为贯彻落实国家《新一代人工智能发展规划》，科技部会同自然科学基金委近期启动“人工智能驱动的科学研究”（AI for Science）专项部署工作，紧密结合数学、物理、化学、天文等基础学科关键问题，围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开，布局“人工智能驱动的科学研究”前沿科技研发体系。

为何启动这项工作？北京在这一方面已经有哪些研发成果？新京报记者近日来到北京科学智能研究院进行探访。

科研人员面临困境，实际问题还在通过试错办法解决

为何要启动“人工智能驱动的科学研究”专项部署工作？北京科学智能研究院副院长李鑫宇说，在科学研究中，科研人员长期以来面临着多重困境。一方面，科研人员辛辛苦苦把基本原理研究出来之后，用于解决实际问题时却很困难。另一方面，目前的实验手段、处理数据分析手段、收集数据手段效率也相对低下。同时，目前团队工作方式大多为“作坊模式”，且存在重复建设的情况，科研效率亟待提高。此外，在解决生物制药、材料等这些实际问题的过程中，研究还是在依靠经验和试错的方式。

而人工智能正好是解决这些问题的有效手段。AI for Science是以“机器学习为代表的人工智能技术”与“科学研究”深度融合的产物。借助机器学习在高维问题的表示能力，人类可以更加真实细致地刻画复杂系统的机理，同时可以把基本原理以更加高效、更加实用的方式应用于解决实际问题，大大提升科研效率，提升原始创新的效率；推动实验设备做得更加高效、精准；此外，还可以将人类多年来积累的知识全面准确地提取出来。

从“作坊科研”转变到“平台科研”

“人工智能驱动的科学研究”可以重构科研模式，使“作坊科研”走向“平台科研”。

在科研活动中，如材料研究、生物医药研究等存在很多共性，在理论上用的物理模型和基本原理是有限的、有共性的，研究中用的实验手段也是如此。 AI技术发展到今天，使人类可以将共性工具串连起来，从整体的角度来看待科研，大幅度提高科研的效率。

“人工智能驱动的科学研究”加速科研和产业之间的连接，建立起以产业需求推动科研的有效体系。“我们常常拿安卓模式来类比平台科研。”李鑫宇说，安卓模式就是屏蔽了所有硬件后台和应用创作者之间对接的复杂性，给予应用创作者一系列接口以完成进一步的创作，这也推动APP创新成果的出现。

发布“自然科学界的ChatGPT”

“人工智能驱动的科学研究”可以将不同学科、不同背景的人们联系在一起，是跨学科大融合、大重构的过程。北京科学智能研究院率先意识到人工智能方法对基础科学研究可能产生的影响，全面布局AI for Science的科学研究并培养科研团队，使得中国在基于AI的基本原理方法方面走在了国际前沿。

据李鑫宇介绍，北京科学智能研究院由鄂维南院士领衔，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展。

自成立以来，鄂维南院士团队在多尺度科学计算模拟领域已攻克多项关键核心技术，并在机器学习驱动的密度泛函、分子动力模拟等领域处于国际领先水平。这些关键技术的突破将极大提高人类对于微观计算模拟仿真的利用能力，直接助力新医药、新材料的研发。

去年12月，北京科学智能研究院发布了首个覆盖元素周期表近70种元素的深度势能原子间势函数预训练模型—— DPA-1，被称为“自然科学界的ChatGPT”。DPA-1可模拟原子规模高达100亿，目前已经在高性能合金、半导体材料设计等应用场景中证明了其领先性和优越性。这一突破也是AI for Science走向大规模工程化的重要里程碑。

揭示微观世界的基本原理、精确模拟微观粒子的状态，不仅是人类一直以来的梦想，也是药物、材料、化工等产业走向理性设计的必由之路。分子动力学模拟是人们研究微观世界的基本方法之一。其中，对原子间势函数的精确建模，是最核心的问题。

北京科学智能研究院通过将机器学习与高性能计算相结合，实现了1亿原子第一性原理精度的分子动力学模拟，获当年全球高性能计算领域最高奖项“戈登·贝尔”奖。团队在此基础上进一步优化高性能算法，2022年将模拟上限提升至100亿原子数量级。

对于从事材料设计研究的科研人员，可基于DPA-1快速构建高精度、方便易用的原子间势函数模型，利用人工智能技术进行分子模拟、设计创新材料、洞见研究方向、降低使用门槛，可大幅度缩短研发周期，降低研发成本。

预训练模型被普遍认为是未来趋势，已成为AI应用的基础设施，并在语言、图像等领域成功应用。DPA-1的出现为自然科学领域研究人员探索微观世界提供了一个基础设施，其训练模型可以被复用，避免开发人员重复进行大规模的训练，从而大幅度降低了研发的成本。

新京报记者 张璐

编辑 陈静 校对 李立军