人类的“第二大脑”如何引发科学研究范式转变

记者 何亮 崔爽 作为人类的“第二大脑”，科学人工智能正在给全球科研范式带来重大转变，成为两会代表们关注的焦点。 3月7日，在中国人民政治协商会议第十四届全国委员会第四届第二次全体会议上，全国政协委员、中国科学院院士周志华发表讲话，提出人工智能引领科学研究范式变革。 3月8日，全国政协委员、工业和信息化部原副部长王江平在接受科技日报记者采访时坦言，人工智能已经从科学研究的辅助工具转变为科技进步的核心驱动力，将极大改变未来科学研究范式和产业业态。会场内外代表和委员认为，人工智能必将为全球科技革命注入新动力，但人工智能助推科学研究面临的困难和问题也不容忽视。 AlphaFold模型帮助两名非生命科学领域的研究人员获得了2024年诺贝尔奖。 AlphaFold模型帮助两名非生命科学领域的研究人员获得了2024年诺贝尔奖。 “大型原子模型项目”可广泛用于半导体、合金、有机分子等各类硅材料体系的研究和开发。在周志华看来，国内外人工智能在提高科学水平方面逐步取得成果大量研究充分证明，人工智能不仅有潜力加速解决长期存在的重要科学问题，而且有可能重塑科学发现的根本路径。然而，在接连不断的科研成果推动科学人工智能的背后，新的问题也正在浮现。周志华介绍，由于缺乏大规模、标准化、权威的科学数据集，以及科学数据获取成本高、标准不一致、缺乏共享行为等因素，目前人工智能模型训练效率不高、可靠性难以保证，重复建设和资源浪费的现象尤为显着。计算资源的浪费也引起了王江平的注意。在其任务研究期间，它创建了材料探索图网络，我们发现，在 i 预测的 380,000 种稳定材料中，在模型（GNoME）上，只有 736 个完成了实验验证，验证率不足 0.2%。 “这意味着人类往往需要10年以上的时间才能完全验证人工智能在一天内产生的预测结果，导致科学研究和计算资源的利用效率低下。”王江平说。他告诉记者，更令人担忧的是，很多预测还停留在学术论文层面，尚未转化为行业。它们未能释放原有的产业价值，造成资源浪费和抑制转型的双重问题。王江平将这种现象比作“堰塞湖”。尽管人工智能的预测能力快速增强，但验证和产业化路径狭窄且受阻，“湖水”不断积累却难以排干。在王江平看来，人工智能“阻碍”科学研究的原因是广泛而复杂的。莱克斯。其中，预测模型本身的局限性、缺乏统一的标准和评价体系、实验验证能力严重缺乏是三个重要因素。需要系统性的措施和建议，实现“对症下药”。提高基础创新能力，培养复合型人才。接下来，在日本的AI安置科学先进技术研发体系中，我们应该重点关注哪些领域以及如何克服现有的瓶颈？在周志华看来，首先要加强政治引领，增强核心创新能力。他提出，优化人工智能领域科学研究总体设计，加强对人工智能算法基础研究的支持，重点支持一批先进性、战略性基础研究项目，鼓励科研人员自主开展研究。拱。同时引导企业和社会资本参与人工智能算法基础研究，形成多种投资机制。面对既懂科研又懂人工智能的综合性人才缺乏的困境，周志华主张从无到有构建综合性创新人才培养体系，让“人工智能推动科研”，支持高水平研究型大学试点设立“博士+硕士”双学位项目。他提出让博士生在攻读人工智能博士学位的同时获得跨学科理学硕士学位，探索研究生教育新模式。跨学科融合。王江平提出，推动高质量数据集、高价值知识中心、标准人工智能预测结果评估体系三大载体建设。他提议建立中心。高价值数据共享公众 i重点行业建设多模态、长序列、高精度的公共数据集，减少重复劳动。同时，相关部门应建立权威的预测结果评估体系。人工智能语音为检测和结果传递提供依据。王江平呼吁推动科学人工智能和DR人工智能协同发展。第一个重点关注基础科学进展并解决“卡脖子”问题。后者侧重于解决技术实施中的工程问题。他表示，将推出“开放清单、负责人”机制，由企业提出课题、科研机构攻关、赋予研发自主权、考虑政府监管沙箱，激发创新活力。
（编辑：杨淼）