近期，一份题为《AI4Science报告：全球实验室迎来“AI科学家”时代》的英文版报告引起了广泛关注。该报告由Google DeepMind在2024年11月发布，深入探讨了人工智能（AI）在科学研究中引发的变革机遇、成功要素、潜在风险及相应的政策建议。
报告首先阐述了AI助力科学的几大机遇。在知识管理方面，AI能够帮助科学家减轻知识负担，通过大型语言模型（LLM）提取文献见解，改进论文分享形式，从而更有效地消化和交流知识。在数据处理方面，AI提高了数据收集的准确性，增强了数据的提取和标注能力，生成的合成数据更是为其他数据生成工作提供了有力补充。实验优化方面，AI能够模拟复杂实验，指导物理实验，如AlphaMissense模型就在基因变体研究中发挥了重要作用。AI还能对传统模型难以处理的复杂系统进行建模，如深度学习系统提升了天气预报的准确性，丰富了传统建模方法。最后，AI在解决复杂问题上也表现出色，能够探索新的解空间，快速定位可行方案。
报告接着分析了AI在科学研究中取得成功的关键要素。这些要素包括选择合适的问题、采用多种评估方法、确保充足的计算资源、高效的数据管理、平衡的组织设计、跨学科合作、模型的推广应用、明确的合作关系以及安全责任。例如，在问题选择上，需要追求重要且适合AI解决的问题，评估其难度和投入产出比；在计算资源方面，需要跟踪计算使用的变化，投资专业技能，确保芯片供应和基础设施。
然而，AI在科学研究中的应用也面临着诸多风险。报告指出，AI可能影响科学创造力，但合理使用AI也能激发新的创造力。AI还可能加剧科学可靠性问题，但也可用于改进研究标准化、检测错误等。AI对科学理解、科学领域的公平性以及环境影响等方面都存在争议。尽管如此，报告认为，通过合理的政策引导和技术应用，这些风险可以得到有效应对。
针对上述风险，报告提出了一系列政策建议。建议包括定义科学AI问题，类似希尔伯特问题，发起征集确定重要AI科学问题，并举办竞赛推动解决；改善数据获取，建立数据观测站，进行数据盘点，创建新数据库；普及AI教育，资助短期AI培训项目，将AI培训纳入各级科学教育；构建证据与创新组织形式，科学家评估AI对科学的影响，政策制定者据此制定政策。
报告中还展示了AI在科学研究中的具体应用案例。例如，AI在复杂系统建模方面，通过深度学习系统提升了天气预报的准确性；在解决复杂问题方面，AlphaProof和AlphaGeometry 2等AI模型成功解决了数学问题。这些案例充分展示了AI在科学研究中的巨大潜力和广阔前景。
最后，报告强调了跨学科合作在AI科学研究中的重要性。跨学科合作能够解决跨学科难题，培养团队动态，创建跨学科角色和文化。通过跨学科合作，可以充分利用不同领域的知识和技术优势，推动AI在科学研究中的深入应用和发展。
