信息技术
随着深度学习等技术近年来的突破，人工智能（AI）在数学、物理学、化学、生物学、材料学、制药等自然科学和高技术领域的研究中得到了广泛应用。例如，DeepMind利用机器学习方法辅助发现数学猜想和定理证明；生物学领域中AlphaFold2已经可以预测超过350000种人类基因组蛋白质，以及超过100万个物种的2.14亿个蛋白质，几乎涵盖了地球上所有已知的蛋白质，解决了困扰结构生物学50年的难题；DeepMind和瑞士等离子体中心合作提出将强化学习用于优化托卡马克内部的核聚变等离子体控制；华盛顿大学戴维·贝克教授团队利用AI技术精准地从头设计出能够穿过细胞膜的大环多肽分子，创新了口服药物设计的新思路。这一系列人工智能技术的成功应用都标志着以AI for Science（智能化科研）为核心的第五科研范式已经成为提升科研效率，推进科学发现和科技创新的强大工具，有望带来人类社会的重大变革。
虽然AI for Science应用领域非常广泛，但在不同学科领域的应用又有所差别。笔者认为可以将其进一步细分为广义和狭义的AI for Science。其中，广义的AI for Science 是多种人工智能技术在科学技术领域的广泛应用，既包括了自然科学领域的规律和知识发现（如数学猜想的证明、物理规律的发现等），也涵盖了解决高技术领域的关键技术难题（如超短临天气预报、托卡马克控制、生物制药等）。狭义的AI for Science重点强调自然科学领域的内在规律、知识和结构发现，如发现行星运动的开普勒定律、发现人类基因组蛋白质结构等。与狭义的AI for Science不同，AI用于解决高技术领域的关键技术难题主要依赖于发明和创造出新的人造物（artifacts），包括新方案、新方法、新工具和新产品等。AI在高技术领域的应用，由于其应用目的、技术路线等方面和狭义的AI for Science有所不同，笔者认为更适合将其归类到AI for Technology（技术智能）的范畴。
表1总结了狭义的AI for Science和AI for Technology的区别。
从应用目的来看，如前所述，AI for Science目的是希望发现自然科学领域人类目前未知的运行机制、机理、规律、结构等；而AI for Technology更强调的是发明创造出满足特定需求的方案、方法、工具和物品等。以信息论来进行类比，AI for Science可以看作是信息编码和压缩的过程，通过AI将大量观察数据编码成符号化的规律或知识；AI for Technology可以看作是信息解码和解压缩的过程，通过AI将大量满足需求规范的样例解码成人造物的具体设计细节和组成成分。从输出结果来看，AI for Science本身具有强烈的探索性，其输出结果是事先未知的；AI for Technology是设计出符合预定义需求规范的人造物，其输出结果是精确已知的。从技术路线来看，AI for Science主要利用了AI的强大建模能力，实现对大量观察数据的准确拟合；而AI for Technology则更侧重于利用AI的生成能力，以生成满足需求规范的目标人造物。从算法精度要求上看，AI for Science追求的是大量数据下统计意义的可接受性，要求输出的结果可以合理地解释自然现象（输入数据），如输入数据符合特定的统计分布规律；而AI for Technology强调的是单个个体的精确，要求输出的个体结果能够精确地满足预定义需求规范，如计算机程序自动设计要求输出的程序代码能够正确满足功能和性能规范。从这个角度看，AI for Technology对AI算法提出了更高的精度要求。
实际上，有关AI for Technology的研究自AI诞生以来就一直备受关注。1969年，诺贝尔经济学奖及图灵奖获得者、人工智能的奠基人之一赫伯特·西蒙（Herbet Simon）在其《人工科学》（The Sciences of the Artificial）一书中对“自然物”和“人造物”进行了区分，并明确了发明创造满足人类需求的人造物本身也是门科学（artificial science），可以通过基于计算机程序的通用问题求解系统（general problem solver）来建模人类解决问题的流程，以实现“无人干预的设计”。赫伯特·西蒙和另一位人工智能的奠基人艾伦·纽威尔（Allen Newell）实现了通用问题求解系统，以自动解决多种不同类型的问题。这本质上是把人类求解问题的过程建模成由机器自动完成的搜索过程。其中的重要组成部分是“生成器—测试”（Generator-Test）的循环，即通过生成器产生大量的潜在候选，然后通过测试来确定候选是否满足需求规范，反复迭代直到找到满足需求的候选。
参考上述流程，可以将AI for Technology建模成为“搜索+验证”的流程。“搜索+验证”流程的核心是通过搜索算法挑选合适的候选，自动验证所挑选的候选是否满足需求规范，如果不满足则需要自动修改和调整以生成新的候选，直到最终的输出结果满足需求。近年来，随着AI技术的快速演进，有望同时提升上述搜索和验证的效率，在扩大应用领域的同时加速整个问题求解的流程。
文章摘编自《中国科学院院刊》2024年第1期，专题：大力推进科研范式变革，文章标题：AI for Technology：技术智能在高技术领域的应用实践与未来展望
作者：陈云霁 郭崎
【我们尊重原创，也注重分享。版权原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。分享内容不代表本网观点，仅供参考。】