“人工智能驱动的科学研究（AI for Science）是一场正在发生的科技革命，它不仅会带来科研范式的变革，催生新的产业业态，而且，在此背景下，创新也更容易发生。”昨天（4月2日），中国科学院院士、北京大学讲席教授鄂维南在出席浦江创新论坛时直言，未来，科研模式将告别“作坊模式”，转为类似“安卓模式”的平台科研，所有的学科边界将被打破，科研和产业都将发生巨变。

　　对科研人员而言，挑战不言而喻，新的机遇也应运而生。“不过，推进AI for Science，不仅需要看到AI逻辑，更重要的是看到科学逻辑。”他同时分析，就AI for Science来看，我国的起步比较早，面对这一千载难逢的机遇，需要政府、学界和产业界共同携手，共同推动中国的科技创新，争取成为新赛道的领跑者。

　　鄂维南是国际上AI for Science最早的推动者之一。昨天的论坛期间，他接受了本报记者的专访。

　　AI for Science为何会成为全球人工智能领域的新前沿，备受学界关注？

　　“过去几十年甚至上百年来，科学研究一直面临着一些困境。如今，随着AI的发展，科学研究将迎来一系列新的突破。”鄂维南分析，传统的科研方法，不论是基本原理驱动的方法还是数据驱动的方法，面临的一个核心困难，在于一些科学问题因为自由度太多产生了“维数灾难”，即随着维数增加，计算量呈指数级增加。同时，对于一些非线性问题，用传统的科研方法，无法找到理想的解决方式。但是，深度神经网络的加入为这些高维问题提供了有效的解决方法。比如，作为典型的数据驱动方法，AlphaFold2完成了超过2亿个蛋白质结构预测，一举解决了困扰生物科学多年的基础问题。

　　“自然科学和工程科学常用的基础物理模型，都可以用人工智能或者机器学习的方法来设计新的模型和新的算法。这也是化学、材料、生物、工程等传统科学领域将成为人工智能主战场的原因。同时，这也将进一步催生新一代的产业模式。”在鄂维南看来，现有的实体经济、工业制造等都是以传统科学领域为“基石”而构建的，随着AI在这些传统科学领域的应用，未来将逐步改变生物制药、芯片、材料、工业制造等产业的模式。

　　“随着AI for Science的发展，科研范式也将从效率相对比较低的‘作坊模式’转变为类似‘安卓模式’的平台科研。”鄂维南说，所谓“作坊模式”，即传统的科研模式下，课题组完成和科研任务有关的所有事务。比如，一个研究计算材料研究的课题组，其成员研究的领域将覆盖量子力学计算、分子动力学势函数、分子动力学计算以及数据分析等，可谓事无巨细均由一个团队完成。

　　而代表未来方向的“安卓模式”，则有望通过AI推动下一代工具建设并将所有的科研工具整合在大平台上。所有的科研人员都可以通过这个平台获得自己需要的研究工具，开展自己感兴趣的课题研究。“这也将助力打破各个领域和各个学科之间的隔阂。”鄂维南分析，要做到这一点，依赖于四大基础设施的建设，分别是：高精度、高效率的模型算法和数据分析方法；高效率、高精度的实验表征方法；替代文献的数据库和知识库；专用芯片和高度整合的计算能力。

　　同样，开放的“社区建设”也会成为重要趋势。从2018年开始，在鄂维南的努力下，由中国主导开发的全球化开源社区DeepModeling，集成机器学习和物理模型相结合的科学计算方法、模型、基础设施，吸引了一批国内外的科研人员。目前，这个平台的开发者中，60%来自中国，还有40%则来自世界各地。

　　“在平台科研的基础上，针对具体的应用场景，通过‘垂直整合’的方式组织科学团队、实验团队、产业界专家联合进行攻关，必将极大提升科研的效率以及产业发展。”鄂维南说。

　　就像AI会逐渐替代一部分劳动力，继而给劳动力市场带来深刻改变一般，眼下，不少学者也开始热议，随着AI在科研工作中的替代率越来越高，未来，科学家所从事研究工作是否也会受到影响？

　　鄂维南认为，影响肯定有，但可以预见的是，未来从事科研的人会越来越多，而不是越来越少。

　　“一方面，科研领域里的‘体力活’确实交给AI来完成更好。另一方面，未来的科研，对从业者的素质能力要求更高。比如，更需要从实际生产和生活中凝练真正的科学问题；再如，需要科研人员具备更有创造性的思维，拥有对创造性科研方案的设计能力。”鄂维南分析，从另一方面来看，在AI for Sci ence的背景下，平台科研将不断发展，由此，科研工作者将有更多机会跨越学科边界，在自己感兴趣的领域从事创新研究，而这也从某种程度上为科研的原始创新积累更多机会。个中道理很简单，基础研究原始创新的源头，正是来自于诸多的自由探索。