在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for...在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for Science政策文件。虽然各国因资源禀赋与制度差异选择不同发展路径,但普遍将AI for Science上升为国家级战略工程,呈现出科研流程实体自动化、科学数据资产化以及主权型科研基础设施建设等共同趋势。美国强调以国家动员体系巩固科技霸权,英国聚焦优势领域的敏捷突围策略,欧盟通过泛欧整合维护技术主权,日本则以理论驱动和标准引领构建竞争优势。国际经验对我国“十五五”时期推进AI for Science具有重要启示意义。应将AI for Science作为系统性战略任务整体布局,统筹算力、能源与科研网络建设,推动自动化实验平台与接口标准自主可控,完善科学数据资产化制度,通过有组织科研与复合型人才培养,为新质生产力发展提供持续动力。展开更多
AI for Science(又称AI4S,即人工智能驱动的科学研究)是指利用人工智能技术和方法来加速科学研究和发现的过程。近年来,AI4S在蛋白质结构预测、重大疾病诊断、化学材料合成等方面实现了密集突破,正在推动实验科学、理论科学和计算科学...AI for Science(又称AI4S,即人工智能驱动的科学研究)是指利用人工智能技术和方法来加速科学研究和发现的过程。近年来,AI4S在蛋白质结构预测、重大疾病诊断、化学材料合成等方面实现了密集突破,正在推动实验科学、理论科学和计算科学等传统科学研究范式变革,已成为全球科技强国争相抢占的战略制高点。展开更多
立足科技情报知识服务视角,梳理AI for Science (AI4S)推动的“平台科研”范式内涵与框架。根据库恩范式理论论述了AI4S推动科研范式革新的必然性,采用培根归纳法总结的科学研究流程作为框架线索,阐明创新知识服务与“平台科研”范式的...立足科技情报知识服务视角,梳理AI for Science (AI4S)推动的“平台科研”范式内涵与框架。根据库恩范式理论论述了AI4S推动科研范式革新的必然性,采用培根归纳法总结的科学研究流程作为框架线索,阐明创新知识服务与“平台科研”范式的互促共进关系并作为理论指导。创新知识服务视角下的“平台科研”范式以服务科研创新活动为宗旨,主要内容包括知识表示视角下的科学数据管理、知识融合视角下的通用知识库构建、知识推理视角下的科学假设预测、知识发现视角下的科学实验执行和知识应用视角下的工业赋能。本文提出了一种创新知识服务视角下的“平台科研”范式框架,旨在从创新知识服务角度理解“平台科研”范式,厘清各主要环节创新知识服务的核心研究内容,以期成为科技情报研究领域的新兴知识生长点,为我国抢抓AI4S科研范式革新机遇提供参考思路。展开更多
AI for Science的高质量发展对于加快实现高水平科技自立自强、建设世界科技强国具有重要意义。从AI、Science、for三个核心概念出发,探讨如何理解和发展AI for Science。在人机协作形态的历史演进中理解AI,即在感知性协作、肢体性协作...AI for Science的高质量发展对于加快实现高水平科技自立自强、建设世界科技强国具有重要意义。从AI、Science、for三个核心概念出发,探讨如何理解和发展AI for Science。在人机协作形态的历史演进中理解AI,即在感知性协作、肢体性协作、计算性协作到认知性协作的脉络中考察AI在科学研究中的角色。AI不再只是从外部为科研赋能,而是逐步介入科学家的思维过程,在认知层面与科学家建立深度协作。从全过程科研视角分析Science,AI不仅赋能科学知识生产,也推动科技传播的民主化与精准化,助力科研管理与评价的智能化。从技术—社会系统的视角来看,为了更好地释放AI for Science的潜力,应着眼于面向AI for Science的科研生态系统整体建设。未来应从人才培养、科研组织、数据资源、伦理治理等行动领域出发,提升科研人员的AI for Science胜任力、推动跨领域合作、促进高质量数据流通与共享以及加强科技伦理治理。展开更多
当前,人工智能正推动科学发现从传统的经验试错阶段迈向智能化、自动化的新阶段,引发了一场深刻的范式革命。本文提出,科学智能(AI for Science)不仅是技术工具的升级,更是一场重塑知识生产方式的智能化革命,标志着第五科研范式的全面...当前,人工智能正推动科学发现从传统的经验试错阶段迈向智能化、自动化的新阶段,引发了一场深刻的范式革命。本文提出,科学智能(AI for Science)不仅是技术工具的升级,更是一场重塑知识生产方式的智能化革命,标志着第五科研范式的全面兴起。科学智能通过自主假说生成、闭环实验验证与端到端建模,显著提升了传统科研在知识整合、数据处理、理论拓展和实验验证等方面的效率,实现了科研效率的指数级跃升。尤为关键的是,科学智能的“规模法则”与“飞轮效应”正推动科研从分散化的“小作坊”模式向平台化、协同化和工业化模式转变。这一变革为破解中国在“卡脖子”领域长期受制于人的问题提供了全新路径,也为中国发挥全产业链优势、实现科技—产业高效转化带来历史性机遇。本文强调,中国必须超越支持单个项目的传统思维,加快构建以数据为基础、算力为支撑、模型为核心、应用为牵引的国家战略科技力量体系。本文建议设立跨部门协同机制,推动形成开放共享的智能科研生态,将“人工智能+”行动深度融入基础研究与产业创新全链条,抢占全球科技竞争制高点,为发展新质生产力提供核心引擎。展开更多
面对复杂而又充斥着不确定性的科学研究活动,生成式人工智能工具的广泛应用正引领一种新的科学研究范式——“人工智能驱动的科学研究(AI for Science)范式”。研究发现,已有关于AI for Science的研究大多依据吉姆·格雷(Jim Gray)...面对复杂而又充斥着不确定性的科学研究活动,生成式人工智能工具的广泛应用正引领一种新的科学研究范式——“人工智能驱动的科学研究(AI for Science)范式”。研究发现,已有关于AI for Science的研究大多依据吉姆·格雷(Jim Gray)的划分方式展开探讨,忽视了科学研究范式划分的不同历史传统。其中,关于科学研究范式的历史形态是多种多样的,不同的学科定位、视域和关注点会形成不同的划分结果。格雷的划分方式侧重于科学研究手段或方法的变化,而科学研究活动主要由科研主体、方法和对象组成。与传统的科学研究活动相比,人工智能驱动的科学研究活动在科研主体上存在着较大的差异,这是与以往科学研究范式相比具有显著区别的变革,当然也有科学研究对象等其他因素的变化。追问AI for Science引发的科学研究范式革命,对于考察科学研究范式的划分问题提供了新视角。展开更多
AI for Science正在多个层面深度重构科学知识生产方式。在微观层面,AI不仅实现了对个体认知行为技术性替代的增强,更通过提示工程重塑人机交互范式,增强个体对分散知识与集体智慧的调用能力;在中观层面,AI进一步打破了跨领域、跨时空...AI for Science正在多个层面深度重构科学知识生产方式。在微观层面,AI不仅实现了对个体认知行为技术性替代的增强,更通过提示工程重塑人机交互范式,增强个体对分散知识与集体智慧的调用能力;在中观层面,AI进一步打破了跨领域、跨时空的科研协作壁垒,提升了协作的规模、效率与灵活性,驱动科研组织形态从传统的集中式科层结构向分布式协作网络及算法驱动的管理模式演化;在宏观层面,AI使得全球科技竞争日益聚焦于AI基础设施的建设,重新定义了国家创新能力的核心内涵,并对社会创新网络产生深远影响。未来需要从不同层面协同探索,充分释放AI for Science的变革潜力,催生更具突破性的知识生产模式。展开更多
[目的/意义]梳理AI for Science(AI4S)领域的研究现状与发展趋势,为AI在科学研究中的应用提供前瞻性洞见。[方法/过程]以2015—2024年WoS核心数据库中AI4S领域相关文献为研究对象,将文献计量分析与BERTopic模型相结合,针对该领域的发文...[目的/意义]梳理AI for Science(AI4S)领域的研究现状与发展趋势,为AI在科学研究中的应用提供前瞻性洞见。[方法/过程]以2015—2024年WoS核心数据库中AI4S领域相关文献为研究对象,将文献计量分析与BERTopic模型相结合,针对该领域的发文趋势、发文国家、核心作者进行主题识别和发展趋势分析。[结果/结论]研究表明,AI4S领域相关文献数量呈指数型增长趋势,中国发文量居首位,但被引次数略低于美国,核心研究群体主要集中在国外学者。文章还识别出22个主题,并将其归纳为6大研究方向,重点应用领域包括人工智能与教育科技研究、医疗健康与人工智能诊断、精准农业与气候变化、材料化学与深度学习和高性能锂电池技术,其中AI与精准农业、AI与心理健康、AI与锂电池技术等是近年的研究热点。展开更多
随着生物信息学在药学领域的重要性日益增加,传统的教学方法在课时、连贯性和实验条件方面存在诸多不足。本文探讨了AI for Science在药学专业生物信息学教学中的应用,特别是基于AI for Science框架的一站式计算机辅助药物计算设计平台H...随着生物信息学在药学领域的重要性日益增加,传统的教学方法在课时、连贯性和实验条件方面存在诸多不足。本文探讨了AI for Science在药学专业生物信息学教学中的应用,特别是基于AI for Science框架的一站式计算机辅助药物计算设计平台Hermite的引入,以及如何解决传统教学的不足,为提升药学专业课程教学质量提供了新的思路和方法。展开更多
引言当前,人工智能技术在科学研究领域加速应用,成为破解科研阻梗和加速科学进程的“神兵利器”,AI for Science正成为全球科技强国争相抢占的新高地。本文剖析AI for Science的概念内涵,梳理发展历程与应用现状,分析研判其发展带来的...引言当前,人工智能技术在科学研究领域加速应用,成为破解科研阻梗和加速科学进程的“神兵利器”,AI for Science正成为全球科技强国争相抢占的新高地。本文剖析AI for Science的概念内涵,梳理发展历程与应用现状,分析研判其发展带来的机遇与面临的挑战,认为其在变革科研范式、提升科学实验水平、解决高维复杂问题、加速跨学科融合和压缩创新链路等方面具有重要意义,同时也面临高质量数据稀缺、AI算法短板、跨学科协作难、高性能计算资源稀缺,以及伦理监管等挑战,并提出五项发展建议,以期支撑AI for Science前沿技术与应用落地加速发展,推动前沿科学领域加速突破,助力我国科技强国建设。展开更多
人工智能驱动的科学研究(AI for Science)被视为科学发现的第五范式的曙光。依循演绎主义的科学研究逻辑,梳理了人工智能在科学假设生成、数据收集以及分析挖掘中的应用。人工智能“数据算法算力”三原则,对科学数据的质量、算法的复杂...人工智能驱动的科学研究(AI for Science)被视为科学发现的第五范式的曙光。依循演绎主义的科学研究逻辑,梳理了人工智能在科学假设生成、数据收集以及分析挖掘中的应用。人工智能“数据算法算力”三原则,对科学数据的质量、算法的复杂性以及计算能力提出了更高的要求。AI for Science时代预计会出现科技巨头、AI专家、软硬件工程师、政府以及教育机构等紧密协同的新型科研模式。然而,AI算法的黑箱特性对科学研究的可解释性和可重复性构成潜在威胁。因此,在推进人工智能驱动的科学研究的发展过程中,必须坚持伦理优先的原则,注重科学数据的安全性管理,防范化解大模型分布外泛化带来的解释性弱等问题。展开更多
近年来,在算法、数据、算力三大引擎驱动下,人工智能(artificial intelligence,AI)发展迅速,并在AlphaFold3、核聚变智能控制、新冠药物设计等前沿领域取得诸多令人瞩目的成果。AI驱动的科学研究(AI for Science,AI4S)解决了科学数据分...近年来,在算法、数据、算力三大引擎驱动下,人工智能(artificial intelligence,AI)发展迅速,并在AlphaFold3、核聚变智能控制、新冠药物设计等前沿领域取得诸多令人瞩目的成果。AI驱动的科学研究(AI for Science,AI4S)解决了科学数据分析维度高、尺度跨度大以及局限性科研实验制约大规模跨学科科研活动的瓶颈问题,促进科学研究迈向以“平台协作”为主要特征的新模式。分析了AI4S的国际态势,梳理了当前我国农业数字化发展现状及现实困境,将文献、统计数据、调研案例分析相结合,提出推动AI4S赋能我国农业发展的实践路径。AI4S将成为撬动农业生产从“看天、看地、看庄稼”的传统模式向智能感知、智能决策、可视化管理等模式转变的强力引擎,推动科学研究从单打独斗的“小农作坊模式”迈向“安卓模式”的平台科研。在此平台上,科研人员共享算力、模型、算法、数据库和知识库等基础设施,围绕农业全产业链全生命周期研发应用,通过“滚雪球效应”加速科研创新和成果应用。利用AI技术赋能农业生产数字化、网络化和智能化,为支撑理论-实验的在线迭代,还需要完善高质量农业科学数据资源体系、适度超前推进AI关键技术与基础设施、优化新范式下的交叉创新科研生态、加强农业数据安全监管、制定完善的配套政策和激励机制等措施来打通数据壁垒,推动AI+农业落地,从源头强化农业科技创新,推动农业强国建设。展开更多
当前,人工智能领域的科技研发与应用,取得了诸多骄人的成果。尤其是生成式人工智能工具的广泛应用,使人工智能驱动的科学研究(AI for Science)范式成为现阶段引领人工智能研究的一种全新科学范式——“第五范式”。对此,科技部和国家自...当前,人工智能领域的科技研发与应用,取得了诸多骄人的成果。尤其是生成式人工智能工具的广泛应用,使人工智能驱动的科学研究(AI for Science)范式成为现阶段引领人工智能研究的一种全新科学范式——“第五范式”。对此,科技部和国家自然科学基金委员会正式启动了“人工智能驱动的科学研究”专项部署工作,基于跨学科融合的AI for Science的研究纷纷呈现。本文从此角度切入,对AI for Science理论做了简要概述,分析了跨学科融合的AI for Science多元化投入的现状,并针对其中存在的问题,研究了跨学科融合的AI for Science多元化投入机制。以期通过本文的分析与研究,能够为这种全新范式的成熟与应用提供参考与借鉴。展开更多
在AI for Science时代,电池设计自动化智能研发(battery design automation,BDA)平台通过整合先进的人工智能技术,为电池研发领域带来了革命性进展。BDA平台覆盖了文献调研、实验设计、合成制备、表征测试和分析优化这五个电池研发的关...在AI for Science时代,电池设计自动化智能研发(battery design automation,BDA)平台通过整合先进的人工智能技术,为电池研发领域带来了革命性进展。BDA平台覆盖了文献调研、实验设计、合成制备、表征测试和分析优化这五个电池研发的关键环节,利用机器学习、多尺度建模、预训练模型等先进算法,结合软件工程开发用户交互友好的工具,加速从理论设计到实验验证的整个电池研发周期。通过自动化的实验设计、合成制备、表征测试和性能优化,BDA平台不仅提升了研发效率,还提高了电池设计的精确度和可靠性,推动了电池技术向更高能量密度、更长循环寿命和更低成本的方向发展。展开更多
[Objective]This study aims to address the inefficiency of AI-for-Science tasks caused by the design and implementation challenges of applying the distributed parallel computing strategies to deep learning models,as we...[Objective]This study aims to address the inefficiency of AI-for-Science tasks caused by the design and implementation challenges of applying the distributed parallel computing strategies to deep learning models,as well as their inefficient execution.[Methods]We propose an automatic distributed parallelization method for AI-for-Science tasks,called FlowAware.Based on the AI-for-Science framework JAX,this approach thoroughly analyzes task characteristics,operator structures,and data flow properties of deep learning models.By incorporating cluster topology information,it constructs a search space for distributed parallel computing strategies.Guided by load balancing and communication optimization objectives,FlowAware automatically identifies optimal distributed parallel computing strategies for AI models.[Results]Comparative experiments conducted on both GPU-like accelerator clusters and GPU clusters demonstrated that FlowAware achieves a throughput improvement of up to 7.8×compared to Alpa.[Conclusions]FlowAware effectively enhances the search efficiency of distributed parallel computing strategies for AI models in scientific computing tasks and significantly improves their computational performance.展开更多
战术博弈对抗仿真作为作战分析、模拟训练、装备论证试验的重要手段,已经成为战斗力生成的重要途径。将人工智能技术引入仿真,有利于进一步提高仿真效率、减少人员依赖。为帮助战术博弈对抗从业人员更好地掌握人工智能的应用方法、树立...战术博弈对抗仿真作为作战分析、模拟训练、装备论证试验的重要手段,已经成为战斗力生成的重要途径。将人工智能技术引入仿真,有利于进一步提高仿真效率、减少人员依赖。为帮助战术博弈对抗从业人员更好地掌握人工智能的应用方法、树立系统理念、把握发展趋势,在简要介绍AI4S(AI for Science)原理的基础上,开展了AI4S应用于战术博弈对抗仿真的效能分析,构建了AI4S驱动的博弈对抗仿真体系,阐述了其体系构成、关系及架构,讨论了应用范围及应用框架,展示了一个AI4S驱动陆战兵棋推演和指挥训练的案例。展开更多
The global health landscape has been persistently challenged by the emergence and re-emergence of infectious diseases.Traditional epidemiological models,rooted in the early 2oth century,have provided foundational in-s...The global health landscape has been persistently challenged by the emergence and re-emergence of infectious diseases.Traditional epidemiological models,rooted in the early 2oth century,have provided foundational in-sights into disease dynamics.However,the intricate web of modern global interactions and the exponential growth of available data demand more advanced predictive tools.This is where AI for Science(AI4S)comes into play,offering a transformative approach by integrating artificial intelligence(Al)into infectious disease pre-diction.This paper elucidates the pivotal role of AI4s in enhancing and,in some instances,superseding tradi-tional epidemiological methodologies.By harnessing AI's capabilities,AI4S facilitates real-time monitoring,sophisticated data integration,and predictive modeling with enhanced precision.The comparative analysis highlights the stark contrast between conventional models and the innovative strategies enabled by AI4S.In essence,Al4S represents a paradigm shift in infectious disease research.It addresses the limitations of traditional models and paves the way for a more proactive and informed response to future outbreaks.As we navigate the complexities of global health challenges,Al4S stands as a beacon,signifying the next phase of evolution in disease prediction,characterized by increased accuracy,adaptability,and efficiency.展开更多
Monge–Ampere equations(MAEs)are fully nonlinear second-order partial differential equations(PDEs),which are closely related to various fields including optimal transport(OT)theory,geometrical optics and affine geomet...Monge–Ampere equations(MAEs)are fully nonlinear second-order partial differential equations(PDEs),which are closely related to various fields including optimal transport(OT)theory,geometrical optics and affine geometry.Despite their significance,MAEs are extremely challenging to solve.Although some classical numerical approaches can solve MAEs,their computational efficiency deteriorates significantly on fine grids,with convergence often heavily dependent on the quality of initial estimate.Research on deep learning methods for solving MAEs is still in its early stages,which predominantly addresses simple formulations with basic Dirichlet boundary conditions.Here,we propose a deep learning method based on physicsdriven deep neural networks,enabling the solution of both simple and generalised MAEs with transport boundary conditions.In this method,we deal with two first-order sub-equations separated from MAE instead of solving the single MAE directly,which facilitates the imposition of transport boundary conditions and simplifies the training of neural networks.Moreover,we constrain the convexity of solution using the Lagrange multiplier method and maintain the optimisation process differentiable with bilinear interpolation.We provide three progressively complex examples ranging from a simple MAE with an analytical solution to a highly nonlinear variant arising in phase retrieval to validate the effectiveness of our method.For comparison,we benchmark against state-of-the-art deep learning approaches that have been systematically adapted to accommodate the specific requirements of each example.展开更多
文摘在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for Science政策文件。虽然各国因资源禀赋与制度差异选择不同发展路径,但普遍将AI for Science上升为国家级战略工程,呈现出科研流程实体自动化、科学数据资产化以及主权型科研基础设施建设等共同趋势。美国强调以国家动员体系巩固科技霸权,英国聚焦优势领域的敏捷突围策略,欧盟通过泛欧整合维护技术主权,日本则以理论驱动和标准引领构建竞争优势。国际经验对我国“十五五”时期推进AI for Science具有重要启示意义。应将AI for Science作为系统性战略任务整体布局,统筹算力、能源与科研网络建设,推动自动化实验平台与接口标准自主可控,完善科学数据资产化制度,通过有组织科研与复合型人才培养,为新质生产力发展提供持续动力。
文摘AI for Science(又称AI4S,即人工智能驱动的科学研究)是指利用人工智能技术和方法来加速科学研究和发现的过程。近年来,AI4S在蛋白质结构预测、重大疾病诊断、化学材料合成等方面实现了密集突破,正在推动实验科学、理论科学和计算科学等传统科学研究范式变革,已成为全球科技强国争相抢占的战略制高点。
文摘立足科技情报知识服务视角,梳理AI for Science (AI4S)推动的“平台科研”范式内涵与框架。根据库恩范式理论论述了AI4S推动科研范式革新的必然性,采用培根归纳法总结的科学研究流程作为框架线索,阐明创新知识服务与“平台科研”范式的互促共进关系并作为理论指导。创新知识服务视角下的“平台科研”范式以服务科研创新活动为宗旨,主要内容包括知识表示视角下的科学数据管理、知识融合视角下的通用知识库构建、知识推理视角下的科学假设预测、知识发现视角下的科学实验执行和知识应用视角下的工业赋能。本文提出了一种创新知识服务视角下的“平台科研”范式框架,旨在从创新知识服务角度理解“平台科研”范式,厘清各主要环节创新知识服务的核心研究内容,以期成为科技情报研究领域的新兴知识生长点,为我国抢抓AI4S科研范式革新机遇提供参考思路。
文摘AI for Science的高质量发展对于加快实现高水平科技自立自强、建设世界科技强国具有重要意义。从AI、Science、for三个核心概念出发,探讨如何理解和发展AI for Science。在人机协作形态的历史演进中理解AI,即在感知性协作、肢体性协作、计算性协作到认知性协作的脉络中考察AI在科学研究中的角色。AI不再只是从外部为科研赋能,而是逐步介入科学家的思维过程,在认知层面与科学家建立深度协作。从全过程科研视角分析Science,AI不仅赋能科学知识生产,也推动科技传播的民主化与精准化,助力科研管理与评价的智能化。从技术—社会系统的视角来看,为了更好地释放AI for Science的潜力,应着眼于面向AI for Science的科研生态系统整体建设。未来应从人才培养、科研组织、数据资源、伦理治理等行动领域出发,提升科研人员的AI for Science胜任力、推动跨领域合作、促进高质量数据流通与共享以及加强科技伦理治理。
文摘当前,人工智能正推动科学发现从传统的经验试错阶段迈向智能化、自动化的新阶段,引发了一场深刻的范式革命。本文提出,科学智能(AI for Science)不仅是技术工具的升级,更是一场重塑知识生产方式的智能化革命,标志着第五科研范式的全面兴起。科学智能通过自主假说生成、闭环实验验证与端到端建模,显著提升了传统科研在知识整合、数据处理、理论拓展和实验验证等方面的效率,实现了科研效率的指数级跃升。尤为关键的是,科学智能的“规模法则”与“飞轮效应”正推动科研从分散化的“小作坊”模式向平台化、协同化和工业化模式转变。这一变革为破解中国在“卡脖子”领域长期受制于人的问题提供了全新路径,也为中国发挥全产业链优势、实现科技—产业高效转化带来历史性机遇。本文强调,中国必须超越支持单个项目的传统思维,加快构建以数据为基础、算力为支撑、模型为核心、应用为牵引的国家战略科技力量体系。本文建议设立跨部门协同机制,推动形成开放共享的智能科研生态,将“人工智能+”行动深度融入基础研究与产业创新全链条,抢占全球科技竞争制高点,为发展新质生产力提供核心引擎。
文摘面对复杂而又充斥着不确定性的科学研究活动,生成式人工智能工具的广泛应用正引领一种新的科学研究范式——“人工智能驱动的科学研究(AI for Science)范式”。研究发现,已有关于AI for Science的研究大多依据吉姆·格雷(Jim Gray)的划分方式展开探讨,忽视了科学研究范式划分的不同历史传统。其中,关于科学研究范式的历史形态是多种多样的,不同的学科定位、视域和关注点会形成不同的划分结果。格雷的划分方式侧重于科学研究手段或方法的变化,而科学研究活动主要由科研主体、方法和对象组成。与传统的科学研究活动相比,人工智能驱动的科学研究活动在科研主体上存在着较大的差异,这是与以往科学研究范式相比具有显著区别的变革,当然也有科学研究对象等其他因素的变化。追问AI for Science引发的科学研究范式革命,对于考察科学研究范式的划分问题提供了新视角。
文摘AI for Science正在多个层面深度重构科学知识生产方式。在微观层面,AI不仅实现了对个体认知行为技术性替代的增强,更通过提示工程重塑人机交互范式,增强个体对分散知识与集体智慧的调用能力;在中观层面,AI进一步打破了跨领域、跨时空的科研协作壁垒,提升了协作的规模、效率与灵活性,驱动科研组织形态从传统的集中式科层结构向分布式协作网络及算法驱动的管理模式演化;在宏观层面,AI使得全球科技竞争日益聚焦于AI基础设施的建设,重新定义了国家创新能力的核心内涵,并对社会创新网络产生深远影响。未来需要从不同层面协同探索,充分释放AI for Science的变革潜力,催生更具突破性的知识生产模式。
基金2024年度上海市重点智库课题“人工智能驱动科研范式变革研究及对上海布局AI for Science的启示”。
文摘[目的/意义]梳理AI for Science(AI4S)领域的研究现状与发展趋势,为AI在科学研究中的应用提供前瞻性洞见。[方法/过程]以2015—2024年WoS核心数据库中AI4S领域相关文献为研究对象,将文献计量分析与BERTopic模型相结合,针对该领域的发文趋势、发文国家、核心作者进行主题识别和发展趋势分析。[结果/结论]研究表明,AI4S领域相关文献数量呈指数型增长趋势,中国发文量居首位,但被引次数略低于美国,核心研究群体主要集中在国外学者。文章还识别出22个主题,并将其归纳为6大研究方向,重点应用领域包括人工智能与教育科技研究、医疗健康与人工智能诊断、精准农业与气候变化、材料化学与深度学习和高性能锂电池技术,其中AI与精准农业、AI与心理健康、AI与锂电池技术等是近年的研究热点。
基金Al for science赋能药学专业《生物信息学》课程实践教学研究(No.230807576295841)。
文摘随着生物信息学在药学领域的重要性日益增加,传统的教学方法在课时、连贯性和实验条件方面存在诸多不足。本文探讨了AI for Science在药学专业生物信息学教学中的应用,特别是基于AI for Science框架的一站式计算机辅助药物计算设计平台Hermite的引入,以及如何解决传统教学的不足,为提升药学专业课程教学质量提供了新的思路和方法。
文摘引言当前,人工智能技术在科学研究领域加速应用,成为破解科研阻梗和加速科学进程的“神兵利器”,AI for Science正成为全球科技强国争相抢占的新高地。本文剖析AI for Science的概念内涵,梳理发展历程与应用现状,分析研判其发展带来的机遇与面临的挑战,认为其在变革科研范式、提升科学实验水平、解决高维复杂问题、加速跨学科融合和压缩创新链路等方面具有重要意义,同时也面临高质量数据稀缺、AI算法短板、跨学科协作难、高性能计算资源稀缺,以及伦理监管等挑战,并提出五项发展建议,以期支撑AI for Science前沿技术与应用落地加速发展,推动前沿科学领域加速突破,助力我国科技强国建设。
文摘人工智能驱动的科学研究(AI for Science)被视为科学发现的第五范式的曙光。依循演绎主义的科学研究逻辑,梳理了人工智能在科学假设生成、数据收集以及分析挖掘中的应用。人工智能“数据算法算力”三原则,对科学数据的质量、算法的复杂性以及计算能力提出了更高的要求。AI for Science时代预计会出现科技巨头、AI专家、软硬件工程师、政府以及教育机构等紧密协同的新型科研模式。然而,AI算法的黑箱特性对科学研究的可解释性和可重复性构成潜在威胁。因此,在推进人工智能驱动的科学研究的发展过程中,必须坚持伦理优先的原则,注重科学数据的安全性管理,防范化解大模型分布外泛化带来的解释性弱等问题。
文摘近年来,在算法、数据、算力三大引擎驱动下,人工智能(artificial intelligence,AI)发展迅速,并在AlphaFold3、核聚变智能控制、新冠药物设计等前沿领域取得诸多令人瞩目的成果。AI驱动的科学研究(AI for Science,AI4S)解决了科学数据分析维度高、尺度跨度大以及局限性科研实验制约大规模跨学科科研活动的瓶颈问题,促进科学研究迈向以“平台协作”为主要特征的新模式。分析了AI4S的国际态势,梳理了当前我国农业数字化发展现状及现实困境,将文献、统计数据、调研案例分析相结合,提出推动AI4S赋能我国农业发展的实践路径。AI4S将成为撬动农业生产从“看天、看地、看庄稼”的传统模式向智能感知、智能决策、可视化管理等模式转变的强力引擎,推动科学研究从单打独斗的“小农作坊模式”迈向“安卓模式”的平台科研。在此平台上,科研人员共享算力、模型、算法、数据库和知识库等基础设施,围绕农业全产业链全生命周期研发应用,通过“滚雪球效应”加速科研创新和成果应用。利用AI技术赋能农业生产数字化、网络化和智能化,为支撑理论-实验的在线迭代,还需要完善高质量农业科学数据资源体系、适度超前推进AI关键技术与基础设施、优化新范式下的交叉创新科研生态、加强农业数据安全监管、制定完善的配套政策和激励机制等措施来打通数据壁垒,推动AI+农业落地,从源头强化农业科技创新,推动农业强国建设。
文摘当前,人工智能领域的科技研发与应用,取得了诸多骄人的成果。尤其是生成式人工智能工具的广泛应用,使人工智能驱动的科学研究(AI for Science)范式成为现阶段引领人工智能研究的一种全新科学范式——“第五范式”。对此,科技部和国家自然科学基金委员会正式启动了“人工智能驱动的科学研究”专项部署工作,基于跨学科融合的AI for Science的研究纷纷呈现。本文从此角度切入,对AI for Science理论做了简要概述,分析了跨学科融合的AI for Science多元化投入的现状,并针对其中存在的问题,研究了跨学科融合的AI for Science多元化投入机制。以期通过本文的分析与研究,能够为这种全新范式的成熟与应用提供参考与借鉴。
文摘在AI for Science时代,电池设计自动化智能研发(battery design automation,BDA)平台通过整合先进的人工智能技术,为电池研发领域带来了革命性进展。BDA平台覆盖了文献调研、实验设计、合成制备、表征测试和分析优化这五个电池研发的关键环节,利用机器学习、多尺度建模、预训练模型等先进算法,结合软件工程开发用户交互友好的工具,加速从理论设计到实验验证的整个电池研发周期。通过自动化的实验设计、合成制备、表征测试和性能优化,BDA平台不仅提升了研发效率,还提高了电池设计的精确度和可靠性,推动了电池技术向更高能量密度、更长循环寿命和更低成本的方向发展。
基金supported by the National Key Research and Development Program of China(2023YFB3001501)the National Natural Science Foundation of China(NSFC)(62302133)+3 种基金the Key Research and Development Program of Zhejiang Province(2024C01026)the Yangtze River Delta Project(2023ZY1068)Hangzhou Key Research Plan Project(2024SZD1A02)the GHfund A(202302019816).
文摘[Objective]This study aims to address the inefficiency of AI-for-Science tasks caused by the design and implementation challenges of applying the distributed parallel computing strategies to deep learning models,as well as their inefficient execution.[Methods]We propose an automatic distributed parallelization method for AI-for-Science tasks,called FlowAware.Based on the AI-for-Science framework JAX,this approach thoroughly analyzes task characteristics,operator structures,and data flow properties of deep learning models.By incorporating cluster topology information,it constructs a search space for distributed parallel computing strategies.Guided by load balancing and communication optimization objectives,FlowAware automatically identifies optimal distributed parallel computing strategies for AI models.[Results]Comparative experiments conducted on both GPU-like accelerator clusters and GPU clusters demonstrated that FlowAware achieves a throughput improvement of up to 7.8×compared to Alpa.[Conclusions]FlowAware effectively enhances the search efficiency of distributed parallel computing strategies for AI models in scientific computing tasks and significantly improves their computational performance.
文摘战术博弈对抗仿真作为作战分析、模拟训练、装备论证试验的重要手段,已经成为战斗力生成的重要途径。将人工智能技术引入仿真,有利于进一步提高仿真效率、减少人员依赖。为帮助战术博弈对抗从业人员更好地掌握人工智能的应用方法、树立系统理念、把握发展趋势,在简要介绍AI4S(AI for Science)原理的基础上,开展了AI4S应用于战术博弈对抗仿真的效能分析,构建了AI4S驱动的博弈对抗仿真体系,阐述了其体系构成、关系及架构,讨论了应用范围及应用框架,展示了一个AI4S驱动陆战兵棋推演和指挥训练的案例。
基金This work was supported in part by the New Generation Artificial Intelligence Development Plan of China(2015-2030)(Grant No.2021ZD0111205)the National Natural Science Foundation of China(Grant Nos.72025404,72293575 and 72074209).
文摘The global health landscape has been persistently challenged by the emergence and re-emergence of infectious diseases.Traditional epidemiological models,rooted in the early 2oth century,have provided foundational in-sights into disease dynamics.However,the intricate web of modern global interactions and the exponential growth of available data demand more advanced predictive tools.This is where AI for Science(AI4S)comes into play,offering a transformative approach by integrating artificial intelligence(Al)into infectious disease pre-diction.This paper elucidates the pivotal role of AI4s in enhancing and,in some instances,superseding tradi-tional epidemiological methodologies.By harnessing AI's capabilities,AI4S facilitates real-time monitoring,sophisticated data integration,and predictive modeling with enhanced precision.The comparative analysis highlights the stark contrast between conventional models and the innovative strategies enabled by AI4S.In essence,Al4S represents a paradigm shift in infectious disease research.It addresses the limitations of traditional models and paves the way for a more proactive and informed response to future outbreaks.As we navigate the complexities of global health challenges,Al4S stands as a beacon,signifying the next phase of evolution in disease prediction,characterized by increased accuracy,adaptability,and efficiency.
基金supported by CAAI-Huawei MindSpore Open Fund(CAAIXSJLJJ-2022-010A).
文摘Monge–Ampere equations(MAEs)are fully nonlinear second-order partial differential equations(PDEs),which are closely related to various fields including optimal transport(OT)theory,geometrical optics and affine geometry.Despite their significance,MAEs are extremely challenging to solve.Although some classical numerical approaches can solve MAEs,their computational efficiency deteriorates significantly on fine grids,with convergence often heavily dependent on the quality of initial estimate.Research on deep learning methods for solving MAEs is still in its early stages,which predominantly addresses simple formulations with basic Dirichlet boundary conditions.Here,we propose a deep learning method based on physicsdriven deep neural networks,enabling the solution of both simple and generalised MAEs with transport boundary conditions.In this method,we deal with two first-order sub-equations separated from MAE instead of solving the single MAE directly,which facilitates the imposition of transport boundary conditions and simplifies the training of neural networks.Moreover,we constrain the convexity of solution using the Lagrange multiplier method and maintain the optimisation process differentiable with bilinear interpolation.We provide three progressively complex examples ranging from a simple MAE with an analytical solution to a highly nonlinear variant arising in phase retrieval to validate the effectiveness of our method.For comparison,we benchmark against state-of-the-art deep learning approaches that have been systematically adapted to accommodate the specific requirements of each example.
