谷歌前CEO Eric Schmidt正在建立一家大型的AI+Science非營利性創(chuàng)業(yè)公司，期望通過AI來應(yīng)對科學(xué)研究中的挑戰(zhàn)。

圖片

他聘請了兩位卓越的科學(xué)家來領(lǐng)導(dǎo)這項非營利計劃：

弗朗西斯·克里克研究所應(yīng)用生物技術(shù)實驗室的創(chuàng)始人Samuel Rodriques，以及羅切斯特大學(xué)教授、在化學(xué)中使用AI的先驅(qū)Andrew White。他們都是各自領(lǐng)域中相對年輕但卻已功勛卓著的學(xué)術(shù)明星。

Schmidt、Rodriques和White都相信，AI將改變未來的科學(xué)研究。

上個月，Schmidt在《麻省理工科技評論》（MIT Technology Review）上發(fā)表的一篇題為《這就是AI將如何改變科學(xué)完成方式》的文章中表述了他的愿景：

「隨著AI的出現(xiàn)，科學(xué)將變得更加令人興奮——而且在某些方面將變得難以辨認(rèn)。這種轉(zhuǎn)變的影響將遠(yuǎn)遠(yuǎn)超出實驗室的范圍，它們將會影響我們所有人?！?/span>

圖片

另一邊，Rodriques和White在自己的實驗網(wǎng)站或公開演講中做出了AI將顛覆科學(xué)的預(yù)言和設(shè)想。

Rodriques表示：「我們將需要由核心AI研究人員和核心科學(xué)家組成的團(tuán)隊一起工作，并采用快速迭代周期，以構(gòu)建能夠利用前沿技術(shù)并為科學(xué)家?guī)韺嶋H價值的工具?！?/span>

Jim Fan認(rèn)為這個公司的潛力十分巨大，如果LLM和智能體機器人成為未來的科學(xué)研究中基礎(chǔ)設(shè)施，那么像LK-99這樣的實驗將不再停留在手工煉金術(shù)的水平上。

圖片

但也有知情人士透露，Schmidt正在進(jìn)行的這項工作以O(shè)penAI為藍(lán)本，但資金來源于Schmidt與妻子Wendy共同創(chuàng)立的Schmidt Futures?；旧希顒淤Y金都是由Schmidt自付的。

Jim也表示了對Schmidt的組織能否持續(xù)的擔(dān)憂。

AI+Science 登月計劃

形成科學(xué)見解和理論的基礎(chǔ)是由如何收集、轉(zhuǎn)化和理解數(shù)據(jù)來決定的。

其中，數(shù)據(jù)的收集和分析是科學(xué)理解和發(fā)現(xiàn)的基礎(chǔ)。

20世紀(jì)50年代，數(shù)字化的引入為計算在科學(xué)研究中的普遍使用鋪平了道路。

而從2010年以來，深度學(xué)習(xí)的興起使AI能夠通過從大型數(shù)據(jù)集中識別科學(xué)相關(guān)模式來提供有價值的指導(dǎo)。這極大地擴展了科學(xué)發(fā)現(xiàn)過程的范圍和雄心：

科學(xué)發(fā)現(xiàn)是一個多方面的過程，涉及幾個相互關(guān)聯(lián)的階段，包括假設(shè)提出、實驗設(shè)計、數(shù)據(jù)收集和分析。

盡管科學(xué)實踐和程序在科學(xué)研究的各個階段都各不相同，但人工智能算法能夠跨越傳統(tǒng)上孤立的學(xué)科。

AI 越來越多地用于跨學(xué)科跨領(lǐng)域的海量數(shù)據(jù)集的整合、細(xì)化測量、指導(dǎo)實驗、探索與數(shù)據(jù)兼容的理論空間，并為自主發(fā)現(xiàn)提供與科學(xué)工作流程集成的可操作和可靠的模型等。

AI可以增強科學(xué)研究的設(shè)計和執(zhí)行。通過優(yōu)化參數(shù)和函數(shù)，自動化程序來收集、可視化和處理數(shù)據(jù)，探索大量候選假設(shè)以形成理論點，并生成假設(shè)并估計其不確定性以建議相關(guān)實驗。

圖片

AI時代的科學(xué)

但使用AI進(jìn)行科學(xué)研究也并不意味著輕松隨意。

最大的挑戰(zhàn)之一是科學(xué)問題中假設(shè)空間的巨大，使得系統(tǒng)探索變得不可行。

例如，在生物化學(xué)中，估計需要探索的藥物分子存在有10的60次方個。

盡管人工智能系統(tǒng)能通過加速過程和提供接近實驗精度的預(yù)測來徹底改變科學(xué)工作流程。

但人工智能模型獲得可靠注釋的數(shù)據(jù)集是相當(dāng)浩大的工程，這可能涉及耗時和資源密集型的實驗和模擬。

但在最近的進(jìn)展中，谷歌DeepMind開發(fā)的AlphaFold成功解決了長達(dá)50年的蛋白質(zhì)折疊問題。

由AI驅(qū)動的AlphaFold的數(shù)百萬個粒子16的分子系統(tǒng)模擬證明了人工智能解決具有挑戰(zhàn)性的科學(xué)問題的潛力。

另一個問題是AI內(nèi)部運行時的黑箱會降低人們對預(yù)測的信任度，也導(dǎo)致了一些領(lǐng)域的適用性有限。

例如在要求模型的輸出在實際應(yīng)用前必須有對應(yīng)的現(xiàn)實條件，如人類的太空探索，以及預(yù)測為政策提供信息的領(lǐng)域，如氣候科學(xué)等。

未來的科學(xué)研究

展望未來，對AI專業(yè)知識的需求將受到兩股力量的影響。

首先是即將從AI的應(yīng)用中受益的領(lǐng)域，如自動駕駛。其次，AI智能工具的引入將會提升最先進(jìn)的技術(shù)并創(chuàng)造新的機會，如生物、化學(xué)或物理過程，如利用AI研究核聚變反應(yīng)等。

在這兩股力量的基礎(chǔ)上，未來研究團(tuán)隊的組成將發(fā)生變化，包括 Al 專家、軟件和硬件工程師，以及涉及各級政府、教育機構(gòu)和企業(yè)的新型合作形式。

如最先進(jìn)的模型規(guī)模不斷擴大，導(dǎo)致能源消耗大、計算成本高昂。因此，大型科技公司大量將投資于計算基礎(chǔ)設(shè)施和云服務(wù)，不斷挑戰(zhàn)規(guī)模和效率的極限。

這意味著營利性組織和非學(xué)術(shù)性組織會使用規(guī)模龐大的計算基礎(chǔ)設(shè)施。

但高等教育機構(gòu)可以更好地整合多個學(xué)科。此外，學(xué)術(shù)機構(gòu)往往擁有獨特的歷史數(shù)據(jù)庫和測量技術(shù)，而這些技術(shù)在其他地方可能并不存在，但卻是 Al+Science 所必需的。

這些互補性資產(chǎn)將會促進(jìn)產(chǎn)學(xué)合作的新模式，從而影響研究問題的選擇。

參考資料：https://www.semafor.com/article/08/16/2023/ex-google-ceo-eric-schmidt-to-launch-ai-science-moonshot