2024年11月，谷歌DeepMind发布《发现的新黄金时代：抓住AI for Science的机遇》报告，展现了AI如何革新科学研究的广阔蓝图。

1. 改变科学家消化和交流知识的方式

为了获取新发现，科学家需要掌握一个预先存在的知识体系，该知识体系持续呈指数级增长，且越来越专业化。AI的出现，提高了科学家知识获取和利用的效率。科学家们借助AI助手可在短短一天内从20万篇论文中提取研究所需的数据，不仅节省了时间，更重塑了研究者“阅读”和“写作”的方式。AI赋予科学家一种重新构建知识的能力，让文献阅读不再是单调的堆积，而成为一种动态交互，推动科学家发现隐匿于数据之中的无穷未知。

2. 助力大型科学数据集生成、提取和注释

从土壤、深海和大气到非正规经济，大多数自然和社会科学都长期缺乏科学数据。借助AI工具可使现有数据收集更加准确，如AI可减少DNA测序数据的噪音和误差。科学家利用大语言模型还可提取隐藏在科学出版物、档案等资源中的非结构化数据，使其转化为结构化的科学数据集。AI还能帮助科学家注释科学数据，如科学家利用AI来注释微生物蛋白质功能。此外，AI模型一旦得到验证，可以作为生成科学数据的新来源，如蛋白质设计模型AlphaProteo便是基于AlphaFold 2生成的蛋白质结构数据库而训练的。

3. 加速科学实验进程

AI有助于改变科学实验的瓶颈——时间和成本。如，DeepMind的AlphaMissense模型能分析7100万种可能的基因变异，并预测哪些可能引发疾病。这种精准筛选极大缩短了科学实验的迭代周期，使得科学家能够集中资源攻克关键问题。

AI凭借强大的模拟能力，用“虚拟实验室”的方式，为科学打开一扇新的大门，助力科学家去探索物理实验尚无法达到的边界。例如，科学家利用AI成功重现了托卡马克聚变反应堆内发生的复杂物理现象。

4. 助力复杂系统建模

复杂系统的建模是科学中最富挑战性、却也最具魅力的领域之一。从气候预测到经济行为，从生态系统到基因网络，这些复杂系统中交织的变量与动态的交互令传统方法望而却步。而AI凭借其对海量数据的学习能力，可准确地对这些复杂系统进行建模。例如，DeepMind推出的AI天气预测模型，在精确性和计算速度上远超传统数值方法，其预测跨度达到10天以上。然而，AI并非万能，并不能取代复杂建模的传统方法，而是与之结合，也许才是破解复杂系统的最佳方案。

5. 为大型搜索空间问题提供新解决方案

许多重要的科学问题都面临着庞大的潜在选项。例如，科学家要设计一个具有400个标准氨基酸的蛋白质，可能面临着2⁴⁰⁰个选项。这种大型搜索空间问题是许多科学问题常见的现象。传统上，科学家依赖于直觉、试错、迭代或蛮力计算的某种组合来找到最好的分子、证明或算法。而借助于AI，可帮助科学家更快地锁定最有可能可行和有用的解决方案。例如，AlphaProof和AlphaGeometry 2利用Gemini LLM架构为给定的数学问题生成大量新的想法和潜在解决方案，并结合在数学逻辑基础上的系统，可以迭代地朝着最有可能正确的候选解决方案工作。

信息来源：

https://deepmind.google/public-policy/ai-for-science/

https://mp.weixin.qq.com/s/XszGAeD-K6H5viwrsA04xA