ในปีนี้ รางวัลโนเบลสาขาฟิสิกส์และเคมีได้รับรางวัลในสาขาที่เกี่ยวข้องกับ AI แนวคิดของ AI สำหรับวิทยาศาสตร์ (AI สำหรับการวิจัยทางวิทยาศาสตร์) ซึ่งได้รับการเรียกให้ง่ายขึ้นเป็น "AI4S" ก็ดึงดูดความสนใจของนักวิทยาศาสตร์ที่บ้านเช่นกัน และต่างประเทศ
ตั้งแต่วันที่ 4 ถึง 6 พฤศจิกายน การประชุม Scientific Intelligence Summit ประจำปี 2024 จะจัดขึ้นที่มหาวิทยาลัยปักกิ่ง, จางจิน, กงซิงเกา, ถังเชา และนักวิชาการคนอื่นๆ ของ Chinese Academy of Sciences ตลอดจนผู้เชี่ยวชาญและนักวิชาการจำนวนมากที่มีประสบการณ์เชิงปฏิบัติในการวิจัยทางวิทยาศาสตร์ด้าน AI แบ่งปันและหารือเกี่ยวกับการประยุกต์ใช้ AI ในปัจจุบันในการวิจัยทางวิทยาศาสตร์ การใช้งานเฉพาะของ AI ในสาขาการวิจัยทางวิทยาศาสตร์ ข้อจำกัดและปัญหาที่ยังไม่ได้รับการแก้ไขของ AI และผลกระทบที่ AI สำหรับวิทยาศาสตร์อาจมีต่อกระบวนทัศน์การวิจัยทางวิทยาศาสตร์ในอนาคต
ความสำเร็จของ AlphaFold เป็นเพียงก้าวแรกในการเดินทางอันยาวนาน กรอบงาน AI แบบดั้งเดิมยังคงมีข้อจำกัด
Hassabi ผู้ได้รับรางวัลโนเบลสาขาเคมีคนปัจจุบัน ได้รับรางวัลจากการพัฒนาแบบจำลองปัญญาประดิษฐ์ AlphaFold ซึ่งแก้ปัญหาที่มีอายุ 50 ปี และสามารถทำนายโครงสร้างที่ซับซ้อนของโปรตีนที่รู้จักประมาณ 200 ล้านชิ้น และได้ถูกนำมาใช้ โดยผู้คนมากกว่า 2 ล้านคนทั่วโลก ในมุมมองของ Tang Chao นักวิชาการของ Chinese Academy of Sciences และผู้อำนวยการศูนย์ร่วมด้านวิทยาศาสตร์ชีวภาพของมหาวิทยาลัยปักกิ่ง-มหาวิทยาลัย Tsinghua ความสำเร็จของ AlphaFold ไม่เท่ากับความสำเร็จในสาขาวิทยาศาสตร์เพื่อชีวิต มันเป็นเพียง "ก้าวแรกเท่านั้น" หนทางอันยาวไกลนับพันไมล์”
Tang Chao นักวิชาการของ Chinese Academy of Sciences และผู้อำนวยการศูนย์ร่วมเพื่อวิทยาศาสตร์ชีวภาพของมหาวิทยาลัยปักกิ่ง-มหาวิทยาลัย Tsinghua กำลังกล่าวสุนทรพจน์/ถ่ายภาพโดย Luo Yidan นักข่าวของ Beijing News Shell Finance
Tang Chao แนะนำว่าแบบจำลองส่วนใหญ่ในสาขาวิทยาศาสตร์เพื่อชีวิตปัจจุบันจำกัดอยู่เพียงรูปแบบเดียว เช่น การถอดรหัสเซลล์เดียว ลำดับ RNA โครงสร้างโปรตีน ฯลฯ อย่างไรก็ตาม วิทยาศาสตร์เพื่อชีวิตเป็นระบบที่ซับซ้อนและใหญ่โต วิทยาศาสตร์คือการเริ่มต้นจากโมเลกุลและเซลล์ อวัยวะ ไปจนถึงองค์ประกอบเชิงโต้ตอบหลายระดับและหลายมิติของชีวิตโดยรวม
"ชีวิตเป็นระบบที่ซับซ้อนซึ่งมีหลายระดับและหลายระดับตั้งแต่ระดับมหภาคไปจนถึงระดับจุลภาค แต่ละระดับมีภาษาและตรรกะของตัวเอง ซึ่งมีอิทธิพลต่อกันและกัน" Tang Chao กล่าวว่า "กรอบงาน AI แบบดั้งเดิมทำงานได้ดีในการประมวลผลข้อมูลที่มีโครงสร้างและเชิงเส้น แต่ในชีวิต ระบบ ข้อมูลเป็นไดนามิกและมีการโต้ตอบหลายบิต ดังนั้นกรอบงาน AI แบบดั้งเดิมจึงแสดงข้อจำกัดที่ชัดเจนเมื่อต้องจัดการกับข้อมูลวิทยาศาสตร์เพื่อชีวิตที่มีมิติสูงและไม่เป็นเชิงเส้น”
นอกจากนี้ แม้แต่การวิจัย AI แบบกิริยาเดี่ยวก็จำเป็นต้องมีรากฐานข้อมูลที่ดี ปัจจุบัน การวิจัยทางวิทยาศาสตร์บางสาขาเผชิญกับปัญหาข้อมูลการทดลองที่ไม่เพียงพอและการกำหนดมาตรฐานของข้อมูลการทดลองที่ไม่เพียงพอ
Tang Chao กล่าวว่าการสร้างระบบข้อมูลวิทยาศาสตร์เพื่อชีวิตเริ่มต้นช้า โดยมีการลงทุนไม่เพียงพอ ขาดระบบนิเวศแบบห่วงโซ่เต็มรูปแบบ และขาดกลไกการวางแผนเชิงกลยุทธ์และแบ่งปันอย่างเป็นระบบในระยะแรก เป็นเรื่องยากที่จะสร้างผลกระทบสูงและ ชุดข้อมูลพร้อมต้นฉบับและอัตราการใช้ข้อมูลยังล่าช้าในยุโรปและอเมริกา
Zhang Jinze นักวิชาการของ Chinese Academy of Sciences สมาชิกคณะกรรมการประจำพรรคและรองประธานมหาวิทยาลัยปักกิ่ง กล่าวเมื่อแนะนำการใช้ AI สำหรับการวิจัยวัสดุว่ากระบวนการรวบรวมข้อมูลในปัจจุบันไม่สม่ำเสมอ และข้อมูล ที่ได้รับจากอุปกรณ์ สภาพแวดล้อม และผู้ปฏิบัติงานที่แตกต่างกันนั้นแตกต่างกันมาก นอกจากนี้ ข้อมูลที่สร้างขึ้นจากการทดลองประเภทต่างๆ ได้แก่ รูปภาพ ข้อมูลสเปกตรัม ข้อมูลโครงสร้าง ฯลฯ ในรูปแบบที่แตกต่างกัน
การสร้างแบบจำลองและการฝึกอบรม AI ต้องการการสนับสนุนจากบิ๊กดาต้า จาง จิน กล่าวว่า "การกำหนดมาตรฐานเป็นพื้นฐานสำหรับการแบ่งปันข้อมูล การทำซ้ำ และการทำซ้ำความรู้ทางวิทยาศาสตร์"
จาง จิน นักวิชาการของ Chinese Academy of Sciences สมาชิกคณะกรรมการประจำพรรคและรองประธานมหาวิทยาลัยปักกิ่ง กำลังกล่าวสุนทรพจน์ ภาพถ่ายโดยหลัว ยี่ตัน นักข่าวของ Beijing News Shell Finance
ในมุมมองของ Tang Chao ปัญหาที่ต้องแก้ไขอย่างเร่งด่วนในการวิจัยกรอบงานโมเดลขนาดใหญ่ด้านวิทยาศาสตร์ชีวภาพ ได้แก่ การเพิ่มประสิทธิภาพการออกแบบตัวเข้ารหัสข้อมูลลำดับ รูปภาพ และเมทริกซ์ตามลักษณะของข้อมูลวิทยาศาสตร์เพื่อชีวิต การปรับสถาปัตยกรรมโมดูลและข้อมูลสำหรับฟิวชั่น ของข้อมูลกิริยาที่แตกต่างกัน การเลือกชุดและกลยุทธ์ก่อนการฝึกอบรม สิ่งที่ทำให้เกิด "การเปลี่ยนแปลงเชิงปฏิวัติ" ได้จริงๆ คือวิธีสร้างสถาปัตยกรรมโมเดลใหม่สำหรับตรรกะทางภาษา การจัดระเบียบตนเอง การเกิดขึ้นแบบลำดับชั้น กลไกการป้อนกลับ ความสามารถในการปรับตัว ฯลฯ ของปรากฏการณ์ชีวิต
Tang Chao แนะนำว่ากระบวนการวิจัยในสาขาวิทยาศาสตร์สิ่งมีชีวิตมักเป็นวงจรของ: การดำเนินการสังเกตเชิงทดลอง - การปรับแบบจำลองให้เหมาะสมเพื่ออธิบายปรากฏการณ์ - การสรุปคุณสมบัติ - การทำนายพฤติกรรม - จากนั้นจึงดำเนินการสังเกตเชิงทดลอง เขาเชื่อว่าการปรับแบบจำลองอาจเสร็จสิ้นได้ผ่าน AI ใน ในอนาคต "เรามีเป้าหมายคือการสร้างแบบจำลองวิทยาศาสตร์เพื่อชีวิตข้ามระดับหลายรูปแบบ และหวังว่าจะค้นพบกฎและหลักการใหม่ๆ ในวิทยาศาสตร์เพื่อชีวิตในท้ายที่สุด"
AI ปฏิวัติกระบวนทัศน์การวิจัย: ไม่ต้องหมกมุ่นอยู่กับ "ความสามารถในการอธิบาย" ที่ชัดเจนอีกต่อไปผ่านการสอบเทียบการทดลองที่ครอบคลุม
แม้ว่า "AI4S" ยังคงมีปัญหามากมายที่ต้องแก้ไข แต่ในปัจจุบัน AI ได้สร้างความสำเร็จในสาขาการวิจัยทางวิทยาศาสตร์ต่างๆ มากมาย นอกเหนือจาก AlphaFold ที่เกี่ยวข้องกับรางวัลโนเบลที่กล่าวมาข้างต้นแล้ว แอปพลิเคชันเฉพาะยังรวมถึงเทคโนโลยี AI อย่าง DeepMind อีกด้วย ควบคุมรูปร่างของพลาสมาในอุปกรณ์นิวเคลียร์ฟิวชัน-Tokmak, FraphCast คาดการณ์สภาพอากาศโลกในอีก 10 วันข้างหน้า และเหนือกว่า HRES ของระบบของมนุษย์ใน 90% ของตัวบ่งชี้
นอกจากนี้ AI ยังเร่งกระบวนการวิจัยเชิงทดลองอีกด้วย จางจินกล่าวว่าโดยพื้นฐานแล้วเป็นไปไม่ได้ที่นักเรียนจะทำการทดลองเดียวกันซ้ำ 3 ชุดในหนึ่งวัน แต่การทดลองอัตโนมัติ 150 ชุดสามารถทำได้ในหนึ่งวันผ่านแพลตฟอร์มอัตโนมัติ ซึ่งช่วยเพิ่มความสามารถในการทำซ้ำของการทดสอบได้อย่างมาก และข้อมูลการทดลองคุณภาพสูงเป็นกุญแจสำคัญในการฝึกจำลอง
เจียง จุน ประธานศาสตราจารย์แห่งมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งประเทศจีน ได้แนะนำประสบการณ์ของเขาและทีมงานโดยใช้แพลตฟอร์มหุ่นยนต์เคมีของมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีของจีนสำหรับการทดลอง นักข่าว Beijing News Shell Finance สังเกตเห็นอุปกรณ์นี้ผ่านการนำเสนอวิดีโอของเขา ด้วยแชสซีเคลื่อนที่รอบทิศทางและเครื่องจักรอัจฉริยะ Arm หุ่นยนต์ทดลองควบคุมอัตโนมัติเต็มรูปแบบที่ดูเหมือน "โต๊ะเคลื่อนที่"
Jiang Jun ประธานศาสตราจารย์แห่งมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งประเทศจีน แนะนำระบบการทดลองเกี่ยวกับเครื่องจักร ภาพถ่ายโดย Luo Yidan นักข่าวของ Beijing News Shell Finance
Jiang Jun เปิดตัวแพลตฟอร์มนักเคมีด้วยเครื่องจักรของมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งประเทศจีนว่า "สามารถอ่าน สามารถคำนวณ และทำงานได้อย่างขยันขันแข็ง" "ผ่านระบบการอ่านด้วยเครื่องจักร ความสามารถในการประมวลผลภาษาธรรมชาติจะถูกนำไปใช้ในการวิเคราะห์เอกสารและสิทธิบัตร หนังสือเรียน สมุดบันทึกอิเล็กทรอนิกส์เชิงทดลอง และรวบรวมข้อมูลที่เป็นกลางบนเว็บไซต์ แบบจำลองทางกายภาพ/การทำนายอัจฉริยะผ่านระบบคอมพิวเตอร์ของเครื่องจักร การทดลองผ่านระบบการทดลองของเครื่องจักรเพื่อรับการสอบเทียบผลป้อนกลับในโลกแห่งความเป็นจริง”
เขาแนะนำว่าแนวโน้มการพัฒนา "AI4S" ทั้งในและต่างประเทศคือโมเดลขนาดใหญ่ + หุ่นยนต์ + พันธมิตรด้านสิ่งแวดล้อม ตัวอย่างเช่น British AI-Hub Alliance ใช้เงิน 3.2 พันล้านหยวนเพื่อสร้างโรงงานนวัตกรรมอัจฉริยะที่มีพื้นที่ 11,000 ตารางเมตร นักวิทยาศาสตร์ 200 คนและ วิศวกร 100 คน ให้บริการแก่ Unilever และคิดเป็น 60% ของเงินทุนด้านการวิจัยและพัฒนาประจำปี
นักวิทยาศาสตร์หลายคนในที่เกิดเหตุกล่าวว่า AI ได้นำการวิจัยทางวิทยาศาสตร์มาสู่ขั้นใหม่
กงซิงเกา นักวิชาการจาก Chinese Academy of Sciences และศาสตราจารย์ของมหาวิทยาลัยฟู่ตัน กล่าวว่ากระบวนทัศน์ของการวิจัยฟิสิกส์แบ่งออกเป็น 4 ขั้นตอน ได้แก่ ฟิสิกส์ทดลอง ฟิสิกส์เชิงทฤษฎี ฟิสิกส์เชิงคำนวณ และฟิสิกส์คณิตศาสตร์ ปัจจุบันได้มาถึงขั้นของฟิสิกส์ดิจิทัลโดยใช้การขุดข้อมูล ปัญญาประดิษฐ์ และการเรียนรู้ของเครื่องเป็นเครื่องมือ
จากมุมมองของจาง จิน การมอบรางวัลโนเบลในสาขาที่เกี่ยวข้องกับ AI ถือเป็นเกณฑ์มาตรฐาน: "การแสวงหาความเข้มงวดทางวิทยาศาสตร์ เช่น ฟิสิกส์และเคมี จะเปิดกว้างมากขึ้น เราไม่ได้หมกมุ่นอยู่กับ 'ความสามารถในการตีความ' ที่ชัดเจนอีกต่อไป แต่ปล่อยให้คนผิวดำ- การคาดการณ์แบบกล่องจะต้องได้รับการยอมรับและปรับเทียบอย่างต่อเนื่องผ่านการทดสอบ ซึ่งท้ายที่สุดจะนำไปสู่ความเข้าใจที่แม่นยำและครอบคลุมยิ่งขึ้น”