人工智能赋能科学——从宇宙学到化学

2026年3月31日，AIHub编辑团队前往伦敦皇家学会参加“人工智能赋能科学”全天会议。这场由艾伦·图灵研究所基础研究团队主办的会议，深入探讨了人工智能如何改变科学发现的面貌。坐落于泰晤士河畔19世纪联排别墅中的皇家学会，其宏伟气势与历史上曾进出其大门的众多科学巨匠相得益彰。

会议首先由图灵研究所首席科学家Jason McEwen教授发表深刻演讲，探讨科学革命的性质，以及人工智能与科学之间的双向关系如何可能引发下一次革命。

曼彻斯特大学的Anna Scaife教授随后介绍了基础模型在天文发现中的应用。基础模型是生成式AI模型，可应用于多种任务和输入类型，非常适合包含多模态数据的天文学。她特别提到了Galaxy Zoo公民科学项目，该项目利用30万个星系的图像数据集，训练了Zoobot神经网络，用于按形态对星系进行分类。这一方法已导致发现了4万个环状星系，而这些星系此前被认为极为稀少，同时还识别出了中年的“绿谷”星系。

帝国理工学院的Aron Walsh教授讨论了其团队如何利用人工智能发现新材料。扩散模型可被用于设计晶体化合物，其过程类似于图像生成——逐渐移除随机噪声，直至具有所需性质的晶体结构浮现。传统计算化学方法需要数天时间，而AI方法仅需毫秒。

在气候科学领域，艾伦·图灵研究所环境预测任务主任Scott Hosking博士概述了IceNet项目。这是首个能够提前数周至数月预测海冰水平的AI模型，已在北极保护中发挥重要作用。他还介绍了FastNet模型，该模型旨在成为英国首个业务化天气预报模型，与英国气象局合作开发，利用40年的天气记录进行预测。在数据稀疏地区（如西非），FastNet已被证明优于基于物理的模型。

英国原子能管理局的首席数据科学家Lorenzo Zanisi博士讲述了AI在破解核聚变难题中的力量。保持等离子体（带电气体粒子）足够热且密度高以实现聚变是一大挑战，毕竟聚变只发生在恒星内部。目前科学家依赖昂贵的模拟来模拟物理过程，每次模拟耗时高达350小时。而AI模拟器仅需毫秒，有望加速研究，使聚变能源的未来更近一步。

剑桥大学的Miles Cranmer博士提出了一个问题：为什么物理学的泛化能力比机器学习高出数个数量级？人类认为简单的任务在尝试编程为机器时往往并不简单。Cranmer认为，所谓“简单”实际上是“有用”的替代品，简单是一种美学概念，并不反映任务的实际难度。基于此，他认为AI泛化能力不佳是因为它必须从头学习世界，而人类可以复用已学到的有用概念。因此，最强大的AI模型可能是那些能够从数据中学习可复用概念的模型。这一原则推动了他所在的Polymathic AI项目，该项目是纽约大学和剑桥大学的联合努力，旨在整合计算资源，以工业规模训练基于物理的基础模型。

会议最后进行了小组讨论，各位演讲者强调，可解释性对AI模型至关重要，但在大型语言模型中，可解释性与性能之间存在权衡。小组成员强调预训练模型的重要性，因为不存在非预训练模型——随机权重的模型只是更差的初始化方式。

“人工智能赋能科学”会议展示了一系列领域中最有前景的AI在科学研究中的应用，令人深受启发。机器学习正在解锁数十年来在天气和宇宙学中收集的海量数据集中的应用，并加速核聚变和晶体设计中的模拟——科学家们已经取得了巨大进展。未来将带来什么？无人知晓。若想了解更多，可观看演讲者反思视频。