OpenAI 科學家 Jason Wei 預測，未來一年內(nèi)，AI 重點將從推廣大眾需求轉(zhuǎn)為促進科學發(fā)展，無獨有偶，DeepMind 剛剛發(fā)布的 36 頁報告也揭示出：全球?qū)嶒炇?AI 使用正在指數(shù)級增長，AI for Science 真正的黃金時代即將來臨。

過去兩年，AI 主打用戶增長，成功實現(xiàn)了大眾化普及。畢竟，拉新才是商業(yè)王道。

然而，如今 AI 日常的應用已經(jīng)快卷到天花板了。對于世界上絕大多數(shù)人的普通查詢，許多 LLM 都能給出相當不錯的回答。

速度、流暢性已經(jīng)足夠滿足絕大多數(shù)用戶的需求。即便再優(yōu)化，提升空間也有限 —— 畢竟這類問題的技術(shù)難度不高。

或許，未來真正值得關(guān)注的是科學和工程領(lǐng)域。

OpenAI 科學家 Jason Wei 最近發(fā)帖預測：在接下來的一年內(nèi)，AI 的關(guān)注重點可能會從日常使用轉(zhuǎn)向科學領(lǐng)域。

他認為，未來五年，AI 關(guān)注的重點將轉(zhuǎn)向硬核領(lǐng)域 —— 用 AI 加速科學和工程。因為這才是真正推動技術(shù)進步的引擎。

普通用戶的簡單問題，改進空間已經(jīng)不大了。

但每個科學前沿領(lǐng)域都有巨大的改進空間，而 AI 正好可以發(fā)力，去致力于解決那些能推動科技飛躍的「1% 的頂尖問題」。

AI 不僅有回答這些問題的潛力，還能激發(fā)人們?nèi)ニ伎几蟮奶魬?zhàn)。

而且，AI 的進展還能加速 AI 本身的研究，幫助自己變得更強。AI 的進步是復利的，可謂是正反饋之王。

說白了，未來五年就是「AI 科學家」、「AI 工程師」的時代。

DeepMind 最近發(fā)的一篇論文也暗示了這一趨勢：全球各地的實驗室里，科學家們對 AI 的使用正以指數(shù)級增長。

報告地址：https://storage.googleapis.com/deepmind-media/DeepMind.com/Assets/Docs/a-new-golden-age-of-discovery_nov-2024.pdf

AI 加速科學創(chuàng)新發(fā)現(xiàn)的黃金時代

如今，每三位博士后研究員中就有一位使用大語言模型來協(xié)助完成文獻綜述、編程和文章撰寫等工作。

今年的諾貝爾化學獎也出乎了所有人的意料，頒發(fā)給了 AlphaFold 2 的發(fā)明人 Demis Hassabis 和 John Jumper。同時，這也啟發(fā)了大量科學家將 AI 應用到自己的科學領(lǐng)域中，以求得更多的創(chuàng)新性發(fā)現(xiàn)。

過去半世紀，科學家人數(shù)猛增，僅美國就翻了七倍多，但科技帶來的社會進步卻放緩了。

原因之一是，現(xiàn)代科學家面臨的規(guī)模和復雜性挑戰(zhàn)越來越棘手。

不過，深度學習擅長搞定這種復雜局面，還能大幅壓縮科學發(fā)現(xiàn)的時間成本。

比如，傳統(tǒng) X 射線晶體學花幾年、燒 10 萬美元搞定一個蛋白質(zhì)結(jié)構(gòu)，而 AlphaFold 直接免費給你 2 億種預測，秒殺傳統(tǒng)方法。

五大機遇

對于在不同科學研究階段難以突破研究瓶頸的科學家們來講，把握住使用 AI 的關(guān)鍵機遇，或許就能促進誕生強有力的新發(fā)現(xiàn)。

五個能夠利用 AI 來促進科研的機遇

1. 知識 —— 改變科學家獲取和傳遞知識的方式

科學家要想推動新發(fā)現(xiàn)，必須掌握一套日益專業(yè)化且指數(shù)增長的知識體系。

這種「知識負擔」讓顛覆性發(fā)現(xiàn)越來越倚重年長科學家和頂尖大學的跨學科團隊，同時也導致小團隊獨立撰寫論文的比例持續(xù)下滑。

而且，大多數(shù)科學成果仍以晦澀難懂、英語為主的論文形式分享，限制了政策制定者、企業(yè)和公眾的關(guān)注與興趣。

如今，科學家和公眾都能借助 LLM 破局。

例如，有團隊用谷歌 Gemini 一天內(nèi)從 20 萬篇論文中提煉出相關(guān)見解；普通人也可用 LLM 輕松摘要和問答，獲取專業(yè)學術(shù)知識，瞬間拉近與前沿科學的距離。

2. 數(shù)據(jù) —— 生成、提取和標注大型科學數(shù)據(jù)集

盡管我們處于數(shù)據(jù)爆炸時代，許多自然和社會領(lǐng)域中，科學數(shù)據(jù)卻嚴重匱乏，如土壤、深海、大氣層和非正式經(jīng)濟。

AI 正助力改變這一現(xiàn)狀。它能減少在 DNA 測序、檢測樣本中具體細胞類型或捕捉動物聲音時可能發(fā)生的噪聲和錯誤。

科學家們還可以利用 LLM 越來越強的多模態(tài)能力，從科學出版物、檔案文件以及視頻圖像等資源中提取非結(jié)構(gòu)化的科學數(shù)據(jù)，并將其轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)集，以做后續(xù)研究。

AI 還可以幫助為科學數(shù)據(jù)添加科學家所需的輔助信息。例如，至少三分之一的微生物蛋白質(zhì)在執(zhí)行功能中的細節(jié)未能被可靠地注釋。

經(jīng)過可靠性評估驗證的 AI 模型也可以作為新的合成科學數(shù)據(jù)的來源。例如，AlphaProteo 蛋白質(zhì)設計模型是在 AlphaFold 2 中超過 1 億個 AI 生成的蛋白質(zhì)結(jié)構(gòu)以及蛋白質(zhì)數(shù)據(jù)庫中的實驗結(jié)構(gòu)上進行訓練的。

3. 實驗 —— 模擬、加速并指導復雜實驗

科學實驗常因成本高昂、復雜且耗時難以執(zhí)行。還有一些實驗因為研究人員無法獲得所需的設施、人力或?qū)嶒灢牧隙鵁o法進行。

核聚變就是一個典型例子。它有望提供一種幾乎無限、無排放的能源來源，并可能支持諸如海水淡化等高能耗的創(chuàng)新性大規(guī)模應用。但控制等離子體所需的托卡馬克反應堆復雜昂貴。ITER 原型從 2013 年建造，預計 2030 年代中期才開始實驗。

AI 可通過模擬加速實驗進程。

一種方法是利用強化學習智能體來對物理系統(tǒng)進行模擬。例如，研究者與洛桑聯(lián)邦理工合作，用強化學習控制托卡馬克等離子體形狀，這一方法還可用于粒子加速器、望遠鏡等設施。

在不同學科中，利用 AI 模擬實驗的方式可能各不相同，但一個共同點是，這些模擬通常用于指導和優(yōu)化現(xiàn)實實驗，而非完全替代它們。

以基因研究為例，普通人平均有 9000 多個錯義變異，大多無害，但少數(shù)會致病?，F(xiàn)實中，僅能逐個測試蛋白質(zhì)的影響。而 AlphaMissense 能快速分類 7100 萬潛在變異中的 89%，幫助科學家聚焦高風險變異，加速疾病研究。

AlphaMissense 對所有可能的 7100 萬個錯義變體的致病性的預測

4. 模型 —— 建模復雜系統(tǒng)及其組件之間的相互作用

1960 年，諾貝爾獎得主物理學家 Eugene Wigner 感嘆數(shù)學方程在模擬自然現(xiàn)象（如行星運動）中「出乎意料的有效性」。

但面對生物學、經(jīng)濟學、天氣等復雜系統(tǒng)，傳統(tǒng)方程模型漸顯乏力，因為這些系統(tǒng)充滿動態(tài)性、隨機性，還常伴涌現(xiàn)和混沌，難以預測和控制。這些方程能提供非常有用但并不完美的近似，且運行這些方法也需要高昂的計算成本。

AI 卻能從復雜數(shù)據(jù)中挖掘規(guī)律。例如，谷歌的深度學習系統(tǒng)能快速預測未來 10 天天氣，速度與準確性雙殺傳統(tǒng)數(shù)值模型。

同時，AI 還能幫減緩氣候問題，如用 AI 預測潮濕區(qū)域的出現(xiàn)時間和位置，幫助飛行員避開會加劇全球變暖的凝結(jié)尾跡。

即便 AI 十分強大，它更多是豐富而非取代傳統(tǒng)的復雜系統(tǒng)建模。

例如，基于智能體的建模通過模擬個體行為者（如企業(yè)和消費者）之間的交互，來理解這些交互如何影響更大、更復雜的系統(tǒng)（如社會經(jīng)濟）。

在傳統(tǒng)方法中，科學家需要事先規(guī)定這些智能體的行為方式。

如今，科學家可以利用大語言模型創(chuàng)建更靈活的生成式智能體，這些智能體能夠進行溝通和行動，例如搜索信息或購買，同時還能對這些行動進行推理和記憶。

科學家還可以利用強化學習研究這些智能體如何在更動態(tài)的模擬中學習和調(diào)整其行為，例如對于新的能源價格或疫情響應政策的反應。

5. 解決方案 —— 為大規(guī)模搜索空間問題提出解決方案

很多重要的科學問題都伴隨著許多幾乎無法理解的潛在解決方案。

比如，生物學家和化學家需要確定分子（如蛋白質(zhì)）的結(jié)構(gòu)、特性和功能，才能設計出用作抗體藥物、降解塑料的酶或新型材料的一些新分子。

然而，要設計一種小分子藥物，科學家需要面對超過 10^60 種潛在選擇；要設計一種由 400 種標準氨基酸組成的蛋白質(zhì)，則需要面對 20^400 種選擇。

這種大規(guī)模搜索空間不僅限于分子，還廣泛存在于許多科學問題中，比如尋找數(shù)學問題的最佳證明、計算機芯片的最佳設計架構(gòu)等。

傳統(tǒng)上，科學家依賴直覺、試錯法、迭代或暴力計算的某種組合來尋找最佳分子、證明或算法。然而，這些方法難以充分遍歷龐大的搜索空間，從而無法發(fā)現(xiàn)更優(yōu)的解決方案。

如今，AI 能夠更好地探索這些龐大的搜索空間，同時更快地聚焦于最有可能可行且有效的解決方案。

今年 7 月，AlphaProof 和 AlphaGeometry2 成功解決了國際數(shù)學奧林匹克競賽中六道題目中的四道。它們利用 Gemini 大語言模型架構(gòu)，為給定的數(shù)學問題生成大量潛在解決方案，并結(jié)合基于數(shù)學邏輯的系統(tǒng)，迭代地實現(xiàn)接近最可能正確的候選解決方案。

AI 科學家還是 AI 賦能的科學家？

即便 AI 系統(tǒng)的能力在不斷提升，其最大的邊際效益依舊會源于將其應用在能夠突顯其相對優(yōu)勢的場景之中。

比如快速從海量數(shù)據(jù)集中快速提取信息的能力，以及幫助解決科學進步中的真正瓶頸問題；而非企圖讓人類科學家已擅長的任務實現(xiàn)自動化。

隨著 AI 推動科學變得更經(jīng)濟高效，社會對于科學和科學家的需求也會隨之增加。

和其他行業(yè)不同，科學的需求幾乎是無限的，而科技也并不會降低對科學家的需求。新的進展總會在科學的版圖上開拓出全新的、難以預測的領(lǐng)域，AI 亦是如此。

正如司馬賀所設想的那樣，AI 系統(tǒng)自身也是科學研究的對象，科學家會在評估和闡釋其科學能力以及開發(fā)新型人類-AI 科學系統(tǒng)方面起到主導作用。

關(guān)鍵要素

這一部分，文章深入探討了實現(xiàn)「AI for Science」的幾個關(guān)鍵因素，并將其歸納為一個「AI for Science 生產(chǎn)函數(shù)」的模型。

模型展示了如何利用 AI 推動科學研究和創(chuàng)新的不同階段以及需要關(guān)注的核心內(nèi)容。

從科學研究的問題選擇（Problem selection）、模型評估（Evaluations）開始，通過計算資源（Compute）和數(shù)據(jù)（Data）這些基礎設施的支持，在開展研究過程中注重組織模式設計（Organizational design）和跨學科（Interdisciplinarity），形成成果，并最終通過采納（Adoption）將研究成果轉(zhuǎn)化為實際影響。底部的合作（Partnerships）、安全與責任（Safety & responsibility）貫穿始終，確保整個流程高效且符合道德規(guī)范。

雖然很多要素看起來直觀，但 DeepMind 的論文揭示了一些在實踐中重要的經(jīng)驗教訓。

1. 問題選擇

科學進步的關(guān)鍵是找到真正值得解決的問題。

在 DeepMind，科學團隊通常會先評估一個研究問題是否足夠重要，是否值得投入大量時間和資源。

DeepMind 的 CEO Demis Hassabis 提出過一個思維模型：將整個科學視為一棵知識之樹。

那么，最重要的是找到樹的根 —— 像蛋白質(zhì)結(jié)構(gòu)預測、量子化學這些基礎性的「根源問題」，它們一旦得到解決，就能開枝散葉，解鎖全新的研究和應用。

而在這些問題當中，要判斷 AI 是否能帶來增益，我們需要尋找具備特定特征的問題，例如巨大的組合搜索空間、大量數(shù)據(jù)，以及可用于衡量性能的明確目標函數(shù)。

許多最近的突破，就來自于重要科學問題和成熟 AI 方法的碰撞。

例如，DeepMind 在核聚變研究的進展就得益于新發(fā)布的強化學習算法 —— 最大后驗策略優(yōu)化（maximum a posteriori policy optimization）。

選對問題很重要，但問題的難度也得剛好。一個適合 AI 的問題，通常是能夠產(chǎn)生中間結(jié)果的問題。

如果問題太難，就沒法產(chǎn)生足夠的反饋推動進展。要做到這一點，需要靠需要直覺與實驗的結(jié)合。

2. 模型評估

科學 AI 研究中，模型的評估方法也很重要。

科學家常常通過基準測試、指標和競賽等評估方法來評估 AI 模型的科學能力。

如果設計得當，這些評估方法不僅可以用來跟蹤進展，還能激發(fā)方法創(chuàng)新，激活研究人員對科學問題的興趣。

不同的情況需要不同的評估方法。

比如，DeepMind 的天氣預測團隊最初用基于幾個關(guān)鍵變量（如地表溫度）的「進展指標」來提升模型表現(xiàn)。

當模型達到一定性能水平時，他們采用了一個更全面的評估方法，其中包括 1300 多個指標。這些指標的設計受歐洲中期天氣預報中心（ECMWF）評價評分卡啟發(fā)。

團隊也發(fā)現(xiàn) AI 模型有時會在某些指標上「作弊」，比如「雙重懲罰」問題 ——「模糊」預測（如預測降雨在較大地理區(qū)域內(nèi)發(fā)生）比「精準」預測（如預測暴風雨的位置略微偏離實際位置）受到的懲罰更少。

為進一步驗證，團隊還評估了模型在下游任務中的實用性，例如預測氣旋路徑的能力，以及表征可能導致洪水的「大氣河流」（集中濕氣的狹窄帶）的強度。

最具影響力的科學 AI 評估方法通常是社區(qū)主導的，比如蛋白質(zhì)結(jié)構(gòu)預測競賽（CASP）。

該競賽自 1994 年由 John Moult 教授和 Krzysztof Fidelis 教授發(fā)起，每兩年舉行一次。CASP 的目標是通過測試各參賽團隊的蛋白質(zhì)結(jié)構(gòu)預測方法的準確性，推動相關(guān)領(lǐng)域的技術(shù)創(chuàng)新，并加深對蛋白質(zhì)折疊和結(jié)構(gòu)的理解。

不過，這也帶來了基準可能「泄露」到 AI 模型訓練數(shù)據(jù)中的風險，讓模型「作弊」，從而降低基準用于跟蹤模型進展的效用。

「作弊」問題暫時沒有完美的解決方案，但至少需要定期更新基準，鼓勵更開放的第三方評估和競賽。

3. 計算資源

計算資源是 AI 和科學發(fā)展的核心引擎，但也是節(jié)能減排的焦點之一。

AI 實驗室和政策制定者需要從長遠視角平衡模型需求與效率提升。

比如，蛋白質(zhì)設計模型小巧高效，而大語言模型訓練時計算密集，但微調(diào)和推理時所需計算量則比較少；通過優(yōu)化數(shù)據(jù)或?qū)⒋竽Ｐ汀刚麴s」成小模型，也可以進一步降低計算成本。

同時，也需要對比 AI 與其他科學方法的資源消耗。

例如，AI 驅(qū)動的天氣預測模型盡管訓練耗費資源，但整體效率可能優(yōu)于傳統(tǒng)方法。實證數(shù)據(jù)的持續(xù)跟蹤可以幫助明確這些趨勢，并為未來計算需求的規(guī)劃提供依據(jù)。

此外，計算戰(zhàn)略不應僅關(guān)注芯片供應的充足性，更需優(yōu)先建設關(guān)鍵基礎設施和提升工程技能，以保障資源訪問和系統(tǒng)可靠性。然而，學術(shù)界和公共研究機構(gòu)在這些方面往往資源不足，需要更多支持。

4. 數(shù)據(jù)

像計算資源一樣，數(shù)據(jù)是科學 AI 發(fā)展的基礎設施，需要持續(xù)開發(fā)、維護和更新。

人們常著眼于政策制定者推動的新數(shù)據(jù)集創(chuàng)建。

例如，2012 年美國政府啟動的材料項目繪制了無機晶體圖譜，為 DeepMind 最近的 GNoME 項目預測 220 萬種新材料提供了數(shù)據(jù)支持。

但許多科學 AI 突破往往來自更有機的數(shù)據(jù)涌現(xiàn)，這些數(shù)據(jù)得益于有遠見的個人或小團隊的努力。

像當時 Broad 研究所的 Daniel MacArthur 領(lǐng)導開發(fā)的 gnomAD 遺傳變異數(shù)據(jù)集，為 DeepMind 的 AlphaMissense 項目提供了基礎。

還有，數(shù)學工具 Lean 最初由 Leonardo de Moura 開發(fā)，如今已成 AI 數(shù)學模型（如 AlphaProof）的重要訓練資源。

這些案例說明，除了自上而下的戰(zhàn)略規(guī)劃，還需要激勵研究者在數(shù)據(jù)收集、整理和共享中扮演更積極的角色。

當前，許多濕實驗室的實驗數(shù)據(jù)因缺乏資金支持而被丟棄；而蛋白質(zhì)數(shù)據(jù)銀行（PDB）的高質(zhì)量數(shù)據(jù)則受益于期刊要求和專業(yè)數(shù)據(jù)整理員制定的統(tǒng)一標準。相比之下，基因組數(shù)據(jù)的整理因標準不一，則常需額外整合和清洗。

此外，還有許多高質(zhì)量數(shù)據(jù)集完全未被利用，比如因許可限制無法公開的生物多樣性數(shù)據(jù)，或幾十年核聚變實驗的歷史數(shù)據(jù)。這些瓶頸無論是由于缺乏資源、時間，還是由于數(shù)據(jù)禁運期，都會阻礙 AI 在科學領(lǐng)域的潛力釋放。

5. 組織模式設計

學術(shù)界偏自下而上，工業(yè)界偏自上而下，但頂尖實驗室往往能找到二者間的平衡。

像貝爾實驗室和施樂帕洛阿爾托研究中心的黃金年代，就以自由探索的研究模式著稱。這也為 DeepMind 的創(chuàng)立提供了靈感。

最近，一批新興科學機構(gòu)試圖從這些例子中汲取經(jīng)驗，復刻這種研究模式。它們希望推動更多高風險、高回報的研究，削減官僚主義，為科學家提供更好的激勵。

這些機構(gòu)致力于解決一些科學中規(guī)模過大、學術(shù)界無法承擔，但在工業(yè)界又不夠盈利的問題，例如擴展 Lean 證明助手，這一工具對 AI 數(shù)學研究至關(guān)重要。

這些機構(gòu)的核心目標在于，將自上而下的協(xié)調(diào)與對科學家自下而上的賦能相結(jié)合。既不能完全依賴科學家自由發(fā)揮（可能導致效率低下或研究方向分散），也不能強行控制每一步（會扼殺創(chuàng)造力）。

理想狀態(tài)下，機構(gòu)為科學家提供清晰的目標、資源和支持，但具體的研究方法和過程由科學家自己主導。

找到這種平衡不僅能吸引頂尖研究領(lǐng)導者，也是成功的關(guān)鍵。Demis Hassabis 稱之為協(xié)調(diào)尖端研究的核心秘訣。

這種平衡同樣適用于具體項目。比如在 DeepMind，研究常在「探索」狀態(tài)（團隊尋找新想法）和「利用」狀態(tài)（團隊專注于工程和性能擴展）兩種模式間切換。

掌握模式切換時機和調(diào)整團隊節(jié)奏，是一門藝術(shù)。

6. 跨學科

跨學科合作是破解科學難題的鑰匙，卻常被學科壁壘卡住。

科學 AI 的研究往往需要多學科起步，但真正的突破來自跨學科的深度融合。這不僅是把人湊在一起，而是讓團隊共同開發(fā)共享的方法和思想。

比如，DeepMind 的 Ithaca 項目用 AI 修復受損的古希臘銘文。為了成功，AI 研究負責人要鉆研銘文學，而銘文學家也需要理解 AI 模型，因為直覺對這一工作至關(guān)重要。

培養(yǎng)這種團隊動態(tài)需要正確的激勵機制。團隊能做到這一點，靠的是專注于解決問題，而不是搶論文署名 —— 這也是 AlphaFold 2 成功的關(guān)鍵。

這種專注在工業(yè)實驗室更易實現(xiàn)，也凸顯了長期公共研究資金的重要性 —— 它需要擺脫對發(fā)表壓力的過度依賴。

為了實現(xiàn)真正的跨學科合作，組織還需要為能夠幫助融合學科的人創(chuàng)造角色和職業(yè)路徑。

在 DeepMind，研究工程師推動研究與工程的良性循環(huán)，項目經(jīng)理加強團隊協(xié)作并連接不同項目。DeepMind 還優(yōu)先招募擅長發(fā)現(xiàn)學科交叉的人，并鼓勵科學家和工程師定期更換項目。

關(guān)鍵是打造一種文化 —— 好奇心驅(qū)動、尊重差異、敢于爭論。經(jīng)濟歷史學家 Joel Mokyr 稱這種文化為「爭議性」（contestability）：不同背景的研究者能公開探討，彼此批評又共同進步。

這種文化的實踐可以通過定期舉辦跨學科研討會、開放討論平臺以及鼓勵團隊內(nèi)外互動來實現(xiàn)。

這段修復的銘文（IG I3 4B）記錄了一項與雅典衛(wèi)城相關(guān)的法令，時間可追溯至公元前 485 年至 484 年

7. 采用

科學 AI 工具如 AlphaFold 既專業(yè)化又通用：它們專注少量任務，卻服務廣泛科學界，從研究疾病到改進漁業(yè)。

然而，科學進展轉(zhuǎn)化為實際應用并不簡單。例如，疾病的病原理論（germ-theory）從提出到被廣泛接受經(jīng)歷了漫長的時間，而科學突破所催生的下游產(chǎn)品（如新型抗生素）也常常由于缺乏合適的市場激勵而未能得到充分開發(fā)。

為了促進模型的落地應用，我們在科學家采用與商業(yè)目標、安全風險等因素之間尋找平衡，并設立了一個專門的影響力加速器（Impact Accelerator），以推動研究的落地應用，并鼓勵社會公益方向的合作。

要讓科學家更容易用上新工具，集成流程必須簡單。

在 AlphaFold 2 開發(fā)中，我們不僅開源代碼，還聯(lián)合 EMBL-EBI 創(chuàng)建數(shù)據(jù)庫，供計算資源有限的科學家輕松查詢 2 億種蛋白質(zhì)結(jié)構(gòu)。

AlphaFold 3 進一步擴展了功能，但預測需求激增。為此，我們推出 AlphaFold Server，科學家可按需生成結(jié)構(gòu)。

同時，科學界還自發(fā)開發(fā)工具如 ColabFold，顯示對多樣化需求的重視及培養(yǎng)科學界計算能力的重要性。

迄今為止，來自全球 190 多個國家的超過 200 萬用戶已訪問 AlphaFold 蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫，瀏覽了 700 多萬個結(jié)構(gòu)

科學家信任 AI 模型，才會用它。推廣關(guān)鍵在于明確模型的用途和局限。

比如，在 AlphaFold 開發(fā)中，我們設計了不確定性指標，通過直觀可視化展示模型對預測的信心，并與 EMBL-EBI 合作推出培訓模塊，指導如何解讀置信度并用實際案例強化信任。

類似地，Med-Gemini 系統(tǒng)在健康問答上表現(xiàn)優(yōu)異。它通過生成多條推理鏈評估答案分歧計算不確定性。當不確定性高時，自動調(diào)用網(wǎng)絡搜索整合最新信息。

這種方法既提升了可靠性，也讓科學家對決策過程一目了然，信任倍增。

Med-Gemini-3D 能夠為 CT 掃描生成報告，這比標準 X 光成像復雜得多。在此示例中，Med-Gemini-3D 的報告正確地包含了原始放射科醫(yī)生報告中遺漏的一處病變（用綠色標出）

8. 合作

科學 AI 離不開多領(lǐng)域協(xié)作，公共和私營部門的合作尤為關(guān)鍵。

從數(shù)據(jù)集創(chuàng)建到成果共享，這種合作貫穿項目全程。

比如，AI 模型設計的新材料是否可行，需要資深材料科學家的評估；DeepMind 設計的抗 SARS-CoV-2 蛋白質(zhì)，能否如預期結(jié)合目標，也需與克里克研究所合作進行濕實驗驗證。甚至在數(shù)學領(lǐng)域，F(xiàn)unSearch 解決 Cap Set 問題，也得益于數(shù)學家 Jordan Ellenberg 的專業(yè)指導。

鑒于工業(yè)實驗室在推動 AI 發(fā)展中的核心作用，以及對豐富領(lǐng)域知識的需求，公共與私營部門的合作在推動科學 AI 前沿發(fā)展方面的重要性將日益凸顯。為此，必須加大對公私合作的支持，比如為大學和研究機構(gòu)與企業(yè)的聯(lián)合團隊提供更多資金。

但合作不簡單。各方需盡早就目標和關(guān)鍵問題達成一致：研究成果歸屬、是否發(fā)表論文、數(shù)據(jù)和模型是否開源、適用的許可協(xié)議等，都可能引發(fā)爭議。這些分歧通常反映了雙方不同的激勵，但成功合作往往建立在清晰的價值互換之上。

比如，AlphaFold 蛋白質(zhì)數(shù)據(jù)庫能覆蓋 200 萬用戶，正是因為結(jié)合了我們的 AI 模型與 EMBL-EBI 的生物數(shù)據(jù)管理專長。這種優(yōu)勢互補式合作，不僅高效，還能讓 AI 潛力最大化。

參考資料：

• https://deepmind.google/public-policy/ai-for-science/

• https://x.com/_jasonwei/status/1861496796314493376

本文來自微信公眾號：微信公眾號（ID：null），作者：新智元

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。