隨著深度學(xué)習(xí)等技術(shù)近年來的突破，人工智能（AI）在數(shù)學(xué)、物理學(xué)、化學(xué)、生物學(xué)、材料學(xué)、制藥等自然科學(xué)和高技術(shù)領(lǐng)域的研究中得到了廣泛應(yīng)用。例如，DeepMind利用機(jī)器學(xué)習(xí)方法輔助發(fā)現(xiàn)數(shù)學(xué)猜想和定理證明；生物學(xué)領(lǐng)域中AlphaFold2已經(jīng)可以預(yù)測超過350000種人類基因組蛋白質(zhì)，以及超過100萬個物種的2.14億個蛋白質(zhì)，幾乎涵蓋了地球上所有已知的蛋白質(zhì)，解決了困擾結(jié)構(gòu)生物學(xué)50年的難題；DeepMind和瑞士等離子體中心合作提出將強(qiáng)化學(xué)習(xí)用于優(yōu)化托卡馬克內(nèi)部的核聚變等離子體控制；華盛頓大學(xué)戴維·貝克教授團(tuán)隊利用AI技術(shù)精準(zhǔn)地從頭設(shè)計出能夠穿過細(xì)胞膜的大環(huán)多肽分子，創(chuàng)新了口服藥物設(shè)計的新思路。這一系列人工智能技術(shù)的成功應(yīng)用都標(biāo)志著以AI for Science（智能化科研）為核心的第五科研范式已經(jīng)成為提升科研效率，推進(jìn)科學(xué)發(fā)現(xiàn)和科技創(chuàng)新的強(qiáng)大工具，有望帶來人類社會的重大變革。

雖然AI for Science應(yīng)用領(lǐng)域非常廣泛，但在不同學(xué)科領(lǐng)域的應(yīng)用又有所差別。筆者認(rèn)為可以將其進(jìn)一步細(xì)分為廣義和狹義的AI for Science。其中，廣義的AI for Science是多種人工智能技術(shù)在科學(xué)技術(shù)領(lǐng)域的廣泛應(yīng)用，既包括了自然科學(xué)領(lǐng)域的規(guī)律和知識發(fā)現(xiàn)（如數(shù)學(xué)猜想的證明、物理規(guī)律的發(fā)現(xiàn)等），也涵蓋了解決高技術(shù)領(lǐng)域的關(guān)鍵技術(shù)難題（如超短臨天氣預(yù)報、托卡馬克控制、生物制藥等）。狹義的AI for Science重點強(qiáng)調(diào)自然科學(xué)領(lǐng)域的內(nèi)在規(guī)律、知識和結(jié)構(gòu)發(fā)現(xiàn)，如發(fā)現(xiàn)行星運動的開普勒定律、發(fā)現(xiàn)人類基因組蛋白質(zhì)結(jié)構(gòu)等。與狹義的AI for Science不同，AI用于解決高技術(shù)領(lǐng)域的關(guān)鍵技術(shù)難題主要依賴于發(fā)明和創(chuàng)造出新的人造物（artifacts），包括新方案、新方法、新工具和新產(chǎn)品等。AI在高技術(shù)領(lǐng)域的應(yīng)用，由于其應(yīng)用目的、技術(shù)路線等方面和狹義的AI for Science有所不同，筆者認(rèn)為更適合將其歸類到AI for Technology（技術(shù)智能）的范疇。

表1總結(jié)了狹義的AI for Science和AI for Technology的區(qū)別。

從應(yīng)用目的來看，如前所述，AI for Science目的是希望發(fā)現(xiàn)自然科學(xué)領(lǐng)域人類目前未知的運行機(jī)制、機(jī)理、規(guī)律、結(jié)構(gòu)等；而AI for Technology更強(qiáng)調(diào)的是發(fā)明創(chuàng)造出滿足特定需求的方案、方法、工具和物品等。以信息論來進(jìn)行類比，AI for Science可以看作是信息編碼和壓縮的過程，通過AI將大量觀察數(shù)據(jù)編碼成符號化的規(guī)律或知識；AI for Technology可以看作是信息解碼和解壓縮的過程，通過AI將大量滿足需求規(guī)范的樣例解碼成人造物的具體設(shè)計細(xì)節(jié)和組成成分。從輸出結(jié)果來看，AI for Science本身具有強(qiáng)烈的探索性，其輸出結(jié)果是事先未知的；AI for Technology是設(shè)計出符合預(yù)定義需求規(guī)范的人造物，其輸出結(jié)果是精確已知的。從技術(shù)路線來看，AI for Science主要利用了AI的強(qiáng)大建模能力，實現(xiàn)對大量觀察數(shù)據(jù)的準(zhǔn)確擬合；而AI for Technology則更側(cè)重于利用AI的生成能力，以生成滿足需求規(guī)范的目標(biāo)人造物。從算法精度要求上看，AI for Science追求的是大量數(shù)據(jù)下統(tǒng)計意義的可接受性，要求輸出的結(jié)果可以合理地解釋自然現(xiàn)象（輸入數(shù)據(jù)），如輸入數(shù)據(jù)符合特定的統(tǒng)計分布規(guī)律；而AI for Technology強(qiáng)調(diào)的是單個個體的精確，要求輸出的個體結(jié)果能夠精確地滿足預(yù)定義需求規(guī)范，如計算機(jī)程序自動設(shè)計要求輸出的程序代碼能夠正確滿足功能和性能規(guī)范。從這個角度看，AI for Technology對AI算法提出了更高的精度要求。

實際上，有關(guān)AI for Technology的研究自AI誕生以來就一直備受關(guān)注。1969年，諾貝爾經(jīng)濟(jì)學(xué)獎及圖靈獎獲得者、人工智能的奠基人之一赫伯特·西蒙（Herbet Simon）在其《人工科學(xué)》（The Sciences ofthe Artificial）一書中對“自然物”和“人造物”進(jìn)行了區(qū)分，并明確了發(fā)明創(chuàng)造滿足人類需求的人造物本身也是門科學(xué)（artificial science），可以通過基于計算機(jī)程序的通用問題求解系統(tǒng)（general problem solver）來建模人類解決問題的流程，以實現(xiàn)“無人干預(yù)的設(shè)計”。赫伯特·西蒙和另一位人工智能的奠基人艾倫·紐威爾（Allen Newell）實現(xiàn)了通用問題求解系統(tǒng)，以自動解決多種不同類型的問題。這本質(zhì)上是把人類求解問題的過程建模成由機(jī)器自動完成的搜索過程。其中的重要組成部分是“生成器—測試”（Generator-Test）的循環(huán)，即通過生成器產(chǎn)生大量的潛在候選，然后通過測試來確定候選是否滿足需求規(guī)范，反復(fù)迭代直到找到滿足需求的候選。

參考上述流程，可以將AI for Technology建模成為“搜索+驗證”的流程?！八阉?驗證”流程的核心是通過搜索算法挑選合適的候選，自動驗證所挑選的候選是否滿足需求規(guī)范，如果不滿足則需要自動修改和調(diào)整以生成新的候選，直到最終的輸出結(jié)果滿足需求。近年來，隨著AI技術(shù)的快速演進(jìn)，有望同時提升上述搜索和驗證的效率，在擴(kuò)大應(yīng)用領(lǐng)域的同時加速整個問題求解的流程。

文章摘編自《中國科學(xué)院院刊》2024年第1期，專題：大力推進(jìn)科研范式變革，文章標(biāo)題：AI for Technology：技術(shù)智能在高技術(shù)領(lǐng)域的應(yīng)用實踐與未來展望

作者：陳云霽 郭崎