AI科学家的梦想比以往任何时候都更近

现代人工智能是数十年来艰苦的科学研究的产物。现在，通过加快整个学术界的进步，开始了这笔努力。

自AI作为一个研究领域以来，研究人员一直梦想着创建足够聪明的工具，以加速人类无尽的动力来获取新知识。随着2010年代深度学习的出现，这个目标终于成为现实的可能性。

在2012年至2022年之间，以某种方式依赖AI的科学论文的比例有四倍至几乎9％。研究人员正在使用神经网络来分析每个科学学科的数据，进行文献综述或建模复杂过程。随着技术的发展，他们可以解决的问题的范围正在扩大。

在科学中使用的海报男孩无疑是Google Deepmind的Alphafold，其发明者赢得了2024年诺贝尔化学奖。该模型在变形金刚的架构中使用了进步，该体系结构为大型语言模型提供了解决的蛋白质折叠问题几十年。

蛋白质的结构决定了其功能，但以前发现其形状的唯一方法是使用复杂的成像技术（例如X射线晶体学和冷冻电子显微镜）。相比之下，Alphafold可以预测蛋白质的形状，只不过是一系列氨基酸，计算机科学家多年来一直在尝试并无法做到这一点。

这使得可以预测短短两年内科学已知的每种蛋白质的形状，这一壮举可能会对生物医学研究产生变革性的影响。Alphafold 3，于2024年发布，走得更远。它可以预测结构和相互作用蛋白质，以及DNA，RNA和其他生物分子。

Google还将其AI放在了生活科学的另一个领域，与哈佛研究人员合作创建最详细的地图的人脑连接迄今为止。该团队从1毫米的人脑中拿走了超薄的切片，并使用基于AI的成像技术来绘制其中大约50,000个细胞和1.5亿个突触连接。

这是迄今为止最详细的Connectome迄今为止生产的人脑，现在可以免费获得数据，为科学家提供了探索神经元建筑和连接性的重要工具。这可以提高我们对神经疾病的理解，并有可能对学习和记忆等核心认知过程的见解。

AI还彻底改变了材料科学领域。2023年，Google DeepMind发布了图形神经网络称为侏儒这预测了220万种新型无机晶体结构，包括380,000个稳定的这有可能构成新技术的基础。

不要被淘汰，其他大型AI开发人员也跳入了这个领域。去年，元释放并开放它自己的基于变压器的材料发现模型，至关重要的是，它具有超过1.1亿个材料模拟的数据集，用于训练它们，这应该允许其他研究人员构建自己的材料科学AI模型。

今年早些时候Microsoft发布了Mattergen，它使用扩散模型与许多图像和视频生成模型中使用的相同架构来生成新的无机晶体。经过微调后，他们表明可以提示它生产具有特定化学，机械，电子和磁性特性的材料。

AI的最大优势之一是它的能力对于传统的计算技术来说太复杂了。这使其自然适合天气预报和气候建模，目前依靠在超级计算机上运行的巨大物理模拟。

Google DeepmindGraphcast模型是第一个展示该方法的承诺的人，该方法使用图神经网络生成10天的预测一分钟内，比现有的金标准方法更高的精度要高。

AI预测是如此有效，以至于它已经由欧洲中等天气预报中心部署人工智能预测系统今年早些时候上线。该模型更快，能源效率提高了1,000倍，并提高了准确性20％。

微软创建了它所谓的地球系统基础模型名为Aurora这是对超过一百万小时的地球物理数据进行了培训。它在预测空气质量，海浪和热带气旋的路径方面的表现优于现有方法，同时使用数量级的计算顺序。

AI还为物理学的基本发现做出了贡献。当大型强子对撞机将粒子梁粉碎在一起时，一秒钟就会导致数百万碰撞。筛选所有这些数据以找到有趣的现象是一项艰巨的任务，但是现在研究人员是转向AI为他们做。

同样，德国的研究人员一直在使用AI通过重力波数据来孔径中子星星合并。这有助于科学家及时检测合并，将望远镜指向它们。

不过，也许最令人兴奋的是AI扮演科学家本身的角色的承诺。结合实验室自动化技术，机器人技术和机器学习，创建自动驾驶实验室变得有可能从研究人员那里掌握一个高级目标，例如从化学反应中获得特定的产量，然后自主进行实验，直到达到该目标。

其他人则走得更远，实际上使AI参与了实验的计划和设计。2023年，卡内基·梅隆大学的研究人员表明，他们的ai coscientist，由OpenAI的GPT-4提供支持，可以自主计划并执行已知化合物的化学合成。

Google创建了一个多代理系统由其双子座2.0推理模型提供支持，可以帮助科学家产生假设并提出新的研究项目。Sakana AI开发的另一位AI科学家写了一份机器学习论文通过了同行评审过程在享有声望的AI会议上举行讲习班。

令人兴奋的是，这一切都令人兴奋，AI对科学的接管可能会潜在的缺点。神经网络是黑匣子，其内部工作很难破译，这可能会使结果具有挑战性。许多研究人员对这项技术不太熟悉，无法捕获可能扭曲结果的常见陷阱。

尽管如此，这些模型通过远远超出人类理解的量表来处理数据和建模事物的令人难以置信的力量仍然是至关重要的工具。有了明智的应用，AI可能会在各个领域都大大加速进度。