，仍有相當(dāng)大的距離，可以模擬的時間尺度仍然有限，對缺陷進行建模仍然相當(dāng)昂貴。
*本文英文原文“A panel discussion on AI for science: the opportunities, challenges and reflections”發(fā)表于《國家科學(xué)評論》（National Science Review, NSR）Forum欄目：https://doi.org/10.1093/nsr/nwae119
