人類科研范式的巨變或?qū)⑹锹菪缴仙倪^程，它充滿了探索、挑戰(zhàn)與革新。

世界上第一臺(tái)受專利保護(hù)的計(jì)算機(jī)

人類歷史上得到普遍認(rèn)可的較早期的機(jī)械式計(jì)算機(jī)之一，是1642年法國哲學(xué)家兼數(shù)學(xué)家布累斯·帕斯卡發(fā)明的加法器(Pascaline)。

帕斯卡發(fā)明它的目的，是幫助父親減少稅務(wù)計(jì)算上的勞作。而此后，二進(jìn)制和微積分的發(fā)明者萊布尼茨在加法器的基礎(chǔ)上，發(fā)明了人類第一臺(tái)可進(jìn)行四則運(yùn)算的機(jī)械計(jì)算機(jī)。

最早的計(jì)算機(jī)的誕生是讓數(shù)學(xué)家從繁冗、人力所不能及的數(shù)學(xué)計(jì)算中解脫，但因摩爾定律加持之下，人類計(jì)算能力得以快速增加，這是它被用于科研進(jìn)而邁進(jìn)公眾生活的一個(gè)前提。

然而，科研歷程中的一個(gè)關(guān)鍵性里程碑，便是成功攻克了“四色問題”。

數(shù)學(xué)界有名的四色問題

四色問題的起源將追溯到1852年，由英國數(shù)學(xué)家弗朗西斯·古德里（Francis Guthrie）提出。他在為英國地圖著色時(shí)，發(fā)現(xiàn)只需四種顏色就可確保相鄰區(qū)域顏色不同，隨后他向弗雷德里克·古德里（Frederick Guthrie）提出此問題。

其真正引起廣泛關(guān)注是在1878年，當(dāng)時(shí)英國數(shù)學(xué)家阿瑟·凱萊（Arthur Cayley）在倫敦?cái)?shù)學(xué)學(xué)會(huì)上公開提出了這個(gè)問題，并將其列為未解決的數(shù)學(xué)難題之一。

在19世紀(jì)末和20世紀(jì)初，許多數(shù)學(xué)家嘗試證明四色問題，但都未能成功。例如，阿爾弗雷德·肯普（Alfred Kempe）在1879年提出了一種證明方法，并一度被認(rèn)為解決了問題。因此，11年后，珀西·約翰·希伍德（Percy John Heawood）發(fā)現(xiàn)肯普證明中的錯(cuò)誤，表明四色問題仍未解決，這事件進(jìn)一步加深了數(shù)學(xué)界對四色問題的質(zhì)疑，甚至有人認(rèn)為它可能是一個(gè)無法被證明的假說。

四色猜想的推理證法

直到1976年，肯尼斯·阿佩爾（Kenneth Appel）和沃爾夫?qū)す希╓olfgang Haken）利用計(jì)算機(jī)輔助證明，才首次給出了四色問題的完整證明。其次，他們的證明方法也引發(fā)了爭議，因其依賴于計(jì)算機(jī)對大量具體案例的枚舉和驗(yàn)證，而非傳統(tǒng)的純數(shù)學(xué)推導(dǎo)。

與此同時(shí)，這種非傳統(tǒng)的證明方式使得部分?jǐn)?shù)學(xué)家對四色問題的“真正解決”持保留態(tài)度，甚至質(zhì)疑其是否能被視為嚴(yán)格的數(shù)學(xué)證明。

另外，比四色問題的解決更具有標(biāo)志性意義的，是現(xiàn)代計(jì)算機(jī)科學(xué)的最前沿：人工智能技術(shù)與科學(xué)的結(jié)合，而其代表事件則是2024年諾貝爾化學(xué)獎(jiǎng)的頒發(fā)。

這次由三人分享的化學(xué)獎(jiǎng)中，來自谷歌的英國科學(xué)家哈薩比斯和江珀，他們開發(fā)了一種名為AlphaFold2的人工智能模型，這種模型解決了一個(gè)已有50年歷史的難題，能夠預(yù)測大約兩億種已知蛋白質(zhì)的復(fù)雜結(jié)構(gòu)，并且已被全球200多萬人使用。（往期文章提到過）

物理學(xué)獎(jiǎng)?lì)C給AI科學(xué)家，諾貝爾獎(jiǎng)不走“尋常路”？

但由于AlphaFold的出現(xiàn)改變許多，其Fold指“折疊”——2018年，AlphaFold采用深度學(xué)習(xí)基礎(chǔ)上的FM預(yù)測策略，通過三個(gè)系統(tǒng)支撐（建模、預(yù)測、優(yōu)化），出道就拿下當(dāng)年蛋白質(zhì)預(yù)測大獎(jiǎng)；在2020年改進(jìn)后的模型AlphaFold2在第14屆CASP競賽上讓人“眼前一亮”，在給定預(yù)測蛋白質(zhì)中GDT平均得分92.4，遠(yuǎn)超競爭對手。

至此，深度學(xué)習(xí)支撐下的蛋白質(zhì)預(yù)測取得歷史性進(jìn)展，也開始消融TFM和FM之間的間隔，人類對于蛋白質(zhì)結(jié)構(gòu)預(yù)測乃至設(shè)計(jì)的能力得到極大增強(qiáng)。

AlphaFold1的預(yù)測過程

簡而言之，AI for Science，AI4S已成為常態(tài)，而去年的諾貝爾獎(jiǎng)更像是一個(gè)明確的信號(hào)，無疑使得人類再一次站到了科研范式的轉(zhuǎn)折點(diǎn)上；被簡化為“AI4S”的AI for Science（AI用于科研）理念也受到了國內(nèi)外科學(xué)家們的重點(diǎn)關(guān)注。

科學(xué)智能（AI for Science，AI4S），是指人工智能技術(shù)驅(qū)動(dòng)的科學(xué)研究，主應(yīng)用于探索未知的科學(xué)領(lǐng)域。AI4S概念由中國科學(xué)院院士、北京大學(xué)教授鄂維南于2018年首次提出。

此外，AI4S開啟了一種利用人工智能學(xué)習(xí)深?yuàn)W的科學(xué)原理來創(chuàng)造科學(xué)模型，以解決那些曾被認(rèn)為無解的實(shí)際問題的科研新范式。2021年，隨著英國“深度思維”（DeepMind）公司發(fā)布阿爾法折疊（AlphaFold），AI4S成為全球關(guān)注的焦點(diǎn)。

值得注意的是，AI4S的核心源于數(shù)據(jù)驅(qū)動(dòng)、模型智能和跨域融合，它能夠處理傳統(tǒng)方法難以應(yīng)對的高維、非線性問題，在海量數(shù)據(jù)中識(shí)別人類難以察覺的模式和關(guān)聯(lián)。

數(shù)據(jù)處理維度：深度學(xué)習(xí)算法能夠從海量實(shí)驗(yàn)數(shù)據(jù)中提取特征，發(fā)現(xiàn)傳統(tǒng)統(tǒng)計(jì)方法無法識(shí)別的模式。

模型構(gòu)建維度：物理信息神經(jīng)網(wǎng)絡(luò)（PINN）等新型建模方法，將物理定律與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合，實(shí)現(xiàn)了更精確的模型預(yù)測。

實(shí)驗(yàn)設(shè)計(jì)維度：強(qiáng)化學(xué)習(xí)算法能夠自主設(shè)計(jì)實(shí)驗(yàn)方案，優(yōu)化實(shí)驗(yàn)參數(shù)，大幅度提高實(shí)驗(yàn)效率。

當(dāng)前，AI4S的顯著特點(diǎn)是使用人工智能、機(jī)器學(xué)習(xí)和推理技術(shù)來處理和分析大數(shù)據(jù)，有效揭示數(shù)據(jù)之間的相互關(guān)系，并幫助科學(xué)家解決“維數(shù)詛咒”問題，從而更快、更準(zhǔn)確地理解復(fù)雜現(xiàn)象，其核心也是“知識(shí)自動(dòng)化”，與“工業(yè)5.0”的目標(biāo)相契合。

圖源：Google

首先，這三類技術(shù)的融合，與卡爾·波普爾的三個(gè)世界——物理世界、精神世界和人工世界相呼應(yīng)，這相比于大語言模型和大視覺模型（LVMs）代表了更廣闊的世界模型（World Model）視角。

其中，大模型技術(shù)表明，改造工業(yè)和科學(xué)研究最直接、最自然的方法是通過真實(shí)系統(tǒng)和人工系統(tǒng)的平行化，這包括從自然科學(xué)到人工科學(xué)的轉(zhuǎn)變，從物質(zhì)生產(chǎn)到人工制造的轉(zhuǎn)型等協(xié)同與合作。

其次，科學(xué)研究正從“大問題，大模型”轉(zhuǎn)向“小問題，大模型”，并在特定領(lǐng)域進(jìn)行垂直分割。這一趨勢，伴隨大型模型的持續(xù)進(jìn)步和智能代理（agent）技術(shù)的成熟，催生了新型“數(shù)字人科學(xué)家”的出現(xiàn)，他們專注于科學(xué)研究中的“小問題，大模型”。

或許，AI4S范式轉(zhuǎn)換期必然伴隨著更多的困難與挑戰(zhàn)。

科學(xué)哲學(xué)家托馬斯·庫恩的經(jīng)典著作《科學(xué)革命的結(jié)構(gòu)》被奉為圭臬，他也被公認(rèn)為20世紀(jì)最具影響力的科學(xué)哲學(xué)家之一。

庫恩的核心思想圍繞“范式理論”展開，這一理論為理解時(shí)代進(jìn)步提供了全新的視角。這意味著，庫恩認(rèn)為，在特定時(shí)代或領(lǐng)域中，只存在一個(gè)主導(dǎo)性的“主范式”，只有與之契合才能站在歷史發(fā)展的正確方向。

因此，范式本身具有強(qiáng)大的慣性，每一次新范式的轉(zhuǎn)換都需付出努力并承受相應(yīng)的代價(jià)。

由于篇幅受限，本次的AI4S就先介紹這么多......