数百年来，以数据驱动的开普勒范式和以第一性原理驱动的牛顿范式是科学研究的两大基本范式。当下正在蓬勃兴起的AI for Science有可能促使两种既有范式的深度融合，激发一场新的科学革命。
《达摩院2022十大科技趋势》将AI for Science列为重要趋势，无疑是看到了人工智能和传统科研结合带来的巨大潜能。我希望它能帮助推动更多科研工作者投身其中，加速这场科学革命的进程。
科学研究有两大基本目的：一是寻求基本规律，二是解决实际问题。
在量子力学建立之时，狄拉克就预言说寻求基本规律的任务已大体完成，但因为其数学问题太复杂，用基本原理来解决实际问题非常困难。
直到上世纪50年代电子计算机开始投入使用，以及微分方程数值方法的出现，人类才第一次大规模实现了从基本原理出发解决实际问题的能力，并由此构建起了现代工业和技术赖以生存的基础。
但很多问题依然非常难以求解，比方说各类多体问题，药物和材料设计、蛋白质折叠、湍流、塑性力学和非牛顿流体力学等。
这些难题的根本根源是“维数灾难”：随着自由度的增多，问题的复杂度呈指数级增长。
我从80年代开始研究算法，一直在尝试解决这些问题。尤其是在多尺度模型和算法方面，我持续了多年的努力，但总是觉得难以找到真正的突破口。
2011年我写了一本多尺度模型方面的书。本来是想在山穷水尽之际转行到更需要科研人力投入的大数据领域，但我没想到的是，机器学习恰恰是我们过去缺乏的工具。
从2014年起，我即投身于机器学习与科学计算的结合。去年我们一个以年轻人为主力的团队利用机器学习方法在量子力学精度的分子动力学模拟方面取得了重大突破，把可处理体系的规模从1000个原子提高到1亿个原子，并因此获得了2020年戈登贝尔奖。这是我们第一次看到机器学习、科学计算、高性能计算三大工具的结合所带来的广阔空间。
AlphaFold 2的成功，更是让我们看到了数据驱动的方法所能带来的革命性的改变。
这个空间和改变给我们带来的将是新的科学工具的发展和新的科研模式的构建。它也将推动科学研究从小农作坊模式转变到大平台模式，即由整个科学家群体共同努力构建基础模型、基础算法和工具。
这样的大平台将极大地提升整体科研的效率。在这一方面，DeepModeling 开源社区已经迈开了非常可喜的一步。
AI for Science 带来的不仅仅是几个点上的突破，而是科研方法的全面改变。要适应这样一个新的环境，科学家们需要更深入地了解AI，才有可能用好AI。企业积累了大量AI研发能力和资源。它们不仅可以提供学界所急缺的计算资源，还能够帮助打造基础科研工具。无疑，学界和业界需要更多协作，秉持开源开放的精神，消除门户之见，打造AI for Science的科研共同体。
达摩院十大科技趋势或许就是这种努力之一。我期待达摩院牵头的这种努力，能够加快信息科学和传统科学的深度融合。也期待AI for Science不只是一个新的浪潮，而是一个全新的科学时代。
老了学不动| 歡迎光臨 比思論壇 (http://108.170.10.236/) | Powered by Discuz! X2.5 |