魏路 科技日报记者 王春
(资料图片仅供参考)
在天文领域，NASA利用AI对太空望远镜拍摄的数千张星系图片进行分析，发现了一些新型的星系，并对宇宙演化提出了新的假说。当前，AI作为全球科技领域最热门的技术之一，与各学科领域结合后，正发生着一场充满潜力和挑战的科技革命——AI for Science。
那么，什么是AI for Science？
《报告》以可视化形式从多结构类型融合的数据、多领域特点融合的基础软件、多学科融合的人才、多样化融合的算力等创新要素维度，对我国AI for Science发展进行深度剖析，为促进我国AI for Science创新发展提供客观观察。
2017年前后，全球科学家开始尝试将机器学习等人工智能技术用于求解科学问题。五年来，各学科不断加入，模型精度、泛化性逐渐提高，不同技术路径、不同应用场景的AI for Science成功应用不断涌现，深度融合领域知识的AI for Science基础软件也蓬勃发展，为各领域AI for Science研究人员提供了一大批简单易用的工具软件。
2017年-2023年，AI for Science模型与基础软件发展情况
通过分析全球已发布的AI for Science成果发现，中国、欧洲和美国大幅领先，三地AI for Science论文发表量超过全球总数的80%，我国AI for Science论文发表数量最高。同时，国内外知名高校、大型科研机构和头部企业均十分重视AI for Science，国外的谷歌、英伟达、DeepMind，国内的华为、百度等机构都在积极推动全球AI for Science发展。
中美欧三地AI for Science发展成果情况
《报告》指出，在政策指引下，我国AI for Science发展迅速，涌现出“MEGA-Protein”“鹏程·神农”“东方·御风”以及盘古天气等多项具有国际影响力的成果。PaddleScience、MindSpore Science等国产化AI for Science基础软件也日益成熟，为AI for Science研究提供了丰富的数据集、基础模型及专用化工具。
2017年-2023年，中国AI for Science发展情况
《报告》通过对国家数据中心等公开信息调研发现，我国已经积累了丰富的科学研究开放数据资源。从数据类型上看，开源数据以基础学科和调研数据为主；在学科分布上，气象、天文、高能物理等学科开源数据最为丰富。
中国AI for Science数据要素地图
《报告》指出，深势科技的DeePMD、华为的MindSpore Science，百度的PaddleScience等一大批AI for Science基础软件相继涌现，并在积极推动开源。但总体而言，国产框架原生的领域套件比例还需要进一步提高，开源影响与英伟达的Clara等国外领先AI for Science基础软件相比还存在明显差距。
中国AI for Science算法和基础软件相继涌现
国内外代表性AI for Science基础软件开源影响力对比
《报告》对AI for Science论文作者进行统计分析发现，我国AI for Science人才已初具规模，除人工智能领域外，主要集中在生物医学、地球科学、环境科学等科研领域。从地域分布来看，北京、广东、江苏等三地AI for Science人才指数最高，山东、湖北、四川、辽宁和陕西等科教资源丰富的地区也聚集了较多AI for Science人才。
中国AI for Science人才要素地图
《报告》通过调研全国范围内的算力基础设施分布情况发现，我国算力建设聚集度高，北京、广东、浙江、上海和江苏近5年人工智能加速卡销售量约占全国的90%，中西部省份的算力资源还有待拓展。在广东、江苏等省份，以昇腾为基础的人工智能计算中心公共算力增长最为迅速，通过共享方式为AI for Science的发展提供了重要算力保障。
中国AI for Science算力要素地图
《报告》对国内正在开展的80多项AI for Science研究的调查分析发现，生物医疗、材料化学等领域的AI for Science发展迅速，成果最多，其他领域AI for Science还处于起步阶段。从特征上看，我国AI for Science技术正在各科学研究领域实现专业化的单一场景应用，但还没有出现跨领域的通用AI for Science模型。在应用和落地方式上，提供服务平台和套件是当前主要落地方式，其他落地模式还有待探索。
我国AI for Science行业领域发展情况
赵志耘指出，人工智能在科学研究领域的应用潜力巨大，当前正处于突破性发展的关键窗口期，但同时也面临着要素供应、协作机制等诸多挑战。
现场，赵志耘还给出了我国AI for Science发展建议：
1、持续强化AI for Science领域研发支持；
2、有序推动科学研究数据开放共享；
3、加快完善基础软硬件技术生态体系；
4、统筹推进算力基础设施建设；
5、大力培养多学科交叉复合型人才；
6、深化拓展AI for Science领域国际合作。
（中国科学技术信息研究所供图）
关键词：
