今后，AI for Science 有望實現全基因組水平定制化工廠的設想，完成實驗室的小規模理性化設計到大規模制備工藝的生產，甚至有可能實現從底層對于微生物系統的模擬搭建到宏觀的海洋系統甚至生態系統的模擬，真正推演出類似“蝴蝶效應”的過程。

圖｜AI for Science 推動材料研發范式不斷演進（來源：2023 版《AI4S 全球發展觀察與展望》）

材料科學領域，從原子和分子出發，根據需求優化和設計創新材料，這是一個綜合了物理、化學、工程學等的跨學科領域，然而，現階段新材料研發主要依靠大量的實驗試錯，費時費力。AI for Science 可以從第一性原理出發，預測材料成分分布和微觀結構的多尺度特征，并整合現有材料的數據庫、專家知識和人工智能方法，將計算和實驗結合可以縮小材料創新的搜索空間，加速材料創新進程，目前研究人員已成功利用 AI for Science 方法進行了關鍵問題的攻堅。

半導體領域，半導體技術是信息時代的基礎，未來發展已形成了兩條不同的路線：一條是為了解決隨著器件尺度不斷減小、新制程的開發愈發困難的現狀；另一條是開發除硅基半導體之外的新材料體系和工藝路線。在這里，AI for Science 一方面可通過對微尺度的高效高精度建模，助力相關新材料和器件體系的開發和應用，并通過工藝仿真、預測、搜索優化流程為工藝的改進提供助力；另一方面，可借助高性能計算、物理建模和機器學習相結合的方式通過仿真模擬等手段對半導體材料的工藝進行模擬，加速工藝的商業化應用，此外，在化學拋光等方面也可以結合高通量實驗發掘最有效的拋光液材料。

除此之外，《展望》還列舉了 AI for Science 一系列應用案例以及產業方觀點。比如，寧德時代利用 AI 來研究鋰金屬負極和鈣鈦礦相變等問題，使用了深度勢能與先進表征結合來研究這些材料的分子細節，從而能夠在分子層面理解材料性能的變化，為材料設計和優化提供了理論指導，同時這種研究方法也大幅提高了研究效率。

再比如，英矽智能基于生成對抗網絡、深度強化學習、預訓練模型及其他機器學習技術，構建高效的 AI 藥物研發平臺 Pharma.AI，并成功開發出臨床前候選化合物 ISM001-055，這是全球首個由 AI 發現具有全新靶點和全新分子結構的候選藥物，也是該靶點目前唯一一個臨床階段的在研管線，是真正意義上的“first in class”藥物。

產業方觀點，在清流資本看來，投資像 AI for Science 這樣的前沿科學領域是一種“雙贏”策略。就社會角度而言，這些投資為人類解決重大科學問題、推動科技進步，提供了強大的動力；就經濟角度而言，新技術和新科學往往帶來范式的轉變，創新了產品和服務，顛覆了既有的市場，為投資者帶來了巨大的商業價值和金融回報。

圖｜AI 和科學數據、科學計算發展歷程（來源：AISI & DP Technology）

從生命的基本組成（蛋白質），到世界工業的基本要素（材料），再到各個科學技術領域，AI for Science 不僅是解決具體問題的有力工具，更是重新定義科學問題的系統性思路。

《展望》指出，AI for Science 的巨大想象空間存在于如何更好地利用 AI 算法將科學計算和物理模型相連接，進而指導科學和產業創新，AI 的力量在于其具有解決復雜問題，從而推動科學研究和技術發展的巨大潛力，此時，科研的瓶頸就不僅是“如何解決問題”，也是“如何定義問題，如何選擇工具” 。

因此，對問題的深刻認識是解決問題的第一步。AI for Science 算法的原始創新，不僅來自日新月異的 AI 模型，更來自科學家們對具體科學挑戰的剖析、拆解、分診，如此才能最大化 AI 在科學領域的效能。

在 AI 時代，成功往往是毅力、探索以及投入資源實現長期目標的結果，AI 在科學中取得有意義突破的路徑通常是間接和不可預測的，這需要塑造其未來的人理解并接受這一長期旅程的本質。

例如，作為 AI 基礎設施領域的先驅，NVIDIA 的圖形處理器（GPU）已成為全球機器學習和深度學習框架的重要組成部分，然而 NVIDIA 在 AI 領域的旅程卻始于電子游戲這一完全不同的領域，通過不斷推動圖形處理的極限以滿足日益增長的游戲行業需求，NVIDIA 無意中為如今的 GPU 加速 AI 打下了基礎；此外，AI for Science 領域的先驅者 DeepMind 和 OpenAI 也并非是在一夜之間取得了令人矚目的成就。

這些例子凸顯了 AI 發展和實施科學進步的一個重要方面，即政策制定者和資本配置者都需要長期視角，只有兩者的長期承諾才能實現 AI 在推動科學突破方面的變革潛力，正如諺語“羅馬不是一天建成的”，見證的這場 AI for Science 驅動的科學技術革命亦是如此。

結語