In diesem Jahr wurden sowohl der Nobelpreis für Physik als auch der Nobelpreis für Chemie an KI-bezogene Bereiche verliehen. Das Konzept der KI für die Wissenschaft (KI für die wissenschaftliche Forschung), das vereinfacht als „AI4S“ bezeichnet wird, hat auch die Aufmerksamkeit der heimischen Wissenschaftler auf sich gezogen und im Ausland.
Vom 4. bis 6. November fand der Scientific Intelligence Summit 2024 an der Peking-Universität, Zhang Jin, Gong Xingao, Tang Chao und anderen Akademikern der Chinesischen Akademie der Wissenschaften sowie vielen Experten und Wissenschaftlern mit praktischer Erfahrung in der wissenschaftlichen KI-Forschung statt. teilten und diskutierten die aktuelle Anwendung von KI in der wissenschaftlichen Forschung, die spezifischen Anwendungen von KI im Bereich der wissenschaftlichen Forschung, die Grenzen und ungelösten Probleme von KI und die Auswirkungen, die KI für die Wissenschaft in der Zukunft auf das Paradigma der wissenschaftlichen Forschung haben könnte.
Der Erfolg von AlphaFold ist nur der erste Schritt auf einem langen Weg. Traditionelle KI-Frameworks haben immer noch ihre Grenzen.
Hassabis, der aktuelle Nobelpreisträger für Chemie, gewann die Auszeichnung für seine Entwicklung des künstlichen Intelligenzmodells AlphaFold, das ein 50 Jahre altes Problem löste und die komplexen Strukturen von etwa 200 Millionen bekannten Proteinen vorhersagen konnte von mehr als 2 Millionen Menschen auf der ganzen Welt. Nach Ansicht von Tang Chao, Akademiker der Chinesischen Akademie der Wissenschaften und Direktor des Gemeinsamen Zentrums für Biowissenschaften der Peking-Universität und der Tsinghua-Universität, ist der Erfolg von AlphaFold nicht gleichbedeutend mit Erfolg im Bereich der Biowissenschaften. Es ist nur der „erste Schritt in die Zukunft“. ein langer Marsch von Tausenden von Meilen.“
Tang Chao, Akademiker der Chinesischen Akademie der Wissenschaften und Direktor des Gemeinsamen Zentrums für Biowissenschaften der Peking-Universität und der Tsinghua-Universität, hält eine Rede / fotografiert von Luo Yidan, Reporter von Beijing News Shell Finance
Tang Chao stellte fest, dass die meisten Modelle im Bereich der Biowissenschaften derzeit auf eine einzige Modalität beschränkt sind, wie z. B. Einzelzelltranskription, RNA-Sequenz, Proteinstruktur usw. Die Biowissenschaften sind jedoch ein komplexes und riesiges System Die Wissenschaft geht von Molekülen und Zellen über Organe bis hin zur mehrstufigen und mehrdimensionalen interaktiven Zusammensetzung des gesamten Lebens.
„Das Leben ist ein komplexes System mit mehreren Maßstäben und Ebenen von Makro bis Mikro. Jede Ebene hat ihre eigene Sprache und Logik, die sich gegenseitig beeinflussen: „Traditionelle KI-Frameworks funktionieren gut bei der Verarbeitung strukturierter und linearer Daten, aber das Leben.“ Systeme Die Daten sind dynamisch und multibit-interaktiv, sodass das traditionelle KI-Framework beim Umgang mit hochdimensionalen, nichtlinearen Life-Science-Daten offensichtliche Einschränkungen aufweist.“
Darüber hinaus erfordert auch die monomodale KI-Forschung eine gute Datengrundlage. Derzeit sind einige wissenschaftliche Forschungsbereiche mit Problemen unzureichender experimenteller Daten und unzureichender Standardisierung experimenteller Daten konfrontiert.
Tang Chao sagte, dass der Aufbau von Life-Science-Datensystemen spät begonnen habe, da nicht genügend Investitionen getätigt worden seien, es an einem vollständigen Ökosystem für die gesamte Kette fehle und es an systematischen strategischen Planungs- und Austauschmechanismen in der Frühphase fehle Manuskriptbereite Datensätze, und die Datennutzungsrate hinkt in Europa und Amerika hinterher.
Zhang Jinze, Akademiker der Chinesischen Akademie der Wissenschaften, Mitglied des Ständigen Ausschusses des Parteikomitees und Vizepräsident der Peking-Universität, erwähnte bei der Einführung des Einsatzes von KI für die Materialforschung, dass der aktuelle Datenerfassungsprozess nicht einheitlich sei, und die Daten Die von verschiedenen Geräten, Umgebungen und Bedienern erhaltenen Werte sind sehr unterschiedlich. Darüber hinaus umfassen die durch verschiedene Arten von Experimenten generierten Daten Bilder, Spektraldaten, Strukturdaten usw. in unterschiedlichen Formaten.
KI-Modellierung und -Training erfordern die Unterstützung von Big Data: „Standardisierung ist die Grundlage für die Verwirklichung des Datenaustauschs, der Reproduzierbarkeit und der Iteration wissenschaftlicher Erkenntnisse.“
Zhang Jin, Akademiker der Chinesischen Akademie der Wissenschaften, Mitglied des Ständigen Ausschusses des Parteikomitees und Vizepräsident der Peking-Universität, hält eine Rede. Foto von Luo Yidan, Reporter von Beijing News Shell Finance
Nach Ansicht von Tang Chaos gehören zu den Problemen, die in der Rahmenforschung für große Life-Science-Modelle dringend gelöst werden müssen, die Optimierung des Encoder-Designs von Sequenz-, Bild- und Matrixdaten auf der Grundlage der Eigenschaften von Life-Science-Daten und der Anpassung der Modularchitektur und Daten für die Fusion Auswahl verschiedener Modaldatensätze und Pre-Training-Strategien. Was wirklich „revolutionäre Veränderungen“ bewirken kann, ist der Aufbau einer neuen Modellarchitektur für die Sprachlogik, Selbstorganisation, hierarchische Entstehung, Rückkopplungsmechanismen, Anpassungsfähigkeit usw. von Lebensphänomenen.
Tang Chao führte ein, dass der Forschungsprozess in den Biowissenschaften oft aus einem Zyklus besteht aus: Durchführung experimenteller Beobachtungen – Modellanpassung zur Erklärung von Phänomenen – Zusammenfassung von Eigenschaften – Vorhersage von Verhaltensweisen – und anschließender Durchführung experimenteller Beobachtungen kann durch KI abgeschlossen werden Zukunft: „Unser Ziel ist es, ein multimodales, ebenenübergreifendes Life-Science-Modell aufzubauen, und hoffen letztendlich, neue Gesetze und Prinzipien in den Life-Sciences zu entdecken.“
KI revolutioniert das Forschungsparadigma: Sie ist nicht länger besessen von einer klaren „Erklärbarkeit“ durch umfangreiche experimentelle Kalibrierung
Obwohl „AI4S“ noch viele Probleme hat, die gelöst werden müssen, hat KI derzeit in vielen verschiedenen wissenschaftlichen Forschungsbereichen Erfolge erzielt. Zu den spezifischen Anwendungen gehören auch Anwendungen wie die DeepMind-KI-Technologie FraphCast steuert die Form des Plasmas im Kernfusions-Tokmak-Gerät, prognostiziert das globale Wetter in den nächsten zehn Tagen und übertrifft das HRES des menschlichen Systems in 90 % der Indikatoren.
Darüber hinaus beschleunigt KI auch den Prozess der experimentellen Forschung. Zhang Jin sagte, dass es für einen Schüler grundsätzlich unmöglich sei, drei Sätze desselben Experiments an einem Tag zu wiederholen, aber durch die automatisierte Plattform könnten 150 Sätze automatisierter Experimente an einem Tag durchgeführt werden, was die Wiederholbarkeit des Experiments erheblich verbessere. und hochwertige experimentelle Daten sind der Schlüssel zum Simulationstraining.
Jiang Jun, Lehrstuhlinhaber an der Universität für Wissenschaft und Technologie von China, stellte die Erfahrungen seines Teams und seines Teams mit der Roboter-Chemiker-Plattform der Universität für Wissenschaft und Technologie von China für Experimente vor. Durch seine Videopräsentation wurde der Reporter von Beijing News Shell Finance auf dieses Gerät aufmerksam mit einem omnidirektionalen mobilen Fahrgestell und einem intelligenten Maschinenarm, einem völlig autonomen experimentellen Operationsroboter, der wie ein „beweglicher Tisch“ aussieht.
Jiang Jun, Lehrstuhlinhaber der Universität für Wissenschaft und Technologie Chinas, stellt das Maschinenexperimentsystem vor. Foto von Luo Yidan, Reporter von Beijing News Shell Finance
Jiang Jun stellte die Maschinen-Chemiker-Plattform der Universität für Wissenschaft und Technologie von China vor, die „in der Lage ist, zu lesen, zu rechnen und fleißig zu arbeiten“. „Durch das maschinelle Lesesystem werden Funktionen zur Verarbeitung natürlicher Sprache zur Analyse von Papieren und Patenten genutzt.“ , Lehrbücher, experimentelle elektronische Notizbücher und Sammeln neutraler Daten vor Ort; physikalische Modelle/intelligente Vorhersagen durch maschinelle Computerexperimente durch maschinelle experimentelle Systeme, um eine reale Feedback-Kalibrierung zu erhalten.“
Er stellte vor, dass der Entwicklungstrend von „AI4S“ im In- und Ausland große Modelle + Roboter + ökologische Allianzen sei. Beispielsweise gab die britische AI-Hub Alliance 3,2 Milliarden Yuan aus, um eine intelligente Innovationsfabrik mit 11.000 Quadratmetern und 200 Wissenschaftlern zu bauen 100 Ingenieure sind für Unilever zuständig und decken 60 % der jährlichen Forschungs- und Entwicklungsfinanzierung ab.
Viele Wissenschaftler vor Ort sagten, dass KI die wissenschaftliche Forschung auf eine neue Stufe gebracht habe.
Gong Xingao, Akademiker der Chinesischen Akademie der Wissenschaften und Professor der Fudan-Universität, sagte, dass das Paradigma der physikalischen Forschung in vier Phasen unterteilt sei: Experimentelle Physik, theoretische Physik, Computerphysik und mathematische Physik. Derzeit hat es das Stadium der digitalen Physik erreicht und nutzt dabei Data Mining, künstliche Intelligenz und maschinelles Lernen als Werkzeuge.
Aus Sicht von Zhang Jin ist die Vergabe des Nobelpreises an KI-bezogene Bereiche ein Maßstab: „Wissenschaftliche Disziplinen wie Physik und Chemie werden offener. Box-Vorhersagen müssen akzeptiert und kontinuierlich durch Experimente kalibriert werden, was letztendlich zu einem präziseren und umfassenderen Verständnis führt.“