智能式的科學研究范式愈發受重視

一是智能型科研模式時代已悄然來臨

當前主流科研模式具有如下特征：其物質基礎是各種現實的物質材料；基本方法是手工實驗操作方法；強調全鏈條設計，如問題提出、方法設計、模型創建等；主要基于小數據，或輔助性的計算機大數據處理。而智能型科研模式則強調對科研大數據的智能化處理與操作，獲取數據之中的潛在規律、發現其中的異常、智能構建規律模型等，或是通過自動化、持續性的工具操作來解放科研人員體力與精力。未來，人工智能將持續、深度賦能科學研究活動，為科研活動提供新的、革命性的基礎性操作平臺與方法，推動科研活動由傳統的研究模式，擴展至智能式研究模式，從而大幅提高科學研究效率、顛覆當前主流科研方法。

二是人工智能與各學科的匯聚正加速

人工智能已與化學、合成生物學、醫學、天文學、物理學等學科進行有效匯聚，為發現新型物質、構建新型要素關系、總結復雜信息背后的結構化模式，以及科研自動化、無人化等提供巨大幫助。如：

• 在天文學領域，利用數據訓練的卷積神經網絡，給定一個引力透鏡信息，則可通過這一網絡生成暗物質暈的分布數據，而在大尺度結構領域，通過比例參數變化所產生的三維星系分布訓練網絡，可用所輸入的三維分布預測暗物質和暗能量的比例情況；
• 在化學領域，2018年3月，研究人員Segler·M等在Nature發文，基于AI技術，將深度神經網絡與蒙特卡洛搜索樹相結合，實現了高速逆向合成反應，可從已有的數據中學習并自動掌握逆化學合成路徑，這一研究方法比傳統的基于提取規則和手工設計啟發式的計算機輔助搜索方法快30倍，大大提升了化學合成的成功率、提升了新合成物的研發效率；
• 在氣候變化領域，2019年，David Rolnick聯合吳恩達、Demis Hassabis等人在《麻省理工科技評論》發表文章，闡釋了機器學習可以如何幫助拯救地球和人類的路線圖，分析了人工智能有可能介入的10個領域，如利用機器學習，更好地預算天氣情況、構建更精確的氣候模式圖等；
• 在醫學領域，根據靶點虛擬構新建藥物分子及化合物，極大提高醫藥研發效率，如人工智能公司Exscientia在短短一年時間內便完成了新藥設計以及臨床應用（而行業基準為4-5年），只需要85個潛在藥物分子便找到合適藥物，整體成本節省80％。

三是部分發達國家正積極推動智能科研基礎平臺建設步伐

人工智能對科學研究的意義，不僅限于輔助性地獲得新科學發現、新數據規律，更重要的是，它愈發成為一種新型的基礎性科研平臺，或是通過為整個科學研究提供革命性研究工具，來提高整個科學研究活動效率。當前，部分發達國家一些科研機構、企業正大力推動智能科研基礎平臺建設工作，并通過開源等方式掌握未來科研主動權。特別是谷歌所屬DeepMind，正努力研發一系列可賦能基礎科學研究的多種原創型科研平臺，在近日接受《麻省理工科技評論》專訪時，DeepMind的CEO兼聯合創始人戴密斯·哈薩比斯談道，“我們將看到一種全新的科學復興，這些AI技術將繼續變得更加復雜，并被應用到廣泛的科學領域”。為了這一目標，谷歌已實現多項突破：

• 如2020年11月，谷歌下屬DeepMind AI公司所開發的AlphaFold2程序，已擁有解析、預測蛋白質3D折疊能力，它基于蛋白質數據庫中17000個蛋白質結構數據，通過人工神經網絡進行端到端訓練，從而習得不同氨基酸序列連接模式的規律，在短時間內預測、確定其氨基酸3D折疊結構，且這一程序的源代碼已進行開源；
• 2022年2月6號，DeepMind發布了新成果，企業與瑞士等離子體中心合作，研究出可用于核聚變研究中的等離子體磁控制新算法；
• 同月，DeepMind還開發出一種可通過分子中電子分布來推測分子特性的革命性算法，從而能夠更準確地計算分子性質，維也納大學材料科學家Anatole von Lilienfeld認為，“能夠做到如此精確是一項壯舉”；
• 此外，探索新型化學物質、發現新型化學反應的“機器人化學家”程序被開發出來，它們可通過對已有化合反應、化合物性質學習，創造此前所沒有的全新物質。如利物浦大學研究人員于2020年所開發的“AI化學家”，在沒有任何研究人員指導的情況下，完全通過自主學習，發現了一種強活性催化劑，且實驗操作完全自動化，可獨立執行化學實驗中所有任務，例如稱量固體、分配液體、從容器中除去空氣，運行催化反應以及定量反應產物等，甚至它還可對下一步需要進行什么化學實驗作出自己的決定；
• 2018年格拉斯哥大學研究人員所開發的AI程序，可通過對1000個化學物質反應的搜索，自主探索新的化合反應和新分子。無論是AlphaFold2，還是機器人化學家，均改變了傳統科研工作模式。

二、當前我國智能科研基礎平臺建設存在的問題

當前，我國智能科研基礎性操作平臺建設面臨諸多問題，如學界主要集中于利用部分發達國家發明的算法進行重復性模擬，而原創性科研算法較少，為科學研究活動賦能能力較弱。未來，如果我們不加速推進智能科研基礎操作平臺建設，將面臨重大“卡脖子”問題。

一是科學界算法原創能力有待進一步提高

無論是我國企業界，還是科學界，算法原創能力較弱問題均較為突出。中國工程院院士徐匡迪曾指出，當前我國缺乏核心算法，過度依賴開源，幾乎93%的中國研究者使用人工智能開源軟件包。雖然中國也有少數學者做出了原創性研究成果，如電子科技大學周濤教授先后攻克了推薦系統準確性－多樣性困境、復雜網絡鏈路可預測性、H指數－核心度關系等圖挖掘領域的重要難題。但我國科學界更多的是基于國外已有算法，特別是開源算法，結合中國應用場景及數據進行深度模擬與應用，如語音視別、視覺識別、人臉識別、自然語言翻譯等算法的深度改進，提高其識別精度，或是進行創新性應用，并取得了諸多重要成果。如，清華大學的“華智冰”、騰訊AI Lab的“絕藝”圍棋AI，前者是利用蒙特利爾大學Ian Goodfellow提出的生成對抗網絡方法，后者則是依據DeepMind的AlphaGo原型進行設計。2021年，中國華深智藥開發出的HeliXonAI全球持續蛋白質結構預測競賽CAMEO上，刷新了AlphaFold2的紀錄，但本質上還是利用了開源AlphaFold相關算法數據。

二是科研賦能型AI創新成果較少

科研賦能型AI創新是指能夠從根本上提升整個科研活動效率的底層算法或硬件創新，而不僅僅是利用已有算法或硬件形成新成果。目前我國類似于AlphaFold的底層創新或可改變某領域研究模式的科研賦能型成果較少。李國杰院士指出，我們的研究多數是技術驅動、論文導向，選擇可突破的重大科學問題的眼光不夠敏銳，布局的科研項目要么是增量式的技術改進，要么是幾十年都難以突破的理想型目標，目前我國大學和企業的人工智能實驗室大多遇到頂天頂不了、立地又落不下去的困境。一些研究成果雖具有國際前沿性或創新性，但難起到影響整個科研活動模式、提升整體科研效率的作用，不具備科研賦能功能。

三是一些科研賦能型AI創新成果影響范圍較小

當前我國一些科研機構和大學已做出科研賦能型AI創新成果，如2021年，浙江大學和中山大學的研究者提出了首個基于符號推理的幾何數學題求解器Inter-GPS，將幾何題的圖片和文字解析為統一形式語言，運用相關幾何定理，逐步進行符號推理直至預測出最終答案，實現了57.5%的準確率；2020年11月，中美聯合研究小組基于深度學習分子動力學模擬方法，結合傳統高性能計算和機器學習，將分子動力學極限從基線提升到1億原子的驚人數量，計算速度提高至少1000倍，引領了科學計算從傳統計算模式向智能超算方向前進，具有類似于AlphaFold的學科賦能效果。但從整體上看，其對整個科研活動影響范圍不廣、影響程度不深，還難以形成平臺型科研托舉功能。相比之下，AlphaFold則具備替代實驗研究、直接從蛋白質氨基酸序列大批量產生蛋白質三維結構的潛力。

三、對策建議

一是改變AI創新理念，重視科研賦能型AI創新研究

科研賦能型AI創新能夠在科研方法、科研模式、知識生產等方面對傳統科研產生根本性影響，極大提升科研活動整體效率，是推動科研模式變革的底層技術。尤其是基于AI賦能的新型科研范式，事關國家基礎研究的整體效率，如果在這一方面落后于部分發達國家，則有可能使我國在未來科技革命中處于被動挨打地步。部分發達國家學術界及企業已開始關注科研賦能型AI技術，并獲得一系列突破性成果，而我國學術界對科研賦能型AI創新關注度不夠，更傾向于基于現有AI技術框架進行深度應用或改進。我國學術界、企業等應給予科研賦能型AI創新以足夠的重視。

二是通過科學程序，篩選與人工智能具有高融合潛力的學科領域

科研賦能型AI更容易出現在人工智能與特定學科具有更高融合潛力的學科領域，如合成生物學、物理學、化學、醫藥創新、天文學、材料學等。這些學科往往具有大數據處理屬性，且擁有豐富的數據材料基礎（特別是合成生物學領域），更容易通過深度學習相關技術進行數據規律提取與建模。涉及微觀粒子特征研究的領域，微觀粒子眾多且涉及更多變量，且許多變量具有難觀察、易變、時間依賴等特征，難以進行即時性觀察與分析，利用機器學習技術，可更快速地總結各種變量的特征。重復性勞動特征較明顯、科研程序較為固定的實驗領域，這些領域更容易通過自動化程序加以替代。建議通過組織跨領域專家（人工智能領域專家與其它學科的領域專家），精準、科學的進行領域篩選，制定深度學習賦能型學科量表，選定一些具有AI科研賦能潛力的領域。

三是加大對科研賦能型AI創新的資助力度，推動我國智能科研基礎平臺建設步伐及前瞻布署能力

國家相關部門應強化頂層設計，加大對科研賦能型AI創新的資助，如基金委交叉學科部可加大對科研賦能型AI創新研究活動的定向支持。同時，鼓勵企業與高校、科研機構合作，開發可提高企業研發能力與效率的賦能型AI技術，如能夠加快醫藥研發、集成電路設計效率的賦能型AI創新技術。

AIOTE中國國際智慧城市、物聯網、大數據博覽會（AIOTE智博會）自2010年創辦以來，至今已成功舉辦十多屆。AIOTE智博會是中國較高、規模較大、影響力較廣的專業展覽會；是被國際業界公認的不可錯過的名展之一。隨著AIOTE智博會的國際地位和影響不斷提升，已成為國內外智慧城市、物聯網、大數據、人工智能行業交流與貿易的重要展會，成為現代智慧城市、物聯網、大數據、人工智能技術最新成果的展示平臺，是我國科技產業發展的風向標。AIOTE智博會匯集了全球先進的智慧城市、物聯網、大數據、人工智能、智能家居、智慧工地等產品，對國內展商、采購商和用戶來說，是不出國門的國際考察。

2023上海國際智慧城市、物聯網、大數據博覽會（AIOTE智博會）將于2023年05月份在上海新國際博覽中心舉辦，本屆展會主題為“數字新時代·鏈接新未來”，屆時全球國際智慧城市、物聯網、大數據、人工智能等企業和品牌悉數以強大陣容亮相展會，展會共有來自28個國家和地區的800家展商參展。捷克、法國、德國、印度、意大利、日本、西班牙、韓國、瑞士、英國、美國、臺灣地區和香港地區等13個國家和地區的行業組織和貿促機構組團參展，展覽總面積達6萬平方米，展會3天的預計接待來自 80個國家和地區的 5.5萬余名專業觀眾前來參觀。展會的展品水平和品種、規格的覆蓋面均創新的水平。數萬件展品中囊括了智慧城市、物聯網、大數據、人工智能、機器人、智能家居、智慧工地等產業鏈主要產品范疇，為廣大采購商提供了最廣泛的選擇空間。

九大展區

智慧城市展區

物聯網展區

大數據展區

人工智能展區

軟件展區

智慧工地展區

智慧燈桿及路燈展區

智慧停車展區

智能家居及智能鎖展區

高峰論壇

1、中國人工智能發展及未來技術產業投資貿易論壇；

2、5G+IoT如何為智慧社區發展助力

3、中國物聯網、人工智能、大數據金融投資對接洽談會；

4、VR/AI+5G未來將如何改變我們的生活；

5、物聯網、大數據、人工智能產業創新獎評選及頒獎活動；

亮點一：最新智能行業技術創新與成果展示

本屆AIOTE智博會是以智慧城市為主導，人工智能、物聯網、大數據技術發展為核心，智能家居現代化技術產業領域先進科技為輔助，從而劃分八大主題展區—智慧城市、物聯網、大數據、人工智能、機器人、智慧零售、智慧工地、智慧停車等高科技產品，集中展示智能行業技術創新與最新的成果，積極推動我國智能產業的發展，促進數字經濟和實體經濟的深度融合。

亮點二：行業細分專業知識交流與多維度增值服務體驗

本屆AIOTE智博會期間舉辦十多場高峰論壇會議與活動，給展商們提供各垂直行業專業論壇參與機會，眾多學界專業學者思想碰撞，是增長專業知識、拓展行業人脈的優質平臺。

展會提供多維度的增值服務，新產品新技術信息發布；VR逛智博會；重點展品向大會新聞中心推薦；采購洽談會等多項優質服務。

將展覽與論壇有機結合，使產業貿易與學術交流融為一體。力爭將展會打造成產、學、研、貿多位一體的經貿平臺。

亮點三：多家媒體采訪報道使人人站在科技潮流最前沿

展會有新華日報、人民網、電視臺等300多家海內外媒體，超300名記者，對展會前、中、后進行全方位的宣傳和跟蹤報道，20余家網絡媒體、平面媒體和電視媒體將在現場做企業專訪和展會報道，總曝光量超1000萬條，為參展企業提供多渠道宣傳途徑，向觀眾展示最新技術成果，讓大眾也可以站在時代潮流前沿陣地，實時掌握行業發展新風向標，緊緊抓住行業發展新動態。

www.muslimtshirt.com