本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

“AI for Science在今年爆火，不是意外?！?/p>

“當(dāng)下面臨的最大挑戰(zhàn)，是如何管理預(yù)期?！?/p>

“無論用AI還是傳統(tǒng)手段探索科學(xué)，都要基于好的研究體系，工具上的變化不會(huì)扭轉(zhuǎn)本質(zhì)問題?！?/p>

……

今年，AI for Science的更多可能，正在被挖掘、熱議甚至激辯。

爆火到底是不是意外？變革是否已經(jīng)發(fā)生？還面臨哪些挑戰(zhàn)？在量子位MEET 2023智能未來大會(huì)AI for Science圓桌上，這些疑問撥云見日。

深勢科技CTO胡成文、百圖生科BioMap副總裁&產(chǎn)業(yè)基金董事總經(jīng)理瞿佳潤、英矽智能聯(lián)合首席執(zhí)行官&首席科學(xué)官任峰，就AI for Science當(dāng)下備受關(guān)注的問題，展開分享。

在AI for Science爆火背后，好奇、疑問與困惑隨之而來。

三位嘉賓分別來自AI for Science先行者、國內(nèi)生物計(jì)算領(lǐng)域代表、AI藥物研發(fā)先鋒，他們對此有怎樣的見解？

從自身站位出發(fā)，在AI for Science這一廣闊賽道上，他們將分別聚焦于哪些細(xì)分領(lǐng)域？背后動(dòng)因如何？已有哪些成績？

而對于這一大趨勢，行業(yè)內(nèi)外又該做出怎樣的準(zhǔn)備？

關(guān)于MEET 智能未來大會(huì)：MEET大會(huì)是由量子位主辦的智能科技領(lǐng)域頂級商業(yè)峰會(huì)，致力于探討前沿科技技術(shù)的落地與行業(yè)應(yīng)用。今年共有數(shù)十家主流媒體及直播平臺(tái)報(bào)道直播了MEET2023大會(huì)，吸引了超過300萬行業(yè)用戶線上參會(huì)，全網(wǎng)總曝光量累積超過2000萬。

話題要點(diǎn)

• AI for Science概念從提出起，就意味著一場革命。
• AI for Science可以解決傳統(tǒng)科學(xué)范式難以應(yīng)對的問題，在保持原有科學(xué)精度下，降低計(jì)算復(fù)雜度、提升效率。
• AI for Science在生物領(lǐng)域會(huì)有非常明顯的提升效果，但別的領(lǐng)域復(fù)制AlphaFold的成功并不容易。
• 算力、算法和數(shù)據(jù)三要素仍是AI for Science領(lǐng)域重點(diǎn)，而對于生物行業(yè)，最重要的還是數(shù)據(jù)。
• 使用AI解決問題只是工具上的改變，并不會(huì)扭轉(zhuǎn)本質(zhì)，我們?nèi)孕枳非笠粋€(gè)好的研究體系。
• AI for Science面臨的最大挑戰(zhàn)是管理預(yù)期，以及復(fù)合型人才、生態(tài)共建。

（圓桌環(huán)節(jié)由量子位智庫負(fù)責(zé)人劉萌媛主持。在不改變原意的基礎(chǔ)上，量子位對內(nèi)容進(jìn)行了編輯整理。希望能夠給你帶來更多的啟發(fā)與思考。）

論壇實(shí)錄

AI for Science爆火，不是意外

量子位劉萌媛：大家好！很高興能夠在AI for Science環(huán)節(jié)里和大家聊一聊新興的技術(shù)熱詞。

首先，我為各位介紹一下今天在線上接入的三位嘉賓。

第一位是深勢科技CTO胡成文，胡總在深勢科技負(fù)責(zé)組建業(yè)務(wù)研發(fā)、平臺(tái)研發(fā)兩大團(tuán)隊(duì)。深勢科技致力于運(yùn)用人工智能和分子模擬算法，結(jié)合先進(jìn)技術(shù)手段來求解重要科學(xué)問題。

第二位是百圖生科BioMap副總裁、產(chǎn)業(yè)基金董事總經(jīng)理瞿佳潤，百圖生科是中國首家由生物計(jì)算引擎驅(qū)動(dòng)的創(chuàng)新藥物研發(fā)平臺(tái)。

第三位嘉賓是我們的老朋友，來自頭部AI制藥創(chuàng)企英矽智能的聯(lián)合首席執(zhí)行官、首席科學(xué)官任峰博士。

由任博帶領(lǐng)的藥物研發(fā)團(tuán)隊(duì)，利用AlphaFold與自主研發(fā)的人工智能平臺(tái)聯(lián)動(dòng)，在30天內(nèi)快速發(fā)現(xiàn)可潛在治療肝細(xì)胞癌的苗頭化合物，這也是業(yè)內(nèi)首批經(jīng)發(fā)表的利用AlphaFold展開藥物研發(fā)實(shí)踐的項(xiàng)目之一。

歡迎三位嘉賓線上加入！

剛剛劉鐵巖院長的演講中也提到，AI for Science已經(jīng)被許多學(xué)者認(rèn)為是第五范式的重要開端。到今天，除了AlphaFold所在的生物醫(yī)藥領(lǐng)域，AI for Science也已在包括材料、物理、數(shù)學(xué)等領(lǐng)域發(fā)揮出越來越重要的作用。

眼下，我們該如何認(rèn)知、面對并利用好AI for Science這個(gè)新的增長點(diǎn)？是時(shí)候請三位行業(yè)代表專家來聊一聊了。

各位覺得AI for Science在今年迅速火熱，是意外嗎？

深勢科技胡成文：最近AI for Science確實(shí)比較火爆，這不是很意外。

2018年開始，鄂維南老師第一次提出AI for Science這個(gè)概念，從那時(shí)起我們就認(rèn)為這是一場革命。

深勢科技的目標(biāo)，是希望通過AI for Science用第一性原理的方式，來解決建模過程中的問題，從而為上層的個(gè)人應(yīng)用提供一整套解決方案。

過去4年，我們開發(fā)了一系列基于AI for Science新范式下的多尺度建模工具，也分別推出了針對藥物研發(fā)領(lǐng)域的Hermite平臺(tái)，以及針對材料科研計(jì)算的Bohrium平臺(tái)。

深勢科技團(tuán)隊(duì)成員在2020年獲得了國際高性能計(jì)算領(lǐng)域的最高獎(jiǎng)“戈登貝爾獎(jiǎng)”。

剛才聽了劉鐵巖的報(bào)告也深有啟發(fā)，我們很高興看到2019年開始，美國各大高校科研機(jī)構(gòu)紛紛成立這個(gè)方向的實(shí)驗(yàn)室。

2021年之后，AI for Science這個(gè)概念迅速被一些國際機(jī)構(gòu)公開采用了，如英偉達(dá)提出AI for Science是一場正在發(fā)生的革命，DeepMind也開通了AI for Science博客。2022年，微軟在全球成立了一個(gè)重磅機(jī)構(gòu)AI for Science研究院。國內(nèi)工業(yè)界等也在迅速跟進(jìn)，包括阿里達(dá)摩院、字節(jié)跳動(dòng)人工智能實(shí)驗(yàn)室以及華為等。

我們也希望有更多同仁能加入進(jìn)來，一起推動(dòng)AI for Science從概念到落地，從學(xué)界走向工業(yè)界，來真正解決行業(yè)面臨的實(shí)際問題，一起推動(dòng)AI for Science發(fā)展。

百圖生科瞿佳潤：我理解AI for Science它更多是對著AI for Industry產(chǎn)生出來的。

某種意義上，AI在工業(yè)界的使用會(huì)更早展開。比如無人駕駛、智能化場景使用等，但AI for Science的挑戰(zhàn)會(huì)更大，因?yàn)檫@其中存在一個(gè)AI模型的可解釋性及科學(xué)數(shù)據(jù)積累的前置條件在其中。

如Biotech、Pharma領(lǐng)域，它屬于工業(yè)界嗎？是。但你說它是Science嗎？也是，因?yàn)樗旧碜龅氖强茖W(xué)層面的理解和解析，而且高度還不確定?，F(xiàn)在還做不到給定一個(gè)靶點(diǎn)，就能設(shè)計(jì)出100%成功的藥物。某種意義上，我們在這些領(lǐng)域去應(yīng)用AI，與其說是它應(yīng)用在工業(yè)場景，不如說就是正在做AI for Science這件事。

回應(yīng)您剛才的問題，AI for Science火熱是不是一個(gè)意外？

的確，隨著此前一些生物數(shù)據(jù)的爆發(fā)到AlphaFold2，以及現(xiàn)在行業(yè)也不局限于藥物側(cè)而是慢慢進(jìn)入到靶點(diǎn)側(cè)。我們會(huì)希望利用AI去提高藥物研發(fā)、靶點(diǎn)研發(fā)的成功率。因?yàn)楸旧硗袋c(diǎn)已經(jīng)長期存在了，一旦技術(shù)條件成熟，它的快速鋪開是可以預(yù)見的。

英矽智能任峰：我同樣認(rèn)為AI for Science的火熱不是意外。

相對而言，我是AI for Science狹義上的門外漢，這兩年接觸這一領(lǐng)域，其實(shí)深勢科技給了我很多教育，從深勢剛剛開始提出AI for Science時(shí)CEO、CTO做的一些報(bào)告我都去聽，但我們做的是不同層面的東西。

有些公司做的AI for Science是稍微狹義上的，利用AI模型去解決一些Science方面的不足。比如運(yùn)算量不足，從底層來解決物理上的問題；再比如過去需要長時(shí)間計(jì)算的東西，通過AI的一些優(yōu)化可以犧牲一點(diǎn)精度、有時(shí)候甚至精度保持原有水平，就可以大幅提高速度，幾分鐘、幾小時(shí)內(nèi)計(jì)算出來。這就解決了算力的問題，有時(shí)候算力太小，對于一些復(fù)雜、維度高的計(jì)算，是需要大量算力和時(shí)間的。

我講的AI for Science是更廣義的角度，不光解決底層問題，也解決實(shí)際應(yīng)用問題。

其實(shí)除了新藥研發(fā)，物理、化學(xué)、數(shù)學(xué)、生物學(xué)等也是Science，我們更廣義地通過AI去減少一些生物學(xué)上的不確定性，也是AI for Science更廣義的解釋。

從這一方面來看，AI for Science的火熱完全在意料之中。

AI for Science已經(jīng)引發(fā)效率、探索思路上的變革

量子位劉萌媛：的確，AI for Science當(dāng)下可以劃分為狹義和廣義兩個(gè)層面。著眼于更加具象的問題，AI for Science給當(dāng)下科研和應(yīng)用帶來了怎樣的變革？在此之前是怎樣的情況？

深勢科技胡成文：我們總結(jié)科研范式本質(zhì)上可能只有兩種。

經(jīng)驗(yàn)范式，即開普勒范式。本質(zhì)上從大量數(shù)據(jù)中總結(jié)規(guī)律，然后解決實(shí)際問題。如開普勒從幾十年的資料中發(fā)現(xiàn)了天體的運(yùn)動(dòng)規(guī)律。

另一種是物理范式，即牛頓范式。它只尋求事物之間的基本規(guī)律來解決實(shí)際問題。比如牛頓力學(xué)、相對論、量子力學(xué)等，都隸屬于牛頓范式。

這兩種范式在傳統(tǒng)科學(xué)中應(yīng)用非常廣泛，但在實(shí)際應(yīng)用過程中也會(huì)面臨比較大的挑戰(zhàn)。

開普勒范式很多時(shí)候都比較高效，但由于只看數(shù)據(jù)、不知道原理，所以有時(shí)候是知其然不知其所以然。它往往需要大量數(shù)據(jù)，比如傳統(tǒng)AI行業(yè)數(shù)據(jù)非常多，但是到工業(yè)界應(yīng)用后就會(huì)發(fā)現(xiàn)，數(shù)量還是不夠多或者高質(zhì)量數(shù)據(jù)不夠多，很難分析出背后規(guī)律，同時(shí)還有一定應(yīng)用場景的限制，所以它表現(xiàn)的結(jié)果往往夠快但不夠準(zhǔn)確。

牛頓范式可以深刻揭示事物背后的規(guī)律，但當(dāng)它遇到數(shù)據(jù)規(guī)模比較大的場景，數(shù)據(jù)呈線性增長，需要的計(jì)算量是指數(shù)級增長，算到一定規(guī)模后可能無法繼續(xù)。所以它遇到的挑戰(zhàn)是算得準(zhǔn)但不夠快。

這就是兩個(gè)傳統(tǒng)范式在科研上會(huì)遇到的挑戰(zhàn)。AI能解決什么問題？

AI在工業(yè)界，尤其是CV、NLP上獲得了極大成功。本質(zhì)上AI是一個(gè)高效處理問題的工具，能夠把高維函數(shù)高效地降為低維函數(shù)，從而解決計(jì)算問題。

比如圖像識(shí)別，輸入的圖片是幾千萬像素高維的像素密度分布函數(shù)，通過AI可以降到幾維、幾十維分類的問題。

由此給我們一個(gè)啟示，可以用AI來學(xué)習(xí)科學(xué)原理，在保持科學(xué)原理精度的情況下，降低它的計(jì)算復(fù)雜度，用學(xué)到的方法解決實(shí)際問題，這就是AI for Science的方法。

通過這些方法，也開發(fā)出了一系列計(jì)算工具，總結(jié)微觀層面一系列相互作用力問題，使得原來需要花費(fèi)大量時(shí)間計(jì)算、或者長時(shí)間計(jì)算都無法解決的問題，能夠在短時(shí)間范圍內(nèi)解決，實(shí)現(xiàn)效率上的提升，這就是AI for Science如何解決傳統(tǒng)科學(xué)范式所不能解決的問題。

百圖生科瞿佳潤：生物領(lǐng)域很多時(shí)候被認(rèn)為是一種實(shí)驗(yàn)科學(xué)，它歷史上的范式就是在不斷嘗試、試錯(cuò)，從中篩選到一些東西，再漏斗式地往下走。但是這個(gè)過程相對比較長，成功率難以保障。每一輪篩選都有一定概率，如果把整個(gè)漏斗疊加起來，成功率會(huì)很低。

但如果給它再扣一個(gè)帽子的話，我認(rèn)為有了AI for Science工具之后，會(huì)把實(shí)驗(yàn)科學(xué)轉(zhuǎn)化為系統(tǒng)工程的方式來解決問題。

在一個(gè)閉環(huán)體系內(nèi)，每一輪都用AI從一個(gè)很大的空間中預(yù)測、篩選到少量合適的候選對象，再進(jìn)入到閉環(huán)進(jìn)行主動(dòng)學(xué)習(xí)。這樣的好處是可以極大程度縮短單輪次周期。

實(shí)事求是來說，現(xiàn)在一輪下來AI的成功率能絕對比傳統(tǒng)生物辦法高很多嗎？我覺得還有很長一段路要走。

但如果單輪周期被極大縮短了，效率就會(huì)提高。

比如原來從雜交瘤開始做免疫，從免疫、克隆挑選、雜交瘤制備、測序、藥物研制，整個(gè)流程需要2~4個(gè)月。但讓AI加入到單輪預(yù)測中，不到一周即可實(shí)現(xiàn)。后面蛋白表達(dá)純化、測定，大概需要3周，這樣就能將整個(gè)流程從3、4個(gè)月縮短到1個(gè)月。

一輪次不一定會(huì)縮短很多時(shí)間，但如果把輪次疊上去，最終體現(xiàn)在同等時(shí)間水平里的成功率會(huì)高很多。經(jīng)過多輪迭代，顯著提升效率，同時(shí)間接解決了成功率的問題。

第二個(gè)點(diǎn)，百圖生科不只做單藥，還做靶點(diǎn)角度挖掘，而且會(huì)很關(guān)注從頭測序的靶點(diǎn)挖掘。

我們經(jīng)常開玩笑說，這件事是真正在用產(chǎn)業(yè)的方式做科研，因?yàn)榘悬c(diǎn)問題會(huì)相對更復(fù)雜，如果將藥物問題歸為工業(yè)問題還有跡可循，靶點(diǎn)問題過去都是各大學(xué)校、科研院所通過篩選得到的。

所以我們通過AI來把靶點(diǎn)研究問題系統(tǒng)化，它會(huì)最終體現(xiàn)在成功率提升上，這也是一個(gè)很大的影響。

量子位劉萌媛：我們知道任峰博士團(tuán)隊(duì)在國內(nèi)率先利用AlphaFold發(fā)現(xiàn)了CDK20小分子抑制劑，任博在AI for Science領(lǐng)域有長久經(jīng)驗(yàn)，有沒有特別的心得體會(huì)可以和我們分享一下？

英矽智能任峰：心得體會(huì)有很多。AlphaFold預(yù)測蛋白質(zhì)是一個(gè)非常典型的AI for Science，它解決了困擾人類50多年的問題。

而當(dāng)科學(xué)問題解決了之后，該如何應(yīng)用到實(shí)際場景？

這就是我們正在做的事，通過AI的方式解決蛋白質(zhì)折疊問題，再將AlphaFold預(yù)測蛋白質(zhì)結(jié)構(gòu)應(yīng)用到藥物研發(fā)上。根據(jù)我們團(tuán)隊(duì)發(fā)在arXiv上的成果，僅設(shè)計(jì)合成了13個(gè)化合物，就能找到針對全新靶點(diǎn)活性非常好的小分子。

AI for Science從我的角度來講，我們是一個(gè)AI賦能的Biotech，用AI來做創(chuàng)新藥物。這其中有很多問題，是一個(gè)風(fēng)險(xiǎn)很高的行業(yè)，現(xiàn)在普遍需要十幾年時(shí)間、20億美金以上的研發(fā)投入，才能做一個(gè)創(chuàng)新藥出來，效率非常低。

通過AI的加持，來解決藥物研發(fā)領(lǐng)域里的生物、化學(xué)以及臨床方面的問題，可以大幅縮短研發(fā)周期、提高研發(fā)效率、降低研發(fā)成本。

這為整個(gè)生物醫(yī)藥研發(fā)提供了顛覆性的解決思路。

傳統(tǒng)藥物研發(fā)依靠人類想象，所有創(chuàng)新都基于人。但有了AI加持后，可以在化學(xué)、生物學(xué)層面做更多探索，以前人類大腦中觸及不到的想象空間，AI通過瀏覽大量數(shù)據(jù)、積累更多知識(shí)，從而具備更豐富的創(chuàng)新性。

AlphaFold的成功很難復(fù)制

量子位劉萌媛：剛剛?cè)尾┨岬搅薃I for Science在生物領(lǐng)域會(huì)有非常明顯的提升效果，現(xiàn)在還有哪些領(lǐng)域有可能去復(fù)制AlphaFold所帶來的這些改變呢？這個(gè)問題瞿總有相關(guān)的見解嗎？

百圖生科瞿佳潤：復(fù)制AlphaFold2蠻難的。之前我們內(nèi)部也有在討論說為什么AlphaFold2能夠引起這么大的轟動(dòng)，AI已解決的問題不少，這個(gè)問題也在某種意義上出圈了，大家都關(guān)注到它。

我覺得可能有幾個(gè)因素。

蛋白質(zhì)結(jié)構(gòu)研究，無論是靶點(diǎn)方面還是藥物研發(fā)，都是非常底層基礎(chǔ)的。

蛋白質(zhì)結(jié)構(gòu)預(yù)測，尤其是實(shí)現(xiàn)準(zhǔn)確預(yù)測復(fù)合物結(jié)構(gòu)，它將不再僅僅是可視化問題那么簡單，其背后涉及諸多能量問題，包括可以去比對給定蛋白可以和哪些蛋白形成關(guān)聯(lián)。

所以其實(shí)它也可以泛化到靶點(diǎn)網(wǎng)絡(luò)的問題，它是支撐很多問題的根本問題。

生物界有像施一公這樣的頂尖科學(xué)家在這個(gè)方向發(fā)力，包括CASP比賽也有很多人關(guān)注。綜合來講，多方面的原因造成它非常轟動(dòng)。

其實(shí)我們公司在做一個(gè)類似的事情，它不一定能引起同樣的轟動(dòng)，但我們覺得會(huì)對科學(xué)有很大的影響，就是對于組學(xué)的預(yù)測。

它本質(zhì)上是蛋白這個(gè)問題的另一面，因?yàn)榈鞍滓呀?jīng)成為最后的載體了，但是基因?qū)用娴膯栴}：從基因組到表觀組、轉(zhuǎn)錄組、蛋白這一系列的多組學(xué)問題，以及一個(gè)細(xì)胞怎么通過它的組學(xué)的組合來表征免疫激活狀態(tài)，也是一個(gè)非常復(fù)雜的高維度問題。

本質(zhì)上如果我們能夠把它的映射表征學(xué)習(xí)好，我們就能精準(zhǔn)預(yù)測到給定一個(gè)外界的擾動(dòng)這個(gè)細(xì)胞有沒有響應(yīng)。

那么再進(jìn)一步，這就變成藥物響應(yīng)的問題了，它可以通過該映射表征去匹配精準(zhǔn)的細(xì)胞和精準(zhǔn)的蛋白之間的調(diào)控關(guān)系，從而再引入臨床數(shù)據(jù)。

比如說，如果能夠知道哪一類病患里的哪類細(xì)胞比較占主導(dǎo)地位，又能知道怎么調(diào)控這一類的主導(dǎo)細(xì)胞發(fā)揮很好效果，整個(gè)邏輯就串起來了。

這也是我們大力投入的方向，現(xiàn)在有十幾個(gè)臨床隊(duì)列，有高仿真的體外模擬體系產(chǎn)生大量的數(shù)據(jù)閉環(huán)。

量子位劉萌媛：提問一下深勢科技的胡總。深勢科技更多是從計(jì)算問題的底層出發(fā)去看待AI for Science。深勢在AI for Science的應(yīng)用上在其他領(lǐng)域現(xiàn)在已經(jīng)有怎樣的涉足？是否生命醫(yī)藥領(lǐng)域更有天時(shí)地利，所以比其他領(lǐng)域更容易推進(jìn)？

深勢科技胡成文：AlphaFold2確實(shí)是行業(yè)標(biāo)志性的事件，大家都體會(huì)比較深，我們也有一些相關(guān)進(jìn)展的工作。

大家知道國內(nèi)很多公司做了類似模型，我們也提出了Uni-Fold，這不是為了打榜。

我們的核心邏輯是，預(yù)測出來的結(jié)果是靜態(tài)的，但蛋白質(zhì)其實(shí)是動(dòng)態(tài)的，它才會(huì)有如此豐富的特征。

拿到靜態(tài)結(jié)果并不能往后解決更多問題，所以我們又開發(fā)了一套動(dòng)態(tài)的采樣算法，把原來Uni-Fold預(yù)測的靜態(tài)結(jié)果作為起點(diǎn)，對蛋白質(zhì)結(jié)構(gòu)進(jìn)行動(dòng)態(tài)構(gòu)象進(jìn)一步優(yōu)化結(jié)構(gòu)，基本上可以達(dá)到類似于實(shí)驗(yàn)室精度的效果。

這對于創(chuàng)新藥后續(xù)的開發(fā)是比較好的技術(shù)，對靶點(diǎn)發(fā)現(xiàn)、分子對接也都是比較好的起點(diǎn)，這一系列的工具已經(jīng)在我們自己內(nèi)部的平臺(tái)上。

AI for Science本質(zhì)上來說是一套方法論，所有的宏觀信息都是由微觀決定結(jié)構(gòu)的，本質(zhì)上都是底層原子、分子性質(zhì)、結(jié)構(gòu)和相互作用力決定了上層宏觀性質(zhì)，這一套方法同步在其他領(lǐng)域也有相關(guān)突破。

比如在材料領(lǐng)域，電池是一個(gè)比較典型的場景。我們通過計(jì)算來加快電池、電解液新材料的發(fā)現(xiàn)和性質(zhì)預(yù)測，和寧德時(shí)代、金羽新能也取得了一系列突破。

燃燒也是比較典型的一個(gè)例子，我們推出了一個(gè)平臺(tái)叫DeepFlame，能夠有效的模擬燃燒反應(yīng)的過程。

解決的問題是類似于航空發(fā)動(dòng)機(jī)過程當(dāng)中的試驗(yàn)和模擬——以前計(jì)算出來極其復(fù)雜，通過AI方式能夠大大降低計(jì)算的復(fù)雜度，減少了大量實(shí)驗(yàn)的成本。

在科研領(lǐng)域你會(huì)發(fā)現(xiàn)傳統(tǒng)的科研只有兩大塊：要么做試驗(yàn)、要么搞理論。

做試驗(yàn)要有大量的時(shí)間，不管是化學(xué)、物理試驗(yàn)都一樣，包括實(shí)際操作、時(shí)間成本和經(jīng)濟(jì)成本都會(huì)比較高。

我們通過AI for Science的方法也提供了一系列平臺(tái)工具，使得很多的科研人員能夠通過計(jì)算去模擬很多傳統(tǒng)實(shí)驗(yàn)。

這個(gè)趨勢現(xiàn)在開始從學(xué)校到工業(yè)領(lǐng)域都有所顯現(xiàn)，我們能看到北大化學(xué)系、生物系等，原來一半人做理論、一半人在做實(shí)驗(yàn)。

現(xiàn)在很多實(shí)驗(yàn)人員開始去做計(jì)算，包括前期篩選模擬的工作盡可能讓計(jì)算去做，剩下少量的工作進(jìn)行模擬，所以計(jì)算的招生人數(shù)和實(shí)驗(yàn)人數(shù)也是越來越多的。

所以我們能看到AI for Science不僅僅是在生物醫(yī)藥制藥行業(yè)有廣泛應(yīng)用，在很多基礎(chǔ)科學(xué)研究方面也有廣泛的發(fā)展空間。這是我們的理解。

接下來我們需管理好對AI的預(yù)期

量子位劉萌媛：我們剛剛一直在講AI for Science它的發(fā)展前景，包括它給我們帶來的好處和改變。但它也將會(huì)面臨挑戰(zhàn)，大家目前覺得最大的一個(gè)挑戰(zhàn)會(huì)是什么？以及談到AI的時(shí)候我們經(jīng)常會(huì)說算法、算力和數(shù)據(jù)，那在AI for Science新的細(xì)分領(lǐng)域里面最重要的還是這三要素嗎？

英矽智能任峰：其實(shí)胡總應(yīng)該更有資格去談AI for Science，我們在工業(yè)或者技術(shù)方面可能做得更多一點(diǎn)。但是我可以發(fā)表一些自己粗淺的看法，我個(gè)人認(rèn)為從AI的角度、從方法論的角度來講，AI不管是for任何的Science或者是應(yīng)用，目前面臨最大的挑戰(zhàn)是如何去管理預(yù)期。

因?yàn)橐郧霸贏I發(fā)展過程中，剛開始所有人都不太相信AI，后來慢慢信的人越來越多，之后大家對它的預(yù)期非常高，好像AI無所不能。

預(yù)期高的話，對整個(gè)行業(yè)來講是一個(gè)非常大的挑戰(zhàn)。因?yàn)槿魏我粋€(gè)失誤或者是失敗，就會(huì)導(dǎo)致大家對整個(gè)行業(yè)失去一定的信心，這可能是目前整個(gè)AI行業(yè)不管是for Science還是for Industry都面臨的一個(gè)比較大的挑戰(zhàn)，即我們?nèi)绾喂芾砗米约旱念A(yù)期，如何管理好客戶對AI技術(shù)的預(yù)期以及其他行業(yè)對AI行業(yè)的預(yù)期，這是非常重要的。

做Science的話，如果所有事都能成功就不叫Science，Science總要容忍很多失敗，而且經(jīng)常失敗的比成功的案例還要多。

所以即便有AI的加持，只是提高了效率、提高一些成功率，但并不能說可以100%成功，把大家對AI for Science的預(yù)期管理好，可能是我們以后要工作的一個(gè)方向。

百圖生科瞿佳潤：AI“三要素”依然是存在的，但是如果說映射到生物學(xué)問題的話，最重要的還是數(shù)據(jù)。

算力這個(gè)事，現(xiàn)在你有資金就可以用到這些，大家都用云計(jì)算了，你也不用自己去搭這些硬件。

然后你說算法這件事情，現(xiàn)在國內(nèi)很多AI人才，包括交叉學(xué)科的人才也都可以有。

當(dāng)然，怎么去管理不同背景的雙方團(tuán)隊(duì)能真的互相理解也很有挑戰(zhàn)性，但本質(zhì)上做這個(gè)方向的事情就必然要面對這樣的挑戰(zhàn)。

我覺得數(shù)據(jù)是更難的問題，尤其是在生物這個(gè)行業(yè)。

我還是以靶點(diǎn)舉例子。AI只是一個(gè)工具上的變化，這種工具上的變化并不能扭轉(zhuǎn)一些本質(zhì)上的問題。

所謂本質(zhì)上的問題是在靶點(diǎn)也好、藥物也好，一直有一個(gè)詬病，即體外的這種體系很難映射體內(nèi)的環(huán)境。不少生物領(lǐng)域里基礎(chǔ)的研究都有這樣的短板。AI學(xué)到的也包括這些短板，很難說體外體系不好情況下，能學(xué)到體內(nèi)真實(shí)的規(guī)律。

我們現(xiàn)在反而面臨的一個(gè)問題是，在閉環(huán)的過程中怎么能把體外的體系優(yōu)化到盡可能能模擬體內(nèi)體系的狀態(tài)，而且它還得是一種滿足AI需求的高通量產(chǎn)數(shù)據(jù)方式，即“高通量低成本”的方式，這個(gè)挑戰(zhàn)是非常大的，包括藥物也一樣。

最開始大家說我們用公開的數(shù)據(jù)，其實(shí)我們自己內(nèi)部做過一個(gè)研究，公開專利的數(shù)據(jù)在內(nèi)部把所有一樣的序列合出來，然后去做親和力，它的關(guān)聯(lián)是非常差的。在這種情況下，根本就不能作為標(biāo)準(zhǔn)。

所以我想表達(dá)的是，我們希望用AI去研究Science，但是我不管用AI研究Science，還是基于生物學(xué)傳統(tǒng)手段研究Science，都要基于一個(gè)好的研究體系，而這個(gè)體系現(xiàn)在對我們來說是很具有挑戰(zhàn)性的。我相信這對其他的同行來說也是一樣具有挑戰(zhàn)的點(diǎn)。

深勢科技胡成文：剛才兩位都講得比較多，算力、算法、數(shù)據(jù)這肯定還是很重要的。從我的角度來說，還可以出現(xiàn)一些新的挑戰(zhàn)。

第一，人才，尤其是跨學(xué)科復(fù)合型的人才。

因?yàn)锳I for Science不是說把一批AI公司和一些科學(xué)家搞在一起就OK了，本質(zhì)上需要雙方去理解，不同領(lǐng)域的人在一起才能產(chǎn)生化學(xué)反應(yīng)，碰撞出原創(chuàng)性的突破。

這種人才還是需要花大量時(shí)間去培養(yǎng)和學(xué)習(xí)的，也需要借助學(xué)術(shù)界和工業(yè)界的努力，所以人才是第一位的，目前還是比較緊缺。

第二，生態(tài)共建問題。

互聯(lián)網(wǎng)傳統(tǒng)AI商業(yè)上的巨大成功，使得在不管是數(shù)據(jù)、模型、算力方面都形成一套比較完整的生態(tài)鏈，人才供給比較豐富，包括最近各大公司、各個(gè)平臺(tái)也推出了很多預(yù)訓(xùn)練大模型，使得新的應(yīng)用、新的開發(fā)上手會(huì)非常容易。

我們最近也推出了AI for Science預(yù)訓(xùn)練大模型，叫DPA-1，是全球首個(gè)覆蓋元素周期表近70種元素的預(yù)訓(xùn)練模型，該成果由北京科學(xué)智能研究院、深勢科技、北京應(yīng)用物理與計(jì)算數(shù)學(xué)研究所共同研發(fā)，DPA-1被譽(yù)為自然科學(xué)界的GPT，這個(gè)模型能夠極大降低后續(xù)科研人員從頭訓(xùn)練的成本，我們也希望跟同行們一起來推動(dòng)AI for Science整個(gè)生態(tài)系統(tǒng)的繁榮。