AI预测蛋白结构、AI赋能药物和材料设计……AI技术发展到今天，在带来新方法、新工具的同时，也在赋能产业应用的实际场景。

　　“AI for Science(科学智能)的空间非常大，将全方位改变从科学研究到产业落地，下一代的产业很可能就在AI for Science基础上建立起来。”在近日的U8青年创新论坛上，中国科学院院士、北京大数据研究院院长鄂维南对当下科研学科建设、AI大数据产业短板等相关议题坦率地分享其观点。在他看来，AI for Science就是一个革命性的机会。它可以激发一场新的科学变革，重塑很多传统产业和科研模式。

　　在主旨论坛演讲中，鄂维南表示，做科研主要有两条路径，一条是数据驱动，另一条是模型驱动。数据驱动主要的困境在于缺乏高质量的数据，也缺乏好的数据分析方法；而模型驱动的困境则在于虽然我们发现了基本原理，但用它来解决实际问题却非常困难，总是陷入“精度与速度”难以两全的困境。

　　从2014年走上了机器学习的研究道路的鄂维南，因其数学背景出身，在研究机器学习时具有得天独厚的优势。“机器学习实际上就是在解决高维函数问题，当我开始进入机器学习领域，惊讶地发现，曾经在科学计算里碰到的精度与效率的两难，完全可以通过机器学习来解决。在基础科研路径中，无论是数据驱动还是模型驱动遇到的困难，AI都能提供新工具和新范式。”鄂维南说。于是他从2016年开始推动的AI for Science，将机器学习引入科学建模。

　　以机器学习为代表的人工智能，为基础科研带来了全新高维函数的表达工具和数据的分析工具，大大提高了原理模型驱动的可靠性和效率。在鄂维南看来，数据驱动和原理模型驱动二者的结合，必将让基础科研成为AI的“主战场”。

　　在科学智能的未来，定义问题的方式或许会被重塑为：“此问题是否有原理和数据？”哪怕只满足一条，也有机会将最尖端的科研问题推进至前人无法企及的程度，科研的疆域将被重新开辟。

　　2018年，由鄂维南等人在北京大学策划组织的讨论会中，AI for Science这一概念首次被明确提出。

　　在主旨报告中，鄂维南表示，近年来，人工智能的发展主要有两大趋势，一是大规模预训练模型流行，它可以完成多任务学习，ChatGPT的出现证明这条路已经走通。二是AI for Science形成共识，它可以改变科研范式，打破学科与学科之间的界限以及研究与产业之间的界限，影响实体经济，催生新的应用场景，未来有助于生物制药、材料设计等领域的系统化发展，而不再是靠猜、经验或者试错。

　　他表示，任何学科都需要用到量子力学、牛顿力学、电磁场理论等基本原理，光谱、质谱、电子扫描仪等实验手段，以及以往积累起来的数据库、知识库。AI for Science的前提是扎实巩固这些基础，推动走向“平台科研”模式，才有可能提供一种新的科研能力，即解决不同科研领域共性问题的能力。

　　鄂维南直言，没有人才储备的AI科研产业是没有后劲的，从长远来说，人才是最大的瓶颈。在论坛现场接受记者采访时，他亦不忘呼吁青年科技工作者勇于投身AI时代大潮，勉力创新。

　　据介绍，北京是最早系统性支持AI for Science的城市之一，2021年由鄂维南牵头成立的北京科学智能研究院，更是国际上首个以AI赋能科研为主题的研究机构，并推出了面向基本原理研究的DeepModeling开源社区平台。该院集中力量推进原创性、引领性创新，推出了首个覆盖元素周期表70余种元素的深度势能原子间势函数预训练模型DPA-1。

　　AI for Science的进展当前已超出预期，各行业都希望AI算法创新赋能到产业，进而解决行业面临的实际问题。鄂维南在主旨报告中也谈到了AI算法引领未来工业制造的发展趋势，他特别强调了在分子、原子等微观层面工业设计的重要性。他给出一个掷地有声的观点，“AI在宏观层面有巨大发展空间，但更基本、更重要的落地应是微观层面的工业制造。”

　　在鄂维南看来，AI for Science以基础设施为支撑，也在赋能工业应用的实际场景，将在材料科学、能源化工、航空航天、药物研发等方向上带来巨大变革。数据驱动与原理模型驱动结合后的AI研究成果将促进宏微观计算模拟的发展，成为工业设计的新起点。

　　“现在AI很火，但是其实两年前我们都在问为什么国内AI企业不挣钱？那么原因很有可能就在它的落地层面。”鄂维南直言，制造业是实体经济的顶梁柱，AI转化为生产力最终必然还是要落地在制造业层面，而其中最重要的途径就是通过AI for science推动国内制造业的革新换代，从工业化进入到智能化，中国在这方面有很好的优势和布局。