人工智能賦能科學——從宇宙學到化學

2026年3月31日，AIHub編輯團隊前往倫敦皇家學會參加“人工智能賦能科學”全天會議。這場由艾倫·圖靈研究所基礎研究團隊主辦的會議，深入探討了人工智能如何改變科學發現的面貌。坐落於泰晤士河畔19世紀聯排別墅中的皇家學會，其宏偉氣勢與歷史上曾進出其大門的眾多科學巨匠相得益彰。

會議首先由圖靈研究所首席科學家Jason McEwen教授發表深刻演講，探討科學革命的性質，以及人工智能與科學之間的雙向關係如何可能引發下一次革命。

曼徹斯特大學的Anna Scaife教授隨後介紹了基礎模型在天文發現中的應用。基礎模型是生成式AI模型，可應用於多種任務和輸入類型，非常適合包含多模態數據的天文學。她特別提到了Galaxy Zoo公民科學項目，該項目利用30萬個星系的圖像數據集，訓練了Zoobot神經網絡，用於按形態對星系進行分類。這一方法已導致發現了4萬個環狀星系，而這些星系此前被認為極為稀少，同時還識別出了中年的“綠谷”星系。

帝國理工學院的Aron Walsh教授討論了其團隊如何利用人工智能發現新材料。擴散模型可被用於設計晶體化合物，其過程類似於圖像生成——逐漸移除隨機噪聲，直至具有所需性質的晶體結構浮現。傳統計算化學方法需要數天時間，而AI方法僅需毫秒。

在氣候科學領域，艾倫·圖靈研究所環境預測任務主任Scott Hosking博士概述了IceNet項目。這是首個能夠提前數週至數月預測海冰水平的AI模型，已在北極保護中發揮重要作用。他還介紹了FastNet模型，該模型旨在成為英國首個業務化天氣預報模型，與英國氣象局合作開發，利用40年的天氣記錄進行預測。在數據稀疏地區（如西非），FastNet已被證明優於基於物理的模型。

英國原子能管理局的首席數據科學家Lorenzo Zanisi博士講述了AI在破解核聚變難題中的力量。保持等離子體（帶電氣體粒子）足夠熱且密度高以實現聚變是一大挑戰，畢竟聚變只發生在恆星內部。目前科學家依賴昂貴的模擬來模擬物理過程，每次模擬耗時高達350小時。而AI模擬器僅需毫秒，有望加速研究，使聚變能源的未來更近一步。

劍橋大學的Miles Cranmer博士提出了一個問題：為什麼物理學的泛化能力比機器學習高出數個數量級？人類認為簡單的任務在嘗試編程為機器時往往並不簡單。Cranmer認為，所謂“簡單”實際上是“有用”的替代品，簡單是一種美學概念，並不反映任務的實際難度。基於此，他認為AI泛化能力不佳是因為它必須從頭學習世界，而人類可以複用已學到的有用概念。因此，最強大的AI模型可能是那些能夠從數據中學習可複用概念的模型。這一原則推動了他所在的Polymathic AI項目，該項目是紐約大學和劍橋大學的聯合努力，旨在整合計算資源，以工業規模訓練基於物理的基礎模型。

會議最後進行了小組討論，各位演講者強調，可解釋性對AI模型至關重要，但在大型語言模型中，可解釋性與性能之間存在權衡。小組成員強調預訓練模型的重要性，因為不存在非預訓練模型——隨機權重的模型只是更差的初始化方式。

“人工智能賦能科學”會議展示了一系列領域中最有前景的AI在科學研究中的應用，令人深受啓發。機器學習正在解鎖數十年來在天氣和宇宙學中收集的海量數據集中的應用，並加速核聚變和晶體設計中的模擬——科學家們已經取得了巨大進展。未來將帶來什麼？無人知曉。若想了解更多，可觀看演講者反思視頻。