一个世纪以来，数字技术的演进推动了人类的技术进步和产业发展。目前，我们正在经历数字技术发展最快的阶段。数字化、网络化、智能化使数字世界与物理世界的融合与协作更加紧密。
近日，阿里达摩院发布了2022年十大科技趋势，其中AI for Science占据领先地位。
实验科学和理论科学是数百年来科学界的两大基本范式，人工智能正在催生新的研究范式。机器学习可以处理多维度、多模态的海量数据，解决复杂场景下的科学问题，将科学探索引向过去无法触及的新领域。人工智能不仅会加速科研进程，还有助于发现新的科学规律。
据预测，未来三年，人工智能将广泛应用于应用科学，成为一些基础科学领域科学家的生产工具。
趋势解释
科学研究是在星辰大海中探索未知。科学发现是漫长而偶然的。重大突破依赖于伟大科学家的贡献，如牛顿、爱因斯坦和杨振宁。尽管许多科学家做出了不懈的努力，但科学发展的速度仍然有限。
计算机科学改变了从下游到上游的科研路径。起初，计算机主要用于分析和总结实验数据。后来科学计算改变了科学实验的方式。人工智能结合高性能计算开始在实验成本和难度较高的领域使用计算机模拟实验，验证科学家的假设，加速科研成果的输出，如核能实验的数字化反应堆，可以降低实验成本，提高安全性，减少核废料。
近年来，人工智能被证明能够发现科学规律，不仅在应用科学领域，在基础科学领域也是如此。例如，DeepMind使用人工智能来帮助证明或提出新的数学定理，并帮助数学家形成对复杂数学的直觉。
人工智能将成为继计算机之后科学家新的生产工具。首先，它将带来效率的显著提高。人工智能将伴随科学研究的全过程，从假设、实验到归纳总结，让科学家不需要像过去一样冷十年才能出科学成果，而是可以终生保持高产；二是让科学不再依赖于少数天才，人工智能对科学研究做出猜测，让科学家去实验证明有意义有价值的部分，让更多的人参与到科学研究中来。
人工智能在各个科研领域的应用节奏会有所不同，在数字化程度高、数据积累好、问题界定清晰的领域推进更快，比如生命科学。AlphaFold2利用生命科学积累的大量数据，通过基因序列预测蛋白质结构，对泛生命科学领域产生了深远的影响。
另一方面，在复杂度高、变量多的领域，人脑很难总结，机器学习可以发挥优势在海量、多维数据中寻找科学规律，比如流体力学。
人工智能与科研的深度结合还需要解决三个挑战。一个是人机交互的问题，人工智能和科学家在科研过程中的关系。协作机制和分工需要更加明确，形成紧密的互动关系；二是人工智能的可解释性，科学家需要明确的因果关系才能形成科学理论，人工智能需要更容易理解才能建立科学与人工智能之间的信任关系；第三，跨学科人才，科学家和人工智能专家在专业领域的相互了解程度低，相互促进的障碍仍然较大。
达摩院预测，未来三年，人工智能技术将广泛应用于应用科学，成为一些基础科学的研究工具。
专家意见
人工智能领域的相关专家对此事发表了自己的看法。
中国科学院院士 北京普林斯顿大学的大学教授尤因说:
数百年来，数据驱动的开普勒范式和第一原理驱动的牛顿范式是科学研究的两种基本范式。蓬勃发展的人工智能可能会促进两种现有范式的深度融合，并激发一场新的科学革命。《达摩院2022年十大技术趋势》将AI for Science列为重要趋势，这无疑显示了人工智能与传统科研结合所带来的巨大潜力。希望能有助于推动更多的科研人员参与其中，加速这场科学革命的进程。
人工智能给科学带来的不仅仅是几个突破，而是科学研究方法的全面变革。为了适应这样的新环境，科学家需要更多地了解人工智能，才能很好地利用它。企业积累了大量的AI R&D能力和资源。它们不仅可以提供学术界急需的计算资源，还可以帮助构建基础科研工具。毫无疑问，学术界和工业界需要更多。协作坚持开源开放精神，杜绝门户观点，打造AI for Science科研社区。
达摩院十大科技趋势可能就是这样的努力之一。期待达摩院主导的这种努力，加速信息科学与传统科学的深度融合。也希望AI for Science不只是一个新浪潮，而是一个全新的科学时代。
浙江该大学人工智能研究所所长吴菲说:
我觉得人工智能一定会成为科学家的工具，但我希望不会仅限于此。
我们正处于一个数据密集型计算模式的时代。我们有大量的数据，科学家可以从中应用自己的方法并进行科学探索。科学发现和探索的方法论的使用必须建立在人工智能的基础上，所以人工智能一定会成为科学家的工具。
为什么我说不想局限于此？工具的背后是一种人工智能的可计算思维的渗透，所以我希望科学家在使用工具的过程中，能够形成一种以设计、结构、计算为核心的计算思维。
比如AlphaFold这一伟大的研究成果，不仅使用深度神经网络作为工具，还汇集了不同学科的科学家。它首先设计了一个清晰的、可计算的思路来解决从氨基酸序列到蛋白质的三维空间结构预测。
因此，我们需要形成计算思维来进行科学探索，同时也可以通过恰当地应用人工智能这一工具来创造更加崭新的科学未来。科学人工智能是一个充满光明前景的人工智能趋势。
阿里达摩院城市大脑实验室负责人华显生表示:
目前在科学的AI方向已经有了显著的突破，但是还有一些点状的成果，包括分子生物学和量子力学，还没有形成大规模的成果，仍然有很大的突破空间。
用AI帮助科研基于两点，一是基于数据，二是基于计算。因为我们想在数据和计算能力的基础上形成AI能力。所以，如果这个学科有更好的数据，更多的数据，更丰富的数据，而且它的问题和大规模计算的需要有关，那么它可能是一个可以很快很容易取得突破的地方。比如分子生物学，还有天文、地理、大气科学，这些都有大量的数据，问题非常复杂，需要强大的计算。或许可以利用一些AI能力，更快的取得一些突破。
本质上，AI对于科学和AI对于工业的区别不大，AI也是推动领域发展的工具。只是这个领域有点不一样，门槛比较高，因为这是科学家应该做的事情，不是普通人和普通技术工作者能做的。但本质上，因为这个领域的数据，可以设计算法来挖掘数据中的“奥秘”来解决这个领域的问题。
今天人工智能技术已经向前迈进了一大步，可以让计算帮助科研走向智能帮助科研，智能会给科研的方法带来一些改变。它带来的效果应该可以和行业媲美，就是可以提高科研效率，出更多的成果，甚至可以从手工作坊变成批量生产。当然，这并不容易，但可能会有这样的趋势。
对于科学研究来说，从这个小概率事件出发，有可能把它变成一个概率更高的事件，变得更加科学，而不是一个特别随机的事件，可以有更多的确定性。这就是AI对于科学的意义，当然还有很长的路要走。
我们的AI在其他领域已经跑了近十年，在科学领域才刚刚开始。有一些点状的技术，无非就是两个东西。
首先是AI专家要懂科学问题，这个门槛比较高。
第二件事是科学家要了解AI的原理，知道它能做什么不能做什么，有什么优势。
这并不意味着我们必须只利用现有的AI能力来解决这个科研问题，但也可能是在AI专家和科学家身上。协作在开发更好的AI能力和解决相应科学问题的过程中，这和AI对于工业来说是一样的过程。我们很多AI技术也是在解决相应行业问题的过程中产生的。所以应该把这两个方面结合起来解决问题。只是不一样，理科的门槛比较高。
AI在forIndustry的时候，其实是逐渐从单点技术走向平台的，我觉得未来的AI for Science也会逐渐走向平台。这时候，AI专家结合某一领域、某一学科，甚至某一学科的某一类问题，与科学家一起搭建科研平台。这个时候，科学家可能有更大的自由和更强大的工具批量做科研，取得更丰富、更重要的科学突破。
如果更进一步，我想学习AI对于工业的过程。AI for Industry从单点技术走向平台后，我判断它是一个系统，或者是一个进化系统，或者是一个协同进化系统。因为平台解决的是大规模的产能和落地应用的问题，系统化的解决方案是长期、持续、深入的解决行业的问题，产生核心价值。对于科学研究来说也是如此，如果每个领域都可以构建这样的AI系统，那么科学发现就有可能实现自动或者半自动的模式，可以持续地、持续地、深入地、广泛地做出一些科学发现，这可能是更长远的未来。当然，自动模式可以解决相对简单的科学发现和科学论证，不是最前沿的， 前沿复杂的问题——这部分是让科学家利用强大的AI系统和科学专业能力去发现和解决。
阿里达摩院决策智能实验室负责人尹沃涛说:
DeepMind和他的合作者最近在Nature上发表了一篇论文，AI帮助解决了数学问题，引起了很多人的关注。大家关心的不是结果，而是AI在数学研究中如何发挥作用。
首先介绍了背景。这篇文章讲的是低维拓扑，包含十几个数学量，其中关键量是通过神经网络拟合分析得到的。作者猜测低阶拓扑中存在未知的非线性关系。作者产生了大量的数据，并使用神经网络来拟合近似函数。发现其中三个量在拟合过程中起重要作用，只有这三个量才能很好的拟合。通过拟合实验，产生新的数据，得到新的观测模型。最后，数学家用智慧猜测出一个不等式结构，并给出严格证明。
大家关心的是人机交互的过程，大量的神经网络实验，两个数学家多轮的交互。自然描述了相互作用的过程。从古至今，开普勒和其他应用科学家反复进行实验观测，找出规律。现在AI算法和AI专家都扮演了这个角色。这项创新主要使用了神经网络技术，包括多元非线性函数的渐进技术和黑盒解释技术。
综上所述，这个成功的案例将激发纯数学家和AI合作证明一些新的猜想或者发现新的结构。
延伸到AI对于科学，我的看法是，AI真的可以加速科学实验。除了计算机模拟，AI还可以告诉你实验的方向。在最近的天体物理学中，AI优化了空间望远镜的方位，收集了越来越多有趣的数据，这有点像自动驾驶仪，用AI作为自动驾驶望远镜来加快规律发现的速度。
第二，AI促进人机融合。当然，说起来简单，具体操作要复杂得多。科学家和AI专家必须密切互动，例如数据生成、映射、构建神经网络和训练，以及使用神经网络来验证结果。
最后，开发可解释的AI工具非常重要。AI产生的结论需要通俗易懂，有迹可循，才能搭建起与科学的桥梁，获得科学家的信任。
阿里达摩院语言技术实验室研究员黄飞说:
我的工作主要是理解和谈论自然语言，包括AI模型。AI for Science是一个非常新的方向，我们团队在这个领域的工作才刚刚起步。基于预训练模型系统AliceMind，利用有限的监督数据和强化学习，可以证明近400个定理。
脸工业人工智能和面向科学的人工智能有些不同。前者主要是解决工业对于实际问题，根据现实世界中的数据寻找模式。对于面向科学的人工智能来说，目的不仅仅是找到数据中的模式，还要找到产生这些模式的潜在规律来解释不同的现象。面向科学研究的人工智能，常见的预测方法，如从数据到标签的映射，给定疾病图片预测疾病等传统的分类学习方法都可以使用，但模型更注重对数学问题、物理问题的底层理解，可解释的见解，以及对研究问题中数据更恰当的表达和分析。我们需要在源数据的基础上找到更好的表示，对这个领域的问题有更好的理解。
现在的AI主要用在工业基于大量数据的场景。如果AI在科研中也需要大量的科研数据，比如生物学的蛋白质或者一些特定领域，AI在这里可能会发挥更大的作用。但是对于特定领域的知识的表示和应用，涉及到符号逻辑，包括知识图谱，甚至是人类的经验和文本知识。目前，艾在这方面的工作相对有限。
另一个问题是跨团队合作。目前的模式是物理学家和数学家提出问题和需求，由AI专家辅助。更有效的工作是双方各走一步，AI专家对相关学科有深刻的理解，这样就有更好的方法使用计算机建模。物理学家、数学家、化学家、生物学家如果能更好地了解计算机和AI的趋势，也会给出非常重要的建议，这对AI模型的建模和整个AI体系的构建都是非常有帮助的。
标签
未来，人工智能将会催生科学研究的新范式。人工智能将成为科研发展的高效催化剂。这也需要各个跨学科领域团队的不断合作和创新。
除了这里介绍的用于科学的AI，达摩院发布的2022年十大技术趋势还包括大小模型的共同进化、硅光学芯片、绿色能源AI、柔性传感等。机器人、高精度医疗导航、全球隐私计算、星基计算、云网融合、XR互联网领域。