引言

在大模型如雨后春筍、百模大戰(zhàn)如火如荼的當(dāng)下，人工智能技術(shù)（AI）正以前所未有的速度改變著我們的生活方式、工作模式乃至科研方法。從自動(dòng)駕駛汽車到智能家居，從醫(yī)療診斷到金融分析，AI的觸角已經(jīng)深入社會(huì)的各個(gè)角落。然而，AI的潛力遠(yuǎn)不止于此，它在科研領(lǐng)域的應(yīng)用正引領(lǐng)著一場(chǎng)前所未有的變革，被稱為“智能化科研”或“第五科研范式”。

背景介紹

中國(guó)工程院院士、中國(guó)科學(xué)院計(jì)算技術(shù)研究所首席科學(xué)家李國(guó)杰在《科技導(dǎo)報(bào)》上發(fā)表的《智能時(shí)代呼喚新的科研方法》中提出智能化科研（AI for Research，簡(jiǎn)稱AI4R）的概念。他指出：智能化科研（AI4R）不僅要關(guān)注科學(xué)智能（AI for Science，AI4S），更要重視技術(shù)智能（AI for Technology，AI4T）；不僅要關(guān)注大語(yǔ)言模型（Large Language Model，LLM），更要重視大科學(xué)模型（Large Science Model，LSM）。同時(shí)提出，人工智能的突破主要不是靠大算力，而是計(jì)算模型的轉(zhuǎn)變，中國(guó)應(yīng)當(dāng)爭(zhēng)取在基礎(chǔ)模型上做出顛覆性的創(chuàng)新。

一、智能化科研（AI4R）：科研范式的重大變革

在人類歷史的長(zhǎng)河中，科研范式經(jīng)歷了多次演變。從農(nóng)業(yè)時(shí)代的觀察和實(shí)驗(yàn)歸納（第一范式），到工業(yè)時(shí)代的理論分析和邏輯演繹（第二范式），再到信息時(shí)代的計(jì)算機(jī)模擬仿真（第三范式），以及互聯(lián)網(wǎng)普及后的數(shù)據(jù)驅(qū)動(dòng)科研（第四范式），每一次變革都極大地推動(dòng)了科學(xué)的進(jìn)步。如今，我們正邁向智能時(shí)代，智能化科研（AI4R）作為第五科研范式應(yīng)運(yùn)而生，它不僅融合了前幾范式的精髓，更引入了人工智能這一強(qiáng)大工具，開(kāi)啟了科研的新篇章。

智能化科研（AI4R）不僅僅是工具層面的變革，更是科研思維和方法論的全面升級(jí)。它利用人工智能技術(shù)，如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等，輔助甚至主導(dǎo)科研過(guò)程，從數(shù)據(jù)收集、模型構(gòu)建到結(jié)果分析，實(shí)現(xiàn)科研效率和精度的雙重提升。

二、科學(xué)智能（AI4S）與技術(shù)智能（AI4T）：智能化科研（AI4R）的雙輪驅(qū)動(dòng)

在智能化科研（AI4R）的框架下，科學(xué)智能（AI4S）和技術(shù)智能（AI4T）是兩個(gè)不可或缺的部分，共同推動(dòng)著科研范式的變革。AI4S側(cè)重于利用AI技術(shù)解決基礎(chǔ)科學(xué)問(wèn)題，將大量觀察數(shù)據(jù)編碼成符號(hào)化的規(guī)律或知識(shí)；而AI4T則更關(guān)注于技術(shù)發(fā)明和工程應(yīng)用，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(jì)，如芯片設(shè)計(jì)、天氣預(yù)報(bào)優(yōu)化等。

近年來(lái)，智能化科研在智能科學(xué)與技術(shù)科學(xué)的雙輪驅(qū)動(dòng)下取得了突破性進(jìn)展。例如，在智能科學(xué)方面，由DeepMind團(tuán)隊(duì)開(kāi)發(fā)的AlphaFold系列模型已經(jīng)成功預(yù)測(cè)了超過(guò)2億個(gè)蛋白質(zhì)的三維結(jié)構(gòu)，為生物制藥等領(lǐng)域的發(fā)展提供了重要支撐。在技術(shù)智能方面，AI技術(shù)可以在芯片設(shè)計(jì)領(lǐng)域自動(dòng)生成高效的CPU架構(gòu)，大大縮短設(shè)計(jì)周期；在材料科學(xué)可以幫助科學(xué)家們快速發(fā)現(xiàn)新型穩(wěn)定材料，推動(dòng)材料科學(xué)的創(chuàng)新發(fā)展。

這些成功案例表明，科學(xué)智能不僅能夠解決基礎(chǔ)科學(xué)問(wèn)題，還能夠滲透到技術(shù)研究甚至工程科學(xué)中，推動(dòng)整個(gè)科研領(lǐng)域的智能化轉(zhuǎn)型。因此，在探討科研方法創(chuàng)新時(shí)，我們不僅要關(guān)注AI在科學(xué)研究中的應(yīng)用，還要高度重視AI在技術(shù)創(chuàng)新和工程實(shí)踐中的潛力。

三、大語(yǔ)言模型（LLM）與大科學(xué)模型（LSM）：智能化科研（AI4R）的模型選擇

在智能化科研的實(shí)踐中，大模型是不可或缺的工具。然而，對(duì)于大模型的選擇和應(yīng)用，我們需要有清晰的認(rèn)識(shí)和合理的規(guī)劃。

當(dāng)前，國(guó)內(nèi)學(xué)者普遍關(guān)注大語(yǔ)言模型（LLM），這主要是受到ChatGPT等應(yīng)用的影響，側(cè)重于從海量數(shù)據(jù)中學(xué)習(xí)語(yǔ)言知識(shí)，實(shí)現(xiàn)文本、圖像、語(yǔ)音的合成等多種功能。其缺陷是知識(shí)主要來(lái)源于訓(xùn)練數(shù)據(jù)，缺乏對(duì)實(shí)踐活動(dòng)的隱性知識(shí)的理解。

相比之下，大科學(xué)模型（LSM）則更加關(guān)注科研領(lǐng)域的實(shí)際應(yīng)用。不僅需要考慮神經(jīng)網(wǎng)絡(luò)架構(gòu)、機(jī)器學(xué)習(xí)算法等技術(shù)因素，還需要關(guān)注數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)的融合、科學(xué)倫理等多個(gè)方面。例如，DeepMind團(tuán)隊(duì)在推進(jìn)智能化科研過(guò)程中，采用了強(qiáng)化學(xué)習(xí)等方法，使機(jī)器本身也產(chǎn)生大量數(shù)據(jù)，從而提高了模型的適應(yīng)性和準(zhǔn)確性。因此，在智能化科研中，我們不僅要關(guān)注大語(yǔ)言模型（LLM）的發(fā)展，更要重視大科學(xué)模型（LSM）的構(gòu)建和應(yīng)用。

四、計(jì)算模型的轉(zhuǎn)變：實(shí)現(xiàn)智能化科研（AI4R）的突破口

1. 算力不是萬(wàn)能的

人工智能的突破主要得益于大數(shù)據(jù)、大模型和大算力的結(jié)合。單純提高算力并不是解決問(wèn)題的萬(wàn)能藥。實(shí)際上，人工智能的突破更多依賴于計(jì)算模型的轉(zhuǎn)變。從基于邏輯的確定性計(jì)算模型轉(zhuǎn)變?yōu)榛诟怕式y(tǒng)計(jì)的神經(jīng)網(wǎng)絡(luò)模型，這一轉(zhuǎn)變能極大提高AI處理復(fù)雜問(wèn)題的能力。因此，重復(fù)開(kāi)發(fā)許多沒(méi)有新意的小模型，對(duì)推進(jìn)人工智能作用不大。中國(guó)應(yīng)當(dāng)爭(zhēng)取在基礎(chǔ)模型上作出顛覆性的創(chuàng)新，為人工智能和智能化科研的發(fā)展作出歷史性的貢獻(xiàn)。

2.突破“復(fù)雜性閾值”系統(tǒng)問(wèn)題

在科研領(lǐng)域，許多復(fù)雜問(wèn)題具有“組合爆炸”的特點(diǎn)，即假設(shè)空間非常大，難以通過(guò)傳統(tǒng)方法進(jìn)行有效求解。例如，在藥物研發(fā)方面，小分子候選藥物的數(shù)量估計(jì)有1060種，可能成為穩(wěn)定材料的總數(shù)多達(dá)10180種，在傳統(tǒng)的研究方式中這種范圍幾乎是無(wú)窮大，而利用AI技術(shù)，可以對(duì)大量候選藥物進(jìn)行篩選和優(yōu)化，大大提高研發(fā)效率。同時(shí)，通過(guò)海量數(shù)據(jù)的訓(xùn)練學(xué)習(xí)，可以學(xué)習(xí)到一些過(guò)去人類不知道的啟發(fā)信息，提高復(fù)雜問(wèn)題的解決能力。

此外，神經(jīng)網(wǎng)絡(luò)模型也值得關(guān)注。它擁有千億甚至上萬(wàn)億的參數(shù)，涉及的內(nèi)容可能已接近能處理困難問(wèn)題的復(fù)雜度閾值點(diǎn)。而突破了復(fù)雜度閾值的系統(tǒng)，就會(huì)由于在數(shù)據(jù)層的擴(kuò)散和變異作用而不斷進(jìn)化，在處理一些不確定性和動(dòng)態(tài)變化的問(wèn)題時(shí)具有獨(dú)特優(yōu)勢(shì)，進(jìn)而可以解決一些個(gè)很困難的事情。這也是智能化科研的威力之一。

五、擁抱不確定性與黑盒模型的合理性

傳統(tǒng)科研方法一般都追求精確解和最優(yōu)解，但復(fù)雜問(wèn)題往往具有不確定性和動(dòng)態(tài)變化的特點(diǎn)，難以找到形式化的精確解答。智能化科研（AI4R）的實(shí)踐表明，在不確定的環(huán)境中尋找最優(yōu)解或近似解，滿足科研的實(shí)際需求。放棄絕對(duì)性、擁抱不確定性是科研方法的重要轉(zhuǎn)變。

此外，科學(xué)研究就是一個(gè)將“黑盒模型”逐步轉(zhuǎn)化為“白盒模型”的過(guò)程，即從對(duì)某些現(xiàn)象或過(guò)程不了解逐步推進(jìn)到充分理解其內(nèi)部機(jī)制和原理。解決復(fù)雜度不高的問(wèn)題時(shí)，我們已掌握其基本原理，因此更強(qiáng)調(diào)可解釋性，盡可能采用白盒模型。但對(duì)于非常復(fù)雜的問(wèn)題，一開(kāi)始不可能有白盒模型，一定時(shí)期要適當(dāng)容忍黑盒模型，承認(rèn)其存在的合理性，才能有助于實(shí)際問(wèn)題的解決。

當(dāng)然，在容忍黑盒模型的過(guò)程中，為了防止黑盒模型潛在的失控或可能出現(xiàn)的不良后果，要加強(qiáng)科技倫理監(jiān)管，讓智能化科研始終在安全可控的軌道上良性發(fā)展。

改編：閆進(jìn)芳 文學(xué)博士，中國(guó)科普研究所博士后

審核專家：劉志遠(yuǎn) 科技導(dǎo)報(bào)社《前瞻科技》編輯部副編審

內(nèi)容來(lái)源：李國(guó)杰.智能化科研要適當(dāng)容忍“黑盒模型”.科技導(dǎo)報(bào).2024，（42）10.

注意：封面圖為版權(quán)圖庫(kù)圖片，轉(zhuǎn)載可能引發(fā)版權(quán)糾紛