人工智慧：來自科學，改變科學

　　【一線講述】

　　編者按

　　想象一下，人工智慧不僅能回答你的問題，還能像人類一樣，停下來“思考”如何解決問題。這樣的人工智慧，是不是很讓人期待？

　　科學家也很期待。除了期待，警醒同樣必不可少。

　　作為人類科技創新的結果，人工智慧正在改變千行百業，甚至開始“反哺”科學本身——改變科研人員從事科學研究的方式，幫助他們解決複雜的科學問題。

　　人工智慧時代，科學研究方式會發生什麼變化？如何推動科研人員找到新發現、實現新發明？它只是科研的工具，還是可能更進一步，取代科研人員？本期邀請來自物理、數學、醫學、氣象等領域的科技工作者，各抒己見，分享他們的觀察和思考。

 在德國漢諾威工博會上，參觀者與一款智慧機器人進行“石頭剪子布”遊戲。新華社發

 2024年中國國際服務貿易交易會上展出的人工智慧骨科手術機器人。新華社發

　　    無人機在深圳塘朗山郊野公園裏巡檢。新華社發

　　物理實驗用上了人工智慧

　　講述人：中國科學院大學物理科學學院教授 何吉波

　　我在科研過程中經常使用人工智慧，如將深度機器學習應用於粒子物理實驗中的在線觸發、離線信號事例選擇，以及空間引力波探測中的噪聲壓制、信號檢索與引力波波源參數反演等。應該説，人工智慧是非常強大的工具，尤其是在基於GPU等計算“加速器”的發展帶來的算力大幅提升之後，使用人工智慧可以大幅度提高物理數據分析的效能。我也曾嘗試問人工智慧引擎一些物理問題，它能實時給出相關文獻的初步總結，但只能作為參考，想要準確深入理解，還是要仔細閱讀文獻。

　　人工智慧“火”了之後，經常討論的一個話題是：人工智慧是否會取代物理學家？我一直是堅定的反方。

　　物理是一門實驗的學科，人類通過觀測自然界，總結出一些物理規律來描述自然界。像牛頓、愛因斯坦等在已有知識和實驗觀測數據的基礎上，提出了描述自然的全新理論方式，然後給出一些新的預言，這些預言通過實驗的檢驗後，相應理論才會被廣泛接受。這個過程中也發展了新的數學工具，例如微積分等。人類若不去進一步做實驗，就無法知道這些理論的對錯和局限性，更無法發現新的現象和新的規律。

　　有人認為，將來可以採用計算機倣真，包括更進一步用“數字孿生”來代替實驗。如果説倣真是照片，那麼數字孿生就是電影，不但能描述狀態（照片），還能描述狀態隨時間的演化。但即使是相對簡單的倣真，我們必須對其中的組分及其相互作用有非常好的理解，倣真才可能接近真實實驗。

　　所以，我很認同一種對計算機倣真的觀點——計算機的輸出，取決於人類給的輸入。這也就意味著，只有人類先理解清楚了物理機制，計算機才可能實現“倣真”。而真正意義上的“數字孿生”需要更進一步理解演化規律才可能實現，對於超過“三體”的複雜系統而言難度更大。在我看來，人工智慧只能獲取和利用已有知識，但是無法創造新的知識，所以物理學家不用擔心有一天會被人工智慧取代。

　　人工智慧與數學互幫互助

　　講述人：西北工業大學計算機學院計算機科學與軟體系主任 陳伯林

　　我的本科和碩士教育背景是數學，目前主要從事基於人工智慧與大數據分析技術的複雜疾病致病機理認知與精準診療方法研究。在日常科研中，我深切體會到人工智慧與數學這兩個學科之間的相互融合、相互促進。

　　最深的感受就是，人工智慧與數學，須臾不可分。許多人工智慧算法和模型都建立在數學的基礎上，比如機器學習中的分類、聚類、回歸等都依賴數學中的統計學、線性代數與最優化理論，而深度學習中的神經網絡以及參數訓練方法也依賴代數、圖論與微積分理論。這些數學中的理論與方法，為人工智慧提供了大量的算法工具。同樣的，人工智慧也可以使用大規模運算和自動推理來求解複雜的數學問題，從而更高效地解決數學難題，推動數學領域的發展。例如，人工智慧可以在超高維空間中進行快速搜索，從而找到人類數學家可能忽略的新定理，也可以通過數理邏輯，完成複雜且漫長的數學推導與計算，提高解決問題的效率。

　　這麼看，人工智慧正如一個“黑盒子”：一組輸入經過一定的處理，得到一種輸出，這不就是“函數”嘛。人工智慧的核心，或許是一種“函數”關係，只是區別於普通的函數，大部分深度學習模型的函數關係都是無法顯性表示的。而由於模型夠深，其具有足夠的表現能力，能夠去擬合幾乎任意的函數關係，所以人工智慧沒有追究這個黑盒子的工作原理到底是什麼，而是用大量的數據去擬合它，就得到了相對較好的結果，取得了廣泛的應用。

　　人工智慧與數學的融通共進，更不意味著一方可以取代另一方。著名數學家丘成桐先生曾指出，“人工智慧對數學有很多好處，可以幫助數學發展，但還不可能改變數學”。人工智慧可以通過大量的計算與邏輯推理，幫助數學家産生新的創意與想法，為數學家提供更多的創造靈感，從而加速數學的研究。但數學是一門非常廣泛與抽象的學科，很多概念和問題都已經超出了人工智慧的能力範疇，需要人類的創造力、洞察力與理解能力來解決問題，這些是人工智慧尚無法模擬的。而人工智慧的發展，也深度依賴基礎算法與理論的提出、算力的提升以及大規模數據的支持。數學在其中也只是起到了基礎性的作用與貢獻。

　　因此，我認為，在當前的時代，人工智慧與數學，就像兩位互幫互助的朋友，它們快速發展、融通共進，共同為人類的進步作出自己的貢獻。

　　醫學需要人工智慧也需要人性化

　　講述人：北京大學人民醫院胸外科副主任醫師 周健

　　近年來，人工智慧技術在生物醫學領域取得了顯著進展。比如，傳統的腫瘤研究需要耗費大量時間和人力來分析多模態數據，尋找關鍵突變與潛在治療靶點。現在，深度學習模型能夠快速、高效地處理海量多模態數據，幫助科學家從複雜的數據中提取有價值的信息。通過這些數據驅動的模型，我們不僅可以更快地識別腫瘤相關的基因突變等重要信息，還能夠預測患者對特定治療方案的反應。借助深度學習算法，人工智慧還可以精準地檢測早期肺癌、識別病灶，並提供詳細的病理信息。

　　從臨床科研的角度來看，人工智慧的確推動了科研範式的變革。過去，醫學研究依賴於假設驅動的實驗設計。如今，數據驅動的研究模式逐漸成為主流。這種模式讓我們能夠從數據中發現新的規律，提出新的假設，甚至挑戰傳統醫學理論。例如，科研人員利用人工智慧成功發現特發性肺纖維化的新靶點，並推進了相關藥物的開發。

　　當然，這種新範式也帶來了挑戰。一方面，數據驅動的研究需要大量高質量的數據作為支撐，但現實中數據往往存在噪聲、偏差甚至缺失。這可能導致模型訓練出現偏差，影響研究結果的可靠性。另一方面，科研人員需要具備跨學科的知識背景，包括計算機科學、統計學和生物醫學。這對傳統醫學教育提出了新的要求，一定程度上加劇了“數據科學家”與“醫學專家”之間的知識鴻溝。此外，醫學數據的共享對於人工智慧模型的訓練至關重要，但如何在保護患者隱私的同時實現數據的開放共享，是一個需要深思的問題。

　　但不管怎麼説，我們都應以開放的心態迎接這一技術革命，同時保持審慎，確保其在應用過程中造福人類。期待人工智慧技術能夠進一步提升診斷的精準度，幫助我們更好地理解腫瘤的發生發展機制，從而開發出更高效的治療方案。但與此同時，我們應警惕，不能因過度依賴人工智慧而忽視醫學的“人性化”。醫學不僅僅是一門科學，醫生的臨床經驗、直覺以及與患者的溝通，都在診療過程中扮演著不可替代的角色。人工智慧不應替代人性化因素，而應成為醫生的輔助工具，與醫生共同為患者提供最優治療方案。

　　天氣預報迎來新的“革命”

　　講述人：江蘇省氣象臺高級工程師 莊瀟然

　　作為一名氣象預報工作者，我能感受到人工智慧特別是深度學習技術，已逐漸影響到氣象預報的方方面面。與數值天氣預報所帶來的“寂靜的革命”相比，這次人工智慧革命似乎來得更加“喧鬧”。

　　首先還是要肯定人工智慧發揮的作用。比如，在強對流等災害性天氣的監測及短臨預報中，過去主要依賴天氣雷達開展災害識別。相較之下，深度學習技術對於複雜非線性現象的刻畫能力，與強對流天氣局地性、突發性、併發性等特質不謀而合，使得預報對流風暴強度演變成為可能。

　　在中短期天氣預報領域，人工智慧大模型不僅在運算效率方面遠超傳統數值模式，對於高空環流形勢和颱風路徑預報也具有明顯優勢。聚焦智慧網格定量降水預報，江蘇省氣象臺利用深度學習技術實現模式偏差演變規律的有效挖掘，形成了0至36小時短期模式降水偏差訂正技術，暴雨預報準確率較數值模式提升超25%。

　　儘管階段性進展顯著，但當前人工智慧在氣象領域的應用仍存在諸多挑戰。就技術層面而言，強對流天氣發展演變瞬息萬變，如何利用更高維度、更深層次的人工智慧模型，挖掘更多的複雜規律以實現3至6小時甚至更長時效的強對流預報？就物理可解釋性層面來説，人工智慧不可避免的“黑箱”屬性使其仍難以完全得到氣象領域的廣泛認可，如何實現氣象物理特徵量與人工智慧模型的科學共生，將是未來相當長一段時間內氣象從業者探索的主題。就預報業務流程而言，如何利用人工智慧推動氣象預警流程的智慧化？除此之外，如何利用多源氣象觀測構建更高質量人工智慧數據集，如何克服深度學習普遍存在的“模糊”，如何建立場景化的人工智慧預報技術評估方法……很多具體的問題亟待解決。

　　可見，無論是預報技術的突破還是新型智慧化預報流程的建立，對於氣象預報科研人員而言，人工智慧帶來的挑戰與機遇將並存。我們要做的，就是積極擁抱人工智慧，做好這場變革的見證者和參與者。

　　（項目團隊：光明日報記者 崔興毅、張亞雄、陳海波）