量化人工智能在科学研究中的使用及其潜在益处
作者：Wang, Dashun
参考文献
赫伯特, A. S.人工科学（麻省理工学院出版社，1969年）
布莱恩约弗森，E. & 米切尔，T. 机器学习能做什么？对劳动力的影响。科学 358, 1530–1534 (2017).
Agrawal, A., Gans, J. & Goldfarb, A.人工智能的经济学：一项议程（芝加哥大学出版社，2019年）。
作者, D., Mindell, D. A. & Reynolds, E. B.未来的工作：塑造技术与制度（麻省理工学院任务小组，2019）
阿西莫格鲁，D.，奥托尔，D.，黑泽尔，J.及雷斯特雷波，P.人工智能与就业：来自在线职位空缺的证据。劳动经济杂志 40,S293–S340 (2022).
阿吉翁，P.，琼斯，B. F. 和 琼斯，C. I. 在人工智能的经济学：一个议程第9章，237-290页（芝加哥大学出版社，2019年）。
Cockburn, I. M., Henderson, R. & Stern, S. 在人工智能的经济学：一项议程第四章，115-148页（芝加哥大学出版社，2019年）。
汤马塞夫，N. 等人。利用人工智能做好事：释放积极影响的机会。自然通讯 11, 2468 (2020).
德维迪，Y. K. 等。人工智能（AI）：新兴挑战、机遇及研究、实践和政策议程的跨学科视角。国际信息管理杂志 57, 101994 (2021).
弗里，C. B. & 奥斯本，M. A. 就业的未来：工作受到计算机化的影响有多大？技术预测与社会变革 114, 254–280 (2017).
阿西莫格鲁，D. & 列斯雷波，P. 人与机器的竞争：技术对增长、要素份额和就业的影响。美国经济评论 108, 1488–1542 (2018).
Khan, H. N., Hounshell, D. A. & Fuchs, E. R. H. 摩尔定律终结时期的科学与研究政策。自然·电子学 1, 14–21 (2018).
伊安西蒂，M. & 拉哈尼，K. R.在人工智能时代竞争：当算法和网络主宰世界时的战略与领导力（哈佛商业出版社，2020）。
埃什拉吉安，J. K. 人工创造力的人类所有权。自然机器智能 2, 157–160 (2020).
马库斯，G. &戴维斯，E.重启AI：构建值得信赖的人工智能（漫天出版社，2019）
梁 W. 等人. 可信人工智能数据创建的进展、挑战与机遇。自然机器智能 4, 669–677 (2022).
贝尼奥伊，Y. 等人. 在迅速进展中管理极端人工智能风险。科学 384, 842–845 (2024).
弗兰克等人。关于人工智能对劳动影响的研究。 Proc. Natl Acad. Sci. USA 116, 6531–6539 (2019).
Agrawal, A., Gans, J. S. & Goldfarb, A. 人工智能：自动化预测对劳动力市场的影响是模糊的。经济学视角期刊 33, 31–50 (2019).
科贝斯，N.，斯塔克，C. & 拉万，I. 使用人工智能打击腐败的前景与风险。自然机器智能 4, 418–424 (2022).
Brynjolfsson, E., 李 D. 和 Raymond, L. R.生成式人工智能在工作中的应用美国国民经济研究局工作论文第w31161号（美国国民经济研究局，2023年）。
诺伊，S. & 张，W. 关于生成式人工智能的生产效率影响的实验证据。科学 381, 187–192 (2023).
Silver, D. 等人。使用深度神经网络和树搜索掌握围棋游戏。自然 529, 484–489 (2016).
Geirhos, R. 等人. 人类和深度神经网络的泛化能力. 在 Proc. 神经信息处理系统进展7538–7550（麻省理工学院出版社，2018年）
格蕾丝，K.，萨尔瓦蒂埃，J.，达福，A.，张，B.及埃文斯，O.人工智能何时能超越人类表现？来自人工智能专家的证据。人工智能研究杂志(Journal of Artificial Intelligence Research)缩写 请注意，通常这个表达会被直接翻译或解释为“人工intelligence研究期刊”或者使用其标准英文缩写"J. Artif. Intell. Res."。这里提供了一个更详细的中文说明而非直译。如果要求严格的形式对应，则应保留原形式：J. Artif. Intell. Res. 62, 729–754 (2018).
刘,X.等.深度学习在从医学影像中检测疾病方面的表现与医疗专业人员的对比：系统评价和meta分析。柳叶刀数字健康 1, e271–e297 (2019).
Ishowo-Oloko, F. 等人。人类与机器合作中的透明度与效率权衡的行为证据。自然机器智能 1, 517–521 (2019).
杨, Y., 余瑶, W. & Uzzi, B. 使用人力和人工智能估算科学发现的深度可重复性。 Proc. Natl Acad. Sci. USA 117, 10762–10768 (2020).
Wurman, P. R. 等人。用深度强化学习超越冠军Gran Turismo赛车手。自然 602, 223–228 (2022).
马莱杰，N. 等人。AI指数2024年度报告(AI指数指导委员会，以人为本的人工智能研究所，斯坦福大学，2024)
吉尔，Y.，格里夫斯，M.，亨德勒，J.及赫什，H. 利用人工智能放大科学发现。科学 346, 171–172 (2014).
王，H. 等人. 人工智能时代的科学发现。自然 620, 47–60 (2023).
Carleo, G. 等人. 机器学习与物理科学。现代物理评论 91, 045002 (2019).
拉胡安，I. 等人. 机器行为。自然 568, 477–486 (2019).
Jimenez-Luna, J., Grisoni, F. & Schneider, G. 基于可解释人工智药物发现。自然机器智能 2, 573–584 (2020).
徐等人。etal.人工智能：科学研究的强大范式。创新 2, 100179 (2021).
戴维斯，A. 等人。用人工智能指导人类直觉以推进数学研究。自然 600, 70–74 (2021).
彭,H.,柯,Q.,布达克,C.,罗梅罗,D. M. & 崔,Y.-Y. 学术期刊的神经嵌入揭示了复杂的学科组织。 注意：“Ahn”在这里被误标为“崔(Y.-Y.)”，如果“Ahn Yoon-Yong”是正确的姓名，则应该翻译为“安允永”。请根据实际情况调整人名的翻译。科学进展杂志 7eabb9004 (2021)
克伦，M. 等人. 关于使用人工智能的科学理解。自然·物理 4, 761–769 (2022).
贝尔科夫，A. V., 罗谢茨基，A. & 埃文斯，J. A. 文献中的稳健科学事实预测。自然机器智能 4, 445–454 (2022).
格罗斯曼，I. 等人。人工智能与社会科学研究的转型。科学 380, 1108–1109 (2023).
Groh, M. 等人。利用深度学习辅助不同肤色皮肤疾病诊断的决策支持。自然医学杂志 30, 573–583 (2024).
贝尔，C. A. 生成式AI能否改进社会科学？ Proc. Natl Acad. Sci. USA 121，e2314021121 (2024).
阿尔瓦雷斯等。利用生成式AI进行科学传播。自然人类行为学 журнал (或者直接使用原文:Nat. Hum. Behav.) 8, 625–627 (2024).
A. W. 高级等人。利用深度学习势能改进蛋白质结构预测。自然 577, 706–710 (2020).
Jumper, J.等人。使用AlphaFold进行高精度蛋白质结构预测。自然 596, 583–589 (2021).
白明等。利用三轨神经网络精确预测蛋白质结构和互作。科学 373, 871–876 (2021).
Popova, M., Isayev, O. & Tropsha, A. 基于从头药物设计的深度强化学习。科学进展 4，aap7885 (2018).
扎沃罗科夫，A. 等。深度学习实现了快速识别强大的DDR1激酶抑制剂。自然·生物技术 37, 1038–1040 (2019).
施耐德，P. 等人. 人工智能时代的药物设计新思考。自然·药物发现综述 19, 353–364 (2020).
萨德别科夫，A. V. & 卡特里奇，V. 计算方法加速药物发现。自然 616, 673–685 (2023).
伊滕 R., 梅特格 T., 威尔明 H., 德里奥 L. D. & 伦纳尔 R. 使用神经网络发现物理概念。物理评论 letters 124, 010508 (2020).
赛夫，A.，哈费齐，M. & 杰尔齐ński，C. 用机器学习研究热力学时间箭头。自然物理学 17, 105–113 (2021).
吴，T. & 泰格马克，M. 朝向无监督学习的人工智能物理学家之路。物理评论E卷 100, 033311 (2019).
吕丽, 金鹏, 庞国祥, 张正友, & 卡尼阿达基斯 G. E. 通过基于算子通用逼近定理的DeepONet学习非线性算子。自然机器智能 3, 218–229 (2021).
韩杰，J.，詹岑，A. & 吴威，E. 使用深度学习解决高维偏微分方程。 Proc. Natl Acad. Sci. USA 115, 8505–8510 (2018).
Raayoni, G. 等人. 使用拉马努jan机器生成关于基本常数的猜想。自然 590, 67–73 (2021).
德格拉夫，J. 等人。通过深度强化学习控制托卡马克等离子体的磁性。自然 602, 414–419 (2022).
Tshitoyan, V. 等。无监督词嵌入捕捉材料科学文献中的潜在知识。自然 571, 95–98 (2019).
桑切斯-伦吉林，B. & 阿斯普鲁-古里克，A. 利用机器学习进行逆向分子设计：物质工程中的生成模型。科学 361, 360–365 (2018).
陈等人。关于能源材料机器学习的关键回顾。先进能源材料杂志 10, 1903242 (2020).
Merchant, A.等. 用于材料发现的深度学习扩展。自然 624, 80–85 (2023).
郑，S. 等人。AI经济学家：通过两层深度多智能体强化学习设计税收政策。科学进展 8吴柏昆2607 (2022).
科斯特，R. 等人。以人为本的民主AI机制设计。自然人类行为学杂志 6, 1398–1407 (2022).
邓乔, V. & 布赖格尔, H. J. 量子领域中的机器学习与人工智能：近期进展回顾。物理程序代表_phys_（这句话看起来像是一个标签或标识符，没有提供完整的句子或者明确的内容，因此直接进行了字面翻译。如果这是专有名词或其他特定含义，请根据具体语境调整翻译。）原文为技术名词，保持不变：Rep. Prog. Phys. 81, 074001 (2018).
斯图尔姆，B. L. 等人。对音乐创作有实际意义的机器学习研究：案例研究。J. N. 音乐研究 48, 36–55 (2019).
Rajkomar, A., Dean, J. & Kohane, I. 医学中的机器学习。新英氏医学杂志 380, 1347–1358 (2019).
Ramesh, A. 等人。零样本文本到图像生成。在第38届国际机器学习大会 proceedings8821–8831 (ICML, 2021).
埃普斯坦，Z.，赫茨曼，A.及人类创造力研究者。艺术与生成式人工智能的科学。科学 380, 1110–1111 (2023).
斯旺森，K. 等。用于设计和验证易于合成且结构新颖的抗生素的生成人工智能。自然机器智能 6, 338–353 (2024).
N. Crafts 从历史角度审视人工智能作为通用技术。牛津经济政策评论 37, 521–536 (2021).
布鲁姆，N.，哈桑，T. A.，卡利安尼，A.，勒纳，J. 和塔胡恩，A.新技术的扩散NBER 工作论文第 w28999 号（国家经济研究局，2021年）。
卡塞利，F. & 科尔曼，W. J. 关于计算机的跨国技术扩散案例。美国经济评论 91, 328–335 (2001).
陈宁，霍比恩。技术扩散的探索。美国经济评论 100, 2031–2059 (2010).
Zenil, H. 等人. 由生成式闭环人工智能引领的基础科学的未来. 预印本于https://arxiv.org/abs/2307.07522 (2023).
Topol, E. J. 高性能医学：人类智能与人工智能的融合。自然·医学 25, 44–56 (2019).
希达尔戈, C. A., 奥尔基安, D., 阿尔博卡纳利斯, J., 德阿尔梅达, F. & 马丁坎特罗, N.人类如何评判机器（麻省理工学院出版社，2021年）
赖施，S. & 克拉科夫斯基，S. 人工智能与管理：自动化-增强悖论。 Academy of Management Review 46, 192–210 (2021).
弗耶兰德，R. 为什么通用人工智能不会实现。人类学与社会科学通讯 7, 10 (2020).
梅塞里，L. & 克罗克特，M. J. 人工智能与科学研究中的理解错觉。自然 627, 49–58 (2024).
Kanitscheider, I. & Fiete, I. 训练循环网络以生成关于大脑如何解决复杂导航问题的假设。在神经信息处理系统进展论文集4529–4538 (麻省理工学院出版社, 2017).
Webb, M.人工智能对劳动力市场的影响SSRN 3482150 （社会科学研究中心，2019）。
科根，L.，帕帕尼古拉乌，D.，施密特，L. D. & 塞格尔米勒，B.技术、特定年代的人力资本与劳动力替代：通过将专利与职业关联的证据NBER 工作论文第 w29552 号（国民经济研究局，2022年）。
阿塔拉伊，E.，邦提安塔姆，P.，索特洛，S.及塔嫩鲍姆，D. 美国工作的演变。美国经济应用期刊 12, 1–34 (2020).
Felten, E. W., Raj, M. & Seamans, R. 一种将人工智能进步与职业能力相联系的方法。AEA会议 proceedings 108, 54–57 (2018).
吴, L., 希特, L. & 刘, B. 数据分析、创新与企业生产力。管理科学杂志 66, 2017–2039 (2020).
Brynjolfsson, E., Mitchell, T. & Rock, D. 机器能学习什么，这对职业和经济意味着什么？AEA会议论文集 108, 43–47 (2018).
王，D. & 巴拉巴西，A.-L.科学的科学（剑桥大学出版社，2021年）
福图纳托等人的《科学学》科学 359，eaao0185 (2018).
曾等。等人。科学的科学：从复杂系统的视角。物理报导 714, 1–73 (2017).
弗兰克，M. R.，王，D.，塞布里安，M. 和拉万，I. 人工智能研究中引用图的演变。自然机器智能 1, 79–85 (2019).
苗丽等。全球科学发展背后的潜在结构。自然人类行为学 журнал（或根据上下文可能是"自然人类行为"） 6, 1206–1217 (2022).
刘莉，琼斯B.F.，乌齐B.及王德明. 科学科学中的数据、测量和实证方法。自然人类行为学 журнал（或者直接使用原文，因为这是一个常见的期刊缩写，在中文文献中通常不进行翻译） 7, 1046–1058 (2023).
萨乌拉蒂，J. & 埃文斯，J. A. 利用感知人类的人工智能加速科学。自然人类行为学 журнал（或根据上下文可能是"自然人类行为"） 7, 1682–1696 (2023).
Murray, D. 等人。无监督嵌入轨迹捕捉科学迁移的潜在结构。 Proc. Natl Acad. Sci. USA 120，e2305414120 (2023).
克伦，M. 等人。利用基于机器学习的链接预测在指数增长的知识网络中预测人工智能的未来。自然机器智能 5, 1326–1335 (2023).
辛哈，A. 等。微软学术服务（MAS）及其应用概述。在第24届国际万维网大会 proceedings243-246 (WWW, 2015).
世界知识产权组织（WIPO）世界知识产权组织技术趋势2019—人工智能(世界知识产权组织，2019).
尼夫雷，J. & 尼尔森，J. 假设性项目依赖解析。在第43届计算语言学协会年会论文集99–106 (ACL, 2005).
洪尼巴尔，M. & 约翰逊，M. 一种改进的非单调转换系统用于依存句法分析。在2015年自然语言处理经验方法会议 proceedings1373–1378 (ACL, 2015)
本内特卡，J. R., 克鲁姆，J. & 本尼特，P. N. 理解任务和活动的上下文。在2019年人机信息交互与检索会议论文集133–142 ( ACM, 2019).
《科学》杂志2021年度突破奖：所有蛋白质结构的解析。科学 https://www.science.org/content/article/breakthrough-2021 (2021).
鲍尔纳，K. 等。研究、教育和就业之间的技能差距揭示了为数据经济供应软技能的迫切需要。 Proc. Natl Acad. Sci. USA 115, 12630–12637 (2018).
伍克蒂，S.，琼斯，B. F. & 乌齐，B. 知识生产中团队主导地位的增强。科学 316, 1036–1039 (2007).
吴，L.，王，D. & 艾万斯，J. A. 大型团队发展科学和技术，小型团队则会颠覆科学和技术。自然 566, 378–382 (2019).
Littmann, M. 等人。通过跨专业领域的合作提高了机器学习在生物学和医学中的有效性。自然机器智能 2, 18–24 (2020).
梅拉比，N.，莫斯特特尔，F.，萨克斯纳，N.，勒曼，K.及加尔斯蒂安，A. 关于机器学习中的偏见与公平性的调查。ACM计算 survey 54, 1–35 (2021).
杨，E.，瓦伊奇曼，J. & 斯普雷杰，L.女性在哪里？绘制人工智能领域的性别就业差距地图(艾伦图灵研究所，2021).
谢, Y. & 莎曼, K. A.女性与科学：职业过程和结果（哈佛大学出版社，2003年）。
霍普，T. A. 等。研究主题的选择导致非洲裔/黑人科学家获得NIH资助的比率较低。科学进展 5，eaaw7238 (2019).
吉恩瑟，D. K. 等人。种族、族裔与美国国立卫生研究院研究资助。科学 333, 1015–1019 (2011).
拉里维尔，V.，倪，C.，金格拉斯，Y.，克罗宁，B.及 sugimoto，C. R. 科学计量学：全球科学中的性别差距。自然 504, 211–213 (2013).
黄俊(J.), 盖茨(A. J.), 希纳特拉(R.), 巴拉巴西(A.-L.). 不同国家和学科中科学研究职业性别不平等的历史比较。 Proc. Natl Acad. Sci. USA 117, 4609–4616 (2020).
国家级关键技术评估网络（NNCTA）保障美国的未来：关键技术评估框架(NNCTA, 2023)
卡霍拉，I.，洛，K.，科汉，A.及韦尔德，D. S. TLDR：科学文档的极端摘要。在2020年自然语言处理经验方法大会 proceedings4766–4777 (ACL, 2020).
Lew, A., Agrawal, M., Sontag, D. & Mansinghka, V. PClean：大规模领域特定概率编程的贝叶斯数据清洗。在第24届国际人工智能与统计会议论文集1927–1935 (JMLR, 2021)
Bommasani, R. 等人。关于基础模型的机会与风险。预印本于https://arxiv.org/abs/2108.07258 (2021).
魏，J.等. 大型语言模型的涌现能力。预印本于https://arxiv.org/abs/2206.07682 (2022).
莫尔，M. 等。通用医学人工智能的基础模型。自然 616, 259–265 (2023).
黄泽， Bianchi F， Yuksekgonul M， Montine TJ & 邹俊。基于医学Twitter的病理图像分析视觉语言基础模型。自然医学杂志 29, 2307–2316 (2023).
戈德法布，A.，塔斯卡，B.及泰奥多里迪斯，F. 机器学习能否成为一种通用技术？基于在线招聘数据的新兴技术比较。决议政策 52, 104653 (2023).
法乌齐，A. 等人。利用强化学习发现更快的矩阵乘法算法。自然 610, 47–53 (2022).
乔宾，A.，伊恩卡，M.及瓦耶纳，E.《人工智能伦理准则的全球格局》。自然机器智能 1, 389–399 (2019).
阿里塔，A. B. 等。可解释的人工智能（XAI）：概念、分类、机遇与挑战迈向负责任的人工智能。信息融合 58, 82–115 (2020).
伦哈罗，M. 医学界正在酝酿一场人工智能革命。它会是什么样子？自然 622, 686–688 (2023).
博克廷，C. L.，范迪斯，E. A. M.，范鲁伊，R.，祖迪玛，W. & 波伦，J. 生成式人工智能的活指南——为什么科学家必须监督其使用。自然 622, 693–696 (2023).
Schwartz, I. S., Link, K. E., Daneshjou, R. & Cortes-Penfield, N. 黑盒警告：大型语言模型与传染病咨询的未来。临床感染病杂志 78, 860–866 (2024).
阿米德普尔，M. &琼斯，B. F. 双重前沿：专利发明与先前的科学进步。科学 357, 583–587 (2017).
穆克吉，S.，罗梅罗，D. M.，琼斯，B.及乌齐，B. 科学与技术突破与过往知识年龄之间几乎普遍存在的联系：热点。科学进展 3，e1601315（2017）。
尹胤，董毅，王凯，王国栋及Jones BF。科学的公共使用与公共资金支持。自然人类行为学 журнал (或者直接使用原文:Nat. Hum. Behav.) 6, 1344–1350 (2022).
微软学术。微软学术图谱。Zenodo https://doi.org/10.5281/zenodo.6511057 (2022).
林振，殷业，刘莉及王栋。SciSciNet：一个大规模开放数据湖用于科学学研究。科学数据 10, 315 (2023).
暂无评论