太平洋科技要聞

美國(guó)醞釀AI「登月計(jì)劃」，陶哲軒領(lǐng)銜62頁(yè)報(bào)告重磅發(fā)布！

新智元整合編輯：龔震發(fā)布于：2024-05-06 17:04

近日，陶哲軒領(lǐng)銜的一份AI技術(shù)對(duì)全球研究潛在影響的技術(shù)報(bào)告發(fā)布了。

這份報(bào)告長(zhǎng)達(dá)62頁(yè)，總結(jié)了AI對(duì)材料、半導(dǎo)體設(shè)計(jì)、氣候、物理、生命科學(xué)等領(lǐng)域已經(jīng)做出的改變，以及預(yù)測(cè)它們?cè)谖磥?lái)可能由AI產(chǎn)生的改變。

報(bào)告地址：https://www.whitehouse.gov/wp-content/uploads/2024/04/AI-Report_Upload_29APRIL2024_SEND-2.pdf

除了總結(jié)AI工具已經(jīng)改變的科學(xué)領(lǐng)域的小插曲，陶哲軒等人還發(fā)出了三個(gè)呼吁——

1.必須賦予人類(lèi)科學(xué)家更多的權(quán)能；

2.所有人必須負(fù)責(zé)任地使用AI工具；

3.國(guó)家層面需要共享基本的AI資源。

一旦必要的AI基礎(chǔ)設(shè)施到位，新的科學(xué)「登月計(jì)劃」將成為可能

眾所周知，AI——可以幫助研究人員從數(shù)據(jù)中獲得更多洞見(jiàn)，并確定最可能的解決方案；可以幫助處理日常任務(wù)，從而讓研究人員能夠?qū)Ｗ⒂诤诵难芯浚豢梢詭椭鷮?shí)現(xiàn)實(shí)驗(yàn)室流程的自動(dòng)化；可以幫助完成以前很難實(shí)現(xiàn)的模擬；可以通過(guò)多模態(tài)基礎(chǔ)模型將多種形式的數(shù)據(jù)匯集在一起，并在不同科學(xué)分支之間創(chuàng)造新的協(xié)同效應(yīng)。

而當(dāng)資源到位，并可以提供算力、安全的數(shù)據(jù)共享服務(wù)、開(kāi)源的AI模型以及其他關(guān)鍵基礎(chǔ)設(shè)施的訪問(wèn)時(shí)，我們就可以開(kāi)始規(guī)劃那些十分復(fù)雜且規(guī)模巨大的「登月式」科研項(xiàng)目。

這些項(xiàng)目可能包括:

- 一個(gè)模擬人類(lèi)細(xì)胞復(fù)雜性的基礎(chǔ)模型，允許在計(jì)算機(jī)上（而不是在試管或活體內(nèi)），對(duì)疾病和實(shí)驗(yàn)性治療進(jìn)行研究；

- 一個(gè)詳細(xì)的整個(gè)地球模型，使用傳統(tǒng)和AI模型來(lái)描述地球系統(tǒng)的組成部分，同時(shí)也不斷地用高度多樣化的實(shí)時(shí)數(shù)據(jù)進(jìn)行更新；

- 通過(guò)系統(tǒng)收集、處理和AI輔助分析現(xiàn)有數(shù)據(jù)和文獻(xiàn)，以及自動(dòng)化實(shí)驗(yàn)室合成和測(cè)試可行的候選物，來(lái)發(fā)現(xiàn)實(shí)用的室溫超導(dǎo)體。

隨著共享AI資源基礎(chǔ)設(shè)施的出現(xiàn)，全新的合作形式將從規(guī)模效應(yīng)中獲得實(shí)質(zhì)性的好處，也就是說(shuō)，隨著項(xiàng)目規(guī)模的擴(kuò)大，單位成本會(huì)降低、效率會(huì)提高。

與此同時(shí)，這種合作也可以減少不同團(tuán)隊(duì)之間的重復(fù)工作，提高研究效率。

AI即將顛覆的學(xué)科領(lǐng)域

目前人類(lèi)科學(xué)發(fā)展到這個(gè)階段，已經(jīng)到達(dá)了臨界點(diǎn)。在許多領(lǐng)域，我們都面臨著巨大的障礙，而這些障礙一旦能克服，這些領(lǐng)域的進(jìn)展都將邁入新的階段。

令人興奮的是，這些目前靠我們自己已經(jīng)很難再推進(jìn)太多的突破，靠AI很可能會(huì)被解決！

當(dāng)然，為了實(shí)現(xiàn)這些設(shè)想，我們還面臨一些必須考慮的潛在風(fēng)險(xiǎn)，并且還需要實(shí)現(xiàn)目標(biāo)所需的資源。

AI設(shè)計(jì)半導(dǎo)體，讓美國(guó)穩(wěn)坐第一

如今，支撐起全球經(jīng)濟(jì)和國(guó)家安全的現(xiàn)代電子設(shè)備，都需要依靠「芯片」來(lái)運(yùn)行。

隨著這些芯片功能的增強(qiáng)，它們的復(fù)雜性也在不斷增加——當(dāng)前最先進(jìn)的芯片，已經(jīng)包含了高達(dá)數(shù)百億個(gè)組件。

由于需要龐大的工程資源和復(fù)雜的基礎(chǔ)設(shè)施，目前只有規(guī)模最大的公司才有能力制造這些高端芯片。而AI則可以在顯著提升芯片設(shè)計(jì)質(zhì)量的同時(shí)，減少所需的時(shí)間和人數(shù)。

當(dāng)然，這些AI工具并不是要取代設(shè)計(jì)師，而是通過(guò)提高設(shè)計(jì)師的工作效率來(lái)幫助緩解專(zhuān)業(yè)芯片設(shè)計(jì)師短缺的問(wèn)題。

現(xiàn)在，已經(jīng)有很多專(zhuān)為芯片設(shè)計(jì)師開(kāi)發(fā)的AI輔助工具，可以讓初級(jí)設(shè)計(jì)師解決那些原本需要高級(jí)設(shè)計(jì)師花費(fèi)大量時(shí)間來(lái)處理的問(wèn)題。

同時(shí)，還有一些芯片設(shè)計(jì)AI智能體還能總結(jié)錯(cuò)誤報(bào)告和設(shè)計(jì)文檔，或者基于簡(jiǎn)單的英語(yǔ)提示為其他設(shè)計(jì)自動(dòng)化工具生成腳本。

https://arxiv.org/pdf/2311.00176

甚至，正在開(kāi)發(fā)中的AI，還能夠設(shè)計(jì)出比傳統(tǒng)方法更快或更小的電路.

通過(guò)利用強(qiáng)化學(xué)習(xí)技術(shù)，AI在探索可能的電路配置時(shí)會(huì)收到正面的「獎(jiǎng)勵(lì)」和負(fù)面的「懲罰」，從而使其能夠調(diào)整其設(shè)計(jì)策略，最終找到那些具有理想特性的電路設(shè)計(jì)方法。

隨著半導(dǎo)體技術(shù)的快速進(jìn)步，每次更迭都需要重新設(shè)計(jì)數(shù)千種標(biāo)準(zhǔn)設(shè)計(jì)單元，從而適應(yīng)新的制造工藝。對(duì)許多制造商而言，這一過(guò)程可能需要投入高達(dá)80人月的勞動(dòng)力。

相比之下，結(jié)合了生成式AI用于數(shù)據(jù)聚類(lèi)和強(qiáng)化學(xué)習(xí)用于糾正設(shè)計(jì)規(guī)則錯(cuò)誤，能夠自動(dòng)化這一設(shè)計(jì)過(guò)程，將所需的工作量減少超過(guò)一千倍。

論文地址：https://dl.acm.org/doi/pdf/10.1145/3569052.3578920

與此同時(shí)，F(xiàn)PGA的應(yīng)用使得在最新的AI驅(qū)動(dòng)放置和布線技術(shù)上能夠快速迭代，實(shí)現(xiàn)了超過(guò)三倍的效率提升。

在芯片設(shè)計(jì)的創(chuàng)建過(guò)程中，必須對(duì)設(shè)計(jì)進(jìn)行多種分析，以確保它們符合規(guī)定的標(biāo)準(zhǔn)和制造過(guò)程的約束。

在以往，為了精確掌握「寄生」特性，需要先制作電路的布局圖，這一步驟往往會(huì)使設(shè)計(jì)周期的每一次迭代增加數(shù)天的手動(dòng)工作。

現(xiàn)在，整個(gè)設(shè)計(jì)迭代過(guò)程可以在幾分鐘內(nèi)完成，從而快速得到符合預(yù)期規(guī)格的電路。

很快，更強(qiáng)大的LLM將會(huì)化身成「芯片設(shè)計(jì)助手」——它們不僅能回答問(wèn)題、評(píng)估和驗(yàn)證設(shè)計(jì)，還能執(zhí)行一些常規(guī)設(shè)計(jì)任務(wù)。

此外，AI技術(shù)將極大提升設(shè)計(jì)師的工作效率，可能增加十倍甚至更多。設(shè)計(jì)師只需把自己的注意力集中在算法和系統(tǒng)層面，而更細(xì)節(jié)的設(shè)計(jì)層面交給AI就可以了。

而且，AI的合成與分析工具將極大縮短設(shè)計(jì)周期，使得從高層次的設(shè)計(jì)描述到完成驗(yàn)證的布局只需幾小時(shí)，而現(xiàn)在這一過(guò)程需要幾周時(shí)間。

PCAST預(yù)計(jì)，通過(guò)將這些前沿技術(shù)融入芯片制造過(guò)程，美國(guó)將繼續(xù)保持在半導(dǎo)體設(shè)計(jì)領(lǐng)域的領(lǐng)先地位，并有效緩解該領(lǐng)域的嚴(yán)重勞動(dòng)力短缺問(wèn)題。

甚至實(shí)現(xiàn)美國(guó)半導(dǎo)體行業(yè)的宏偉目標(biāo)——開(kāi)發(fā)出全新的平臺(tái)、方法和工具，使得芯片的生產(chǎn)只需現(xiàn)在所需人力的十分之一。

揭示宇宙的基礎(chǔ)物理學(xué)：1分鐘模擬超算的1個(gè)月

關(guān)于宇宙，這些謎題始終未曾解答。

是什么「暗物質(zhì)」將星系結(jié)合在一起?

又是什么「暗能量」推動(dòng)所有星系間的距離加速膨脹?

最近觀測(cè)到的那些古老的星系，有什么意義?

這些對(duì)于宇宙的基礎(chǔ)理解，卻能讓我們實(shí)現(xiàn)技術(shù)上的飛躍。

比如，可能我們很難想象出一個(gè)比廣義相對(duì)論更抽象、更不切實(shí)際的基礎(chǔ)理論了，然而，它卻是全球定位系統(tǒng)GPS的基礎(chǔ)，解決了我們此前從未預(yù)想到的定位和導(dǎo)航問(wèn)題，而其中的經(jīng)濟(jì)利益，以千億美元計(jì)。

而如今，對(duì)于AI已經(jīng)成為物理學(xué)家和宇宙學(xué)家實(shí)驗(yàn)和觀測(cè)中工作中的重要工具，用于設(shè)計(jì)、實(shí)現(xiàn)和分析大多數(shù)步驟。

某些對(duì)AI的應(yīng)用建立在目前的方法上，通過(guò)計(jì)算模擬，來(lái)比較和測(cè)試?yán)碚撆c數(shù)據(jù)，比如如果一個(gè)理論是正確的，數(shù)據(jù)看起來(lái)會(huì)是什么樣。

通過(guò)條件密度估計(jì)對(duì)新物理學(xué)進(jìn)行無(wú)監(jiān)督分布內(nèi)異常檢測(cè)

對(duì)于超級(jí)計(jì)算機(jī)，這些模擬可能是最困難的任務(wù)，因?yàn)樗鼈冃枰?jì)算每一個(gè)粒子、恒星或星系行為的每一步。

但AI的好處是，它可以從這些模擬中學(xué)習(xí)更大的模型。這樣，科學(xué)家就可以縮短這些超算的任務(wù)，讓它能夠在不到一分鐘的時(shí)間內(nèi)，看到一臺(tái)超算一個(gè)月工作量的近似值。

通過(guò)AI，研究人員可以掃描數(shù)百萬(wàn)種可能的理論，每一種都有我們字宙的不同初始圖像，他們就能看到，哪一種更能解釋我們實(shí)際用望遠(yuǎn)鏡觀察到的數(shù)據(jù)。

而到2030年末，我們就能用AI分析Nancy Grace Roman望遠(yuǎn)鏡十年的數(shù)據(jù)。

Nancy Grace Roman太空望遠(yuǎn)鏡

通過(guò)AI對(duì)數(shù)據(jù)進(jìn)行分析，科學(xué)家們很可能會(huì)發(fā)現(xiàn)驚人的證據(jù)，證明我們的字宙不會(huì)在指數(shù)膨脹的冷寂中終結(jié)，而是會(huì)重復(fù)地發(fā)生大爆炸，循環(huán)重啟。

AI具有在復(fù)雜數(shù)據(jù)集中發(fā)現(xiàn)模式的能力，變量的數(shù)量遠(yuǎn)超人類(lèi)可以跟蹤的數(shù)量。

如果有新發(fā)現(xiàn)打破了常規(guī)規(guī)律，就會(huì)脫穎而出。

已經(jīng)有粒子物理學(xué)家舉辦過(guò)比賽，來(lái)尋找搜索這些「異�！沟淖罴逊椒�，后者很可能指向新的物理發(fā)現(xiàn)。而比賽的獲勝者都是基于AI做出的發(fā)現(xiàn)。

通過(guò)拉格朗日深度學(xué)習(xí)生成宇宙流體動(dòng)力學(xué)的有效物理定律，在混合模擬中預(yù)測(cè)暗物質(zhì)超密度、恒星質(zhì)量、電子動(dòng)量密度等

這些AI方法，很可能使我們?cè)谙乱淮鶦ERN和費(fèi)米實(shí)驗(yàn)室加速器實(shí)驗(yàn)中，發(fā)現(xiàn)一些極其罕見(jiàn)、意想不到的粒子，這將有助于構(gòu)建統(tǒng)一理論，該理論將引力與其他力相結(jié)合。

基礎(chǔ)物理學(xué)和宇宙學(xué)，都是基于對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，因此需要深入了解數(shù)據(jù)解釋中的概率，這一要求也推動(dòng)了AI在處理概率嚴(yán)謹(jǐn)性上的發(fā)展。

因?yàn)椋覀冃枰狝I做的，不僅是提供最有可能的答案(「那是一張貓的照片」)，而是開(kāi)發(fā)能夠提供一系列可能答案、并且提供每個(gè)答案正確可能性的AI系統(tǒng)(「有69%的可能性那是一只貓，22%的可能性是土豚，8%的可能性是氣球，百分之一的可能性是冰箱」)。

物理學(xué)家正在尋找一種將量子物理學(xué)與廣義相對(duì)論統(tǒng)一起來(lái)的理論

對(duì)于一個(gè)關(guān)鍵數(shù)字的測(cè)量，它會(huì)給出一組可能值，例如68%、95%或99.9%的概率。

評(píng)估不確定性，對(duì)于基礎(chǔ)物理學(xué)至關(guān)重要，而嚴(yán)格遵循概率的AI，也將為許多其他科學(xué)領(lǐng)域帶來(lái)變革，對(duì)于科學(xué)意外的應(yīng)用也意義重大。

或許20年后，科學(xué)家會(huì)用AI看到量子計(jì)算機(jī)與黑洞之間的類(lèi)比，開(kāi)啟一種全新的測(cè)試廣義相對(duì)論的臺(tái)式方法，以及一種強(qiáng)大的新時(shí)序技術(shù)。

新材料：超導(dǎo)體、冷原子、拓?fù)浣^緣體、超導(dǎo)量子比特

曾經(jīng)，人類(lèi)生活質(zhì)量的重大改善，是由青銅、鐵、混凝土、鋼這些材料科學(xué)的進(jìn)步推動(dòng)的。

今天，我們生活在硅、碳?xì)浠衔锖拖跛猁}的時(shí)代。不久的將來(lái)，可能就是納米材料、生物聚合物和量子材料的時(shí)代。

而AI的輔助，會(huì)打開(kāi)許多以往只存在于想象中的可能，包括室溫超導(dǎo)、大規(guī)模量子計(jì)算機(jī)架構(gòu)。

機(jī)器人正在勞倫斯伯克利國(guó)家實(shí)驗(yàn)室的A-Lab中合成材料

如今，科學(xué)家已經(jīng)成功地用深度學(xué)習(xí)模型發(fā)現(xiàn)了多種材料。

比如，某私營(yíng)公司的跨學(xué)科研究團(tuán)隊(duì)，使用AI設(shè)計(jì)出了數(shù)百萬(wàn)種新材料，近半數(shù)AI預(yù)測(cè)出來(lái)的新材料，都具備足夠的穩(wěn)定性，可以在實(shí)驗(yàn)室中生長(zhǎng)。

另外，AI也可用于改進(jìn)現(xiàn)有材料，優(yōu)化材料成分，減少對(duì)環(huán)境有害的物質(zhì)。

用于預(yù)測(cè)材料拓?fù)湫再|(zhì)的密度泛函理論示例

為了設(shè)計(jì)和開(kāi)發(fā)新材料，來(lái)解決重大的社會(huì)挑戰(zhàn)，美國(guó)國(guó)家科學(xué)基金會(huì)(NSF)已經(jīng)投資了7250萬(wàn)美元。

具體來(lái)說(shuō)，以下幾個(gè)遇到阻礙的材料領(lǐng)域，很有望被AI解決。

超導(dǎo)體

去年夏天的室溫超導(dǎo)熱，讓全社會(huì)都感受到了奇點(diǎn)臨近的興奮。

對(duì)于磁共振成像儀、粒子加速器、某些實(shí)驗(yàn)性的量子計(jì)算技術(shù)、全國(guó)電力網(wǎng)來(lái)說(shuō)，超導(dǎo)體都是必不可少的，因?yàn)樗軌驘o(wú)損耗地傳輸電能。

然而，超導(dǎo)體面臨三個(gè)問(wèn)題。

第一，就是目前已知的超導(dǎo)體必須冷卻到接近接近絕對(duì)零度，也即零下273攝氏度，這就需要使用液氮，導(dǎo)致設(shè)備極其昂貴。

第二，與銅等傳統(tǒng)導(dǎo)體不同，現(xiàn)有的超導(dǎo)體并不具有可塑性，會(huì)隨著時(shí)間失去超導(dǎo)性。

第三，前驅(qū)材料的成本，還是加工成導(dǎo)線的成本，也都十分昂貴。

從前，我們的嘗試都是依賴(lài)組合化學(xué)方法，需要篩選大量的材料組合。

為了得到常溫常壓超導(dǎo)，人類(lèi)已經(jīng)努力了100多年

因此，許多至關(guān)重要的材料的發(fā)現(xiàn)，都是出于偶然，期間經(jīng)歷了大量試驗(yàn)和錯(cuò)誤。

變量如此之多，讓材料價(jià)格低廉的要求如此之難，使得超導(dǎo)體的發(fā)現(xiàn)幾乎不可能用傳統(tǒng)方法解決。

而AI，將在3個(gè)領(lǐng)域帶來(lái)改變。

首先，AI模型預(yù)測(cè)能力，使我們能夠通過(guò)連接并利用現(xiàn)有材料、處理?xiàng)l件和性能方面的大量數(shù)據(jù)，來(lái)發(fā)現(xiàn)新材料。

從這個(gè)數(shù)據(jù)集中，可以確定化學(xué)、物理和工程中材料的模式，為研究人員提供新方法。

基于GNoME的發(fā)現(xiàn)，顯示了基于模型的過(guò)濾和DFT如何充當(dāng)數(shù)據(jù)飛輪，來(lái)改進(jìn)預(yù)測(cè)

其次，人工智能模型可以預(yù)測(cè)性能（例如，預(yù)測(cè)量子比特的相于時(shí)間、熱電材料的效率或超導(dǎo)體的臨界溫度），從而減少對(duì)可行候選材料實(shí)驗(yàn)的測(cè)試的浪費(fèi)。

第三，通過(guò)將過(guò)程信息與材料組成相結(jié)合，可以在材料設(shè)計(jì)方面設(shè)定實(shí)際限制，加快新材料應(yīng)用的商業(yè)化過(guò)程。

除了超導(dǎo)體這種「硬」材料，聚合物、流體這些「軟」材料，因?yàn)椴牧峡茖W(xué)中復(fù)雜的結(jié)構(gòu)-性能關(guān)系，同樣需要龐大的數(shù)據(jù)級(jí)和預(yù)測(cè)能力。

而且，量子計(jì)算機(jī)的基本構(gòu)建部分，如冷原子、拓?fù)浣^緣體或超導(dǎo)量子比特，都可以靠AI改進(jìn)或生成。

具有4個(gè)量子比特的超導(dǎo)芯片

生命科學(xué)

美國(guó)國(guó)家科學(xué)技術(shù)委員會(huì)認(rèn)為，由AI驅(qū)動(dòng)的工具、分析和結(jié)果，將從根本上改變我們探索和理解生命的基本組成部分的方式，還會(huì)影響到包括農(nóng)業(yè)和醫(yī)學(xué)的生命系統(tǒng)。

揭開(kāi)細(xì)胞功能之謎

解讀細(xì)胞內(nèi)部復(fù)雜的運(yùn)作機(jī)制，是幾個(gè)世紀(jì)以來(lái)一直困擾生物學(xué)家的難題，因?yàn)榧?xì)胞的結(jié)構(gòu)極其復(fù)雜且互相關(guān)聯(lián)。

而AI就為此提供了強(qiáng)大的工具。

比如，AI為蛋白質(zhì)提供了新的視角。

基于AI的蛋白質(zhì)折疊預(yù)測(cè)系統(tǒng)，可以利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)了數(shù)百萬(wàn)種蛋白質(zhì)的結(jié)構(gòu)。

基于大規(guī)模深度學(xué)習(xí)的結(jié)構(gòu)建模范圍從單體蛋白質(zhì)擴(kuò)展到蛋白質(zhì)組裝

這些系統(tǒng)從已知蛋白質(zhì)和結(jié)構(gòu)的數(shù)據(jù)中學(xué)習(xí)，也從基礎(chǔ)化學(xué)知識(shí)如原子間距離的物理約束中學(xué)習(xí)。

最近，研究人員還利用AI來(lái)破解蛋白質(zhì)的功能，包括蛋白質(zhì)如何相互作用，從而揭示細(xì)胞信號(hào)轉(zhuǎn)導(dǎo)、代謝和基因調(diào)控等分子機(jī)制。

人工智能工具也被用來(lái)設(shè)計(jì)蛋白質(zhì)，以實(shí)現(xiàn)與受體和其他目標(biāo)特異性結(jié)合的目標(biāo)。

AI驅(qū)動(dòng)的蛋白質(zhì)設(shè)計(jì)，已經(jīng)在開(kāi)發(fā)疫苗和新型藥物方面取得了成功。其中一些設(shè)計(jì)方法，正是使用了「擴(kuò)散模型」和圖像生成系統(tǒng)的填充和描邊技術(shù)。

使用三軌神經(jīng)網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)和相互作用

構(gòu)建生物科學(xué)基礎(chǔ)模型

構(gòu)建生物信息學(xué)仿真工具，一個(gè)很有潛力的方法是構(gòu)建面向整體細(xì)胞建模的多模態(tài)、多層次生物科學(xué)基礎(chǔ)模型。

AI方法使科學(xué)家能夠?qū)Χ喾N類(lèi)型的數(shù)據(jù)進(jìn)行多模態(tài)表征，或者「嵌入」，包括蛋白質(zhì)序列和結(jié)構(gòu)、DNA、RNA表達(dá)數(shù)據(jù)、臨床觀察、成像數(shù)據(jù)和來(lái)自電子健康記錄的數(shù)據(jù)等。

使用RFAA進(jìn)行一般生物分子建模

例如，開(kāi)發(fā)集成大型數(shù)據(jù)集的基礎(chǔ)模型EVO，結(jié)合DNA、RNA和蛋白質(zhì)數(shù)據(jù)，來(lái)闡明細(xì)胞整體功能背后的相互作用。

這種多模態(tài)、多層次的模型，可以提供從原子到生理學(xué)的各種尺度的結(jié)果預(yù)測(cè)，以及分子和行為的生成。

生物科學(xué)基礎(chǔ)模型，有望使科學(xué)家探究健康與疾病的本質(zhì)，例如建立癌癥模型，并探索細(xì)胞相互作用，以及癌癥背后的網(wǎng)絡(luò)如何在模擬中被破壞或「治愈」。

AI將指導(dǎo)藥物研發(fā)，在開(kāi)始昂貴耗時(shí)的實(shí)驗(yàn)之前，AI就可以通過(guò)虛擬篩選潛在的治療化合物，減少不必要的浪費(fèi)。

五點(diǎn)建議

為了實(shí)現(xiàn)以上技術(shù)進(jìn)步，PACST委員會(huì)提出了以下五點(diǎn)建議。

建議1：廣泛公平地共享基礎(chǔ)AI資源

廣泛支持易于訪問(wèn)的共享模型、數(shù)據(jù)集、基準(zhǔn)和計(jì)算能力，對(duì)于確保學(xué)術(shù)研究人員、國(guó)家和聯(lián)邦實(shí)驗(yàn)室以及較小的公司和非營(yíng)利組織能夠使用AI為國(guó)家創(chuàng)造利益至關(guān)重要。

在美國(guó)，最有希望的一個(gè)試點(diǎn)項(xiàng)目是——國(guó)家人工智能研究資源（NAIRR），PCAST建議盡快將NAIRR擴(kuò)展到特別工作組設(shè)想的規(guī)模，并獲得全額資助。

完整規(guī)模的NAIRR，連同行業(yè)合作伙伴關(guān)系以及聯(lián)邦和州的其他AI基礎(chǔ)設(shè)施，可以作為美國(guó)或國(guó)際層面AI基礎(chǔ)設(shè)施項(xiàng)目的基石，從而促進(jìn)高影響力的研究。

建議2：擴(kuò)大對(duì)聯(lián)邦數(shù)據(jù)集的安全訪問(wèn)

PCAST強(qiáng)烈建議擴(kuò)大現(xiàn)有的安全數(shù)據(jù)訪問(wèn)試點(diǎn)計(jì)劃，并制定聯(lián)邦數(shù)據(jù)庫(kù)管理指南，從而加入入最先進(jìn)的隱私保護(hù)技術(shù)。

這包括允許獲批的研究人員有限度、安全地訪問(wèn)聯(lián)邦數(shù)據(jù)集，以及允許向NAIRR等資源中心發(fā)布經(jīng)過(guò)匿名化處理的數(shù)據(jù)集。

此外，PCAST還希望能進(jìn)一步執(zhí)行此類(lèi)授權(quán)，包括共享在聯(lián)邦資助的研究數(shù)據(jù)上訓(xùn)練的AI模型，并提供足夠的資源來(lái)支持所需的行動(dòng)。

建議3：支持AI領(lǐng)域的基礎(chǔ)和應(yīng)用研究，其中包括學(xué)術(shù)界、工業(yè)界、國(guó)家和聯(lián)邦實(shí)驗(yàn)室以及聯(lián)邦機(jī)構(gòu)之間的合作

聯(lián)邦資助的學(xué)術(shù)研究與私營(yíng)部門(mén)研究之間的界限是模糊的。許多研究人員會(huì)在學(xué)術(shù)機(jī)構(gòu)、非營(yíng)利組織和私營(yíng)公司之間流動(dòng)。在這之中，私營(yíng)公司目前支持了相當(dāng)大比例的AI研發(fā)。

為了能夠充分利用AI在科學(xué)領(lǐng)域的潛在優(yōu)勢(shì)，就必須支持各種有前景、有成果的假設(shè)和方法的研究。

因此，資助機(jī)構(gòu)需要在如何與產(chǎn)業(yè)界合作以及哪些研究人員可以得到支持方面放寬姿態(tài)，以便促進(jìn)創(chuàng)新研究以及不同部門(mén)之間的協(xié)作。

建議4：在科學(xué)研究過(guò)程的所有階段采用負(fù)責(zé)任、透明和值得信賴(lài)的AI使用原則

在科學(xué)研究中，使用AI可能會(huì)產(chǎn)生不準(zhǔn)確、有偏見(jiàn)、有害或無(wú)法復(fù)現(xiàn)的結(jié)果。因此，從項(xiàng)目的初始階段，就應(yīng)該對(duì)這些風(fēng)險(xiǎn)進(jìn)行管理。

PCAST建議，聯(lián)邦資助機(jī)構(gòu)可以更新其負(fù)責(zé)任研究行為準(zhǔn)則，要求研究人員提供負(fù)責(zé)任的AI使用計(jì)劃。為了最大限度地減輕研究人員的額外行政負(fù)擔(dān)，在列舉主要風(fēng)險(xiǎn)后，機(jī)構(gòu)應(yīng)提供風(fēng)險(xiǎn)緩解的示范流程。

與此同時(shí)，國(guó)家科學(xué)基金會(huì)（NSF）和國(guó)家標(biāo)準(zhǔn)與技術(shù)研究所（NIST）等機(jī)構(gòu)應(yīng)繼續(xù)支持負(fù)責(zé)任和值得信賴(lài)的AI的科學(xué)基礎(chǔ)研究。

其中包括，衡量AI準(zhǔn)確性、可重復(fù)性、公平性、彈性和可解釋性等屬性的標(biāo)準(zhǔn)基準(zhǔn)；監(jiān)測(cè)這些屬性并在基準(zhǔn)不在定義范圍內(nèi)時(shí)進(jìn)行調(diào)整的AI算法；以及評(píng)估數(shù)據(jù)集中的偏差，并區(qū)分合成數(shù)據(jù)和真實(shí)世界數(shù)據(jù)的工具。

建議5：鼓勵(lì)采用創(chuàng)新方法將AI輔助集成到科學(xué)工作流程之中

科學(xué)事業(yè)是一個(gè)很好的「沙盒」，我們可以在其中練習(xí)、研究和評(píng)估人與AI助手之間新的協(xié)作范式。

不過(guò)，這里的目標(biāo)并不是追求自動(dòng)化程度的最大化，而是要讓人類(lèi)研究人員在負(fù)責(zé)任地利用AI輔助的同時(shí)，實(shí)現(xiàn)高質(zhì)量的科學(xué)研究。

資助機(jī)構(gòu)應(yīng)該重視這些新工作流的出現(xiàn)，并設(shè)計(jì)靈活的程序、評(píng)估指標(biāo)、資助模式和挑戰(zhàn)性問(wèn)題，鼓勵(lì)以新的AI輔助方式組織和執(zhí)行科學(xué)項(xiàng)目的戰(zhàn)略性實(shí)驗(yàn)。

此外，這些工作流的實(shí)施也為來(lái)自各個(gè)學(xué)科的研究人員提供了機(jī)會(huì)，從而推進(jìn)了在人機(jī)協(xié)作領(lǐng)域的知識(shí)。

更廣泛地說(shuō)，我們還需要更新資助機(jī)構(gòu)、學(xué)術(shù)界和學(xué)術(shù)出版業(yè)的激勵(lì)機(jī)制，來(lái)支持更廣泛的科學(xué)貢獻(xiàn)。比如，策劃高質(zhì)量和廣泛可用的數(shù)據(jù)集，是無(wú)法通過(guò)傳統(tǒng)研究生產(chǎn)力指標(biāo)得到充分認(rèn)可的。

參考資料：https://mathstodon.xyz/@tao/112355788324104561

文章來(lái)源：新智元

AI技術(shù) 科學(xué)研究資源共享

新智元

原創(chuàng)欄目