作者：Conor Griffin | Don Wallace |Juan Mateos-Garcia lHanna Schieve | Pushmeet Kohli，

翻譯：劉力 算力魔方創始人

編者按：文并不是逐字逐句翻譯，而是以更有利于中文讀者理解的目標，做了刪減、重構和意譯，并替換了多張不適合中文讀者的示意圖。

原文鏈接：https://deepmind.google/public-policy/ai-for-science/

全球實驗室正悄然興起一場革命，科學家對AI的使用正迅猛增長。超過三分之一的博士后已利用大語言模型輔助整理文獻、撰寫綜述、編寫代碼等等。2024年10 月，AlphaFold 2的創建者 Demis Hassabis 和 John Jumper因使用人工智能預測蛋白質結構而獲得諾貝爾化學獎，讓整個科學界迅速感受到用AI加速科學發現的益處。

科學家們致力于探究、預測并影響自然界與社會的運行規律，旨在激發并滿足人們的好奇心，同時解決社會面臨的重大問題。科學家對人工智能（AI）日益增長的運用，可能預示著更為深遠的變革——即科學能力邊界的一次非連續性飛躍。下面是五個我們認為迫切需使用AI的科學領域，這些機遇跨越不同學科，涵蓋從提出有力新假設到向世界分享研究成果的各個環節。

一，知識：改變科學家消化和交流知識的方式

為了做出新的發現，科學家需要掌握一個不斷呈指數增長且越來越專業化的現有知識體系。這種“知識負擔”解釋了為什么取得突破性發現的科學家年齡越來越大、跨學科合作增多，并且更多地集中在頂尖大學中。這也說明了為何單人或小團隊撰寫的論文比例在下降——盡管小團隊往往更擅長推進顛覆性的科學理念。在分享研究成果方面，雖然出現了諸如預印本服務器和代碼庫等有益創新，但大多數科學家仍然通過內容密集、術語繁重且僅限英文的論文來交流他們的發現。這種方式可能會阻礙而非激發政策制定者、企業和公眾對科學研究的興趣。科學家們已經開始使用大語言模型（LLM）及其基礎上開發的早期科學助手來應對這些挑戰，例如通過綜合文獻中最相關的見解。在一次早期演示中，我們的科學團隊利用Gemini，在一天內從20萬篇相關論文中找到了特定數據并進行了提取與填充。未來的技術進步，如針對更多科學數據微調LLM以及長上下文窗口和引用使用的改進，將穩步提升這些能力。正如我們在下文中所討論的，這些機遇并非沒有風險。但它們為從根本上重新思考某些科學任務提供了契機，比如在一個科學家可以利用LLM幫助批判、調整其對于不同受眾的意義或將之轉化為“交互式論文”或音頻指南的世界里，“閱讀”或“撰寫”一篇科學論文意味著什么。

二，數據：挖掘、提取與標注大規模科學數據集

盡管人們常談論數據豐富的時代，但在自然與社會世界的諸多領域，從土壤、深海、大氣到非正規經濟，科學數據依然長期匱乏。人工智能（AI）能以多種方式助力解決這一問題。

首先，AI能提升現有數據收集的準確性。例如，在DNA測序、樣本中細胞類型的檢測或動物聲音的捕捉過程中，AI能夠減少可能出現的噪聲和錯誤。同時，科學家們還能利用大型語言模型（LLMs）日益增強的跨圖像、視頻和音頻處理能力，從科學出版物、檔案以及教學視頻等不那么顯而易見的資源中，挖掘出隱藏的非結構化科學數據，并將其轉化為結構化數據集。此外，AI還能為科學數據標注所需的輔助信息，以便科學家更好地利用這些數據。舉例來說，至少有三分之一的微生物蛋白質缺乏關于其預期功能的可靠標注。2022年，我們的研究人員利用AI預測蛋白質功能，為UniProt、Pfam和InterPro等數據庫增添了新條目。一旦經過驗證，AI模型還能成為合成科學數據的新來源。例如，我們的AlphaProteo蛋白質設計模型就是基于AlphaFold 2生成的超過1億個AI蛋白質結構，以及來自蛋白質數據庫的實驗結構進行訓練的。這些AI技術的應用能夠與其他急需的科學數據生成工作相輔相成，共同提高效益。例如，通過檔案數字化，或資助新的數據捕獲技術與方法（如當前正在進行的單細胞基因組學研究，旨在以前所未有的詳細程度創建單個細胞的強大數據集），我們可以進一步豐富科學數據的寶庫。

三，實驗：模擬、加速并指導復雜實驗

許多科學實驗耗資巨大、復雜且進展緩慢。有些實驗甚至因研究者無法獲取所需的設施、參與者或投入而根本無法進行。核聚變就是一個典型的例子。它有望成為一種幾乎無限、零排放的能源，并能推動海水淡化等高能耗創新技術的規模化應用。為實現核聚變，科學家需要創造并控制等離子體——物質的第四種基本狀態。然而，建設所需設施極為復雜。國際熱核聚變實驗堆（ITER）的原型托卡馬克反應堆于2013年開始建設，但最早也要到2030年代中期才能開始進行等離子體實驗，盡管其他團隊希望在更短的時間內建造出更小的反應堆。人工智能（AI）有助于模擬核聚變實驗，并顯著提高后續實驗時間的利用效率。一種方法是在物理系統的模擬上運行強化學習算法。2019年至2021年間，我們的研究人員與瑞士洛桑聯邦理工學院合作，展示了如何使用強化學習（RL）來控制托卡馬克反應堆模擬中的等離子體形狀。這些方法可以擴展到其他實驗設施，如粒子加速器、望遠鏡陣列或引力波探測器。雖然不同學科使用AI模擬實驗的方式各不相同，但共同之處在于，模擬通常是為了指導和啟發物理實驗，而非取代它們。例如，每個人的DNA中平均有9000多個錯義變異，即單個字母的替換。這些遺傳變異大多無害，但有些會破壞蛋白質的功能，從而導致囊性纖維化等罕見遺傳病以及癌癥等常見病。測試這些變異影響的物理實驗通常僅限于單一蛋白質。而我們的AlphaMissense模型能夠對7100萬個潛在的人類錯義變異中的89%進行分類，判斷其可能有害還是無害，從而使科學家能夠將物理實驗的重點放在最有可能導致疾病的變異上。

四，模型：模擬復雜系統及其組件間的相互作用

在1960年的一篇論文中，諾貝爾物理學獎得主尤金·維格納對數學模型在模擬行星運動等重要自然現象時所展現出的“不可思議的有效性”贊嘆不已。然而，在過去的半個世紀里，那些依賴于方程組或其他確定性假設的模型在捕捉生物學、經濟學、天氣等領域系統的全部復雜性時卻顯得力不從心。這反映了構成這些系統的交互部分數量龐大，以及它們所具備的動態性和出現新興、隨機或混沌行為的潛力。對這些系統進行建模的挑戰阻礙了科學家預測或控制它們行為的能力，尤其是在面對溫度升高、新藥問世或稅收政策調整等沖擊或干預時。人工智能（AI）能夠通過吸收更多關于這些系統的數據，并學習數據中更強大的模式和規律，從而更準確地構建這些復雜系統的模型。例如，現代天氣預報就是科學與工程的杰出成果。對于政府和工業界而言，它為從可再生能源規劃到颶風和洪水防范等各項工作提供了重要信息。對于公眾而言，天氣是Google搜索中最受歡迎的非品牌查詢。傳統的數值預測方法基于精心定義的物理方程，這些方程為大氣復雜動態提供了非常有用但并非完美的近似。同時，這些方法的計算成本也很高昂。2023年，我們發布了一個深度學習系統，能夠提前10天預測天氣狀況，在準確性和預測速度方面均優于傳統模型。如下文所述，利用AI預測天氣變量還有助于緩解和應對氣候變化。例如，當飛機飛過潮濕區域時，可能會形成凝結尾跡，從而加劇航空業對全球變暖的影響。Google科學家最近利用AI預測潮濕區域可能出現的時間和地點，以幫助飛行員避免飛越這些區域。在許多情況下，AI將豐富而非取代傳統的復雜系統建模方法。例如，基于主體的建模通過模擬個體（如企業和消費者）之間的交互，來理解這些交互如何影響更大、更復雜的系統（如經濟）。傳統方法要求科學家事先指定這些計算主體應如何行為。我們的研究團隊最近概述了科學家如何利用大語言模型（LLMs）創建更靈活的生成式主體，這些主體能夠進行交流并采取行動（如搜索信息或進行購買），同時還能對這些行動進行推理和記憶。科學家還可以利用強化學習來研究這些主體在更動態的模擬中如何學習和適應其行為，例如在新能源價格出臺或疫情應對政策實施時的反應。

五，解決方案：在廣闊的搜索空間中識別問題的新穎解決方案

眾多重要的科學問題都伴隨著數量龐大到幾乎無法理解的潛在解決方案。例如，生物學家和化學家的目標在于確定諸如蛋白質等分子的結構、特性及功能。這類工作的一個目標就是設計出這些分子的新型版本，以用作抗體藥物、塑料降解酶或新材料。然而，在設計一種小分子藥物時，科學家們面臨著超過10400種選擇。這種龐大的解空間并不僅限于分子領域，而是許多科學問題的常態，比如尋找數學問題的最佳證明、計算機科學任務的最有效算法，或是計算機芯片的最佳架構。傳統上，科學家們依靠直覺、試錯法、迭代或暴力計算等方法的組合來尋找最佳的分子、證明或算法。但這些方法在探索龐大的潛在解空間時顯得力不從心，導致許多更優解未被發掘。人工智能（AI）能夠開辟這些解空間的新領域，同時更迅速地鎖定那些最有可能可行且有用的解決方案——這是一項需要精妙平衡的任務。例如，在7月，我們的AlphaProof和AlphaGeometry 2系統在國際數學奧林匹克競賽（一項精英高中生競賽）中正確解決了六道題目中的四道。這些系統利用我們的Gemini大語言模型架構，為給定的數學問題生成大量新穎的想法和潛在解決方案，并結合基于數學邏輯的系統，迭代地逼近最有可能正確的候選解。

六，人工智能科學家還是人工智能賦能的科學家？

隨著人工智能在科學領域的日益廣泛應用，以及早期人工智能科學助理的出現，人們開始質疑人工智能的能力究竟能多快、多遠地發展，以及這對人類科學家意味著什么。當前基于大語言模型（LLM）的人工智能科學助理在相對狹窄的任務范圍內，如支持文獻綜述方面，僅做出了相對較小的貢獻。有合理的短期預測認為，它們將在這些任務上表現得更加出色，并有能力承擔更具影響力的任務，如幫助生成有力的假設，或幫助預測實驗結果。

然而，當前的系統在人類科學家所依賴的更深層次創造力和推理能力方面仍顯不足。為提升這些人工智能能力，人們正在付出努力，例如通過在我們的AlphaProof和AlphaGeometry 2實例中，將大型語言模型與邏輯推理引擎相結合，但還需取得更多突破。對于那些需要在濕實驗室進行復雜操作、與人類參與者互動或涉及冗長過程（如監測疾病進展）的實驗，實現加速或自動化將更為困難。盡管如此，這些領域的研究也在進行中，例如新型實驗室機器人和自動化實驗室的研發。即使人工智能系統的能力得到提升，最大的邊際效益仍將來自于將其部署在能夠發揮其相對優勢的用例中——如從海量數據集中快速提取信息的能力——以及幫助解決科學進步中的真正瓶頸，如上文概述的五個機遇，而非自動化人類科學家已經做得很好的任務。隨著人工智能使科學變得更經濟、更強大，對科學和科學家的需求也將增長。例如，近期的突破已經催生了蛋白質設計、材料科學和天氣預報等領域的一系列新興創業公司。與其他領域不同，盡管過去有人持相反觀點，但未來對科學的需求似乎幾乎沒有上限。新的進步總是在科學知識的地圖上開辟出新的、不可預測的領域，人工智能也將如此。正如赫伯特·西蒙所設想的那樣，人工智能系統也將成為科學研究的對象，科學家將在評估和解釋其科學能力，以及開發新型人機結合的科學系統中發揮主導作用。

如果你有更好的文章，歡迎投稿！

稿件接收郵箱：nami.liu@pasuntech.com

更多精彩內容請點擊下方名片，關注“算力魔方?”公眾號！

審核編輯 黃宇