智能式的科学研究范式愈发受重视

一是智能型科研模式时代已悄然来临

当前主流科研模式具有如下特征：其物质基础是各种现实的物质材料；基本方法是手工实验操作方法；强调全链条设计，如问题提出、方法设计、模型创建等；主要基于小数据，或辅助性的计算机大数据处理。而智能型科研模式则强调对科研大数据的智能化处理与操作，获取数据之中的潜在规律、发现其中的异常、智能构建规律模型等，或是通过自动化、持续性的工具操作来解放科研人员体力与精力。未来，人工智能将持续、深度赋能科学研究活动，为科研活动提供新的、革命性的基础性操作平台与方法，推动科研活动由传统的研究模式，扩展至智能式研究模式，从而大幅提高科学研究效率、颠覆当前主流科研方法。

二是人工智能与各学科的汇聚正加速

人工智能已与化学、合成生物学、医学、天文学、物理学等学科进行有效汇聚，为发现新型物质、构建新型要素关系、总结复杂信息背后的结构化模式，以及科研自动化、无人化等提供巨大帮助。如：

• 在天文学领域，利用数据训练的卷积神经网络，给定一个引力透镜信息，则可通过这一网络生成暗物质晕的分布数据，而在大尺度结构领域，通过比例参数变化所产生的三维星系分布训练网络，可用所输入的三维分布预测暗物质和暗能量的比例情况；
• 在化学领域，2018年3月，研究人员Segler·M等在Nature发文，基于AI技术，将深度神经网络与蒙特卡洛搜索树相结合，实现了高速逆向合成反应，可从已有的数据中学习并自动掌握逆化学合成路径，这一研究方法比传统的基于提取规则和手工设计启发式的计算机辅助搜索方法快30倍，大大提升了化学合成的成功率、提升了新合成物的研发效率；
• 在气候变化领域，2019年，David Rolnick联合吴恩达、Demis Hassabis等人在《麻省理工科技评论》发表文章，阐释了机器学习可以如何帮助拯救地球和人类的路线图，分析了人工智能有可能介入的10个领域，如利用机器学习，更好地预算天气情况、构建更精确的气候模式图等；
• 在医学领域，根据靶点虚拟构新建药物分子及化合物，极大提高医药研发效率，如人工智能公司Exscientia在短短一年时间内便完成了新药设计以及临床应用（而行业基准为4-5年），只需要85个潜在药物分子便找到合适药物，整体成本节省80％。

三是部分发达国家正积极推动智能科研基础平台建设步伐

人工智能对科学研究的意义，不仅限于辅助性地获得新科学发现、新数据规律，更重要的是，它愈发成为一种新型的基础性科研平台，或是通过为整个科学研究提供革命性研究工具，来提高整个科学研究活动效率。当前，部分发达国家一些科研机构、企业正大力推动智能科研基础平台建设工作，并通过开源等方式掌握未来科研主动权。特别是谷歌所属DeepMind，正努力研发一系列可赋能基础科学研究的多种原创型科研平台，在近日接受《麻省理工科技评论》专访时，DeepMind的CEO兼联合创始人戴密斯·哈萨比斯谈道，“我们将看到一种全新的科学复兴，这些AI技术将继续变得更加复杂，并被应用到广泛的科学领域”。为了这一目标，谷歌已实现多项突破：

• 如2020年11月，谷歌下属DeepMind AI公司所开发的AlphaFold2程序，已拥有解析、预测蛋白质3D折叠能力，它基于蛋白质数据库中17000个蛋白质结构数据，通过人工神经网络进行端到端训练，从而习得不同氨基酸序列连接模式的规律，在短时间内预测、确定其氨基酸3D折叠结构，且这一程序的源代码已进行开源；
• 2022年2月6号，DeepMind发布了新成果，企业与瑞士等离子体中心合作，研究出可用于核聚变研究中的等离子体磁控制新算法；
• 同月，DeepMind还开发出一种可通过分子中电子分布来推测分子特性的革命性算法，从而能够更准确地计算分子性质，维也纳大学材料科学家Anatole von Lilienfeld认为，“能够做到如此精确是一项壮举”；
• 此外，探索新型化学物质、发现新型化学反应的“机器人化学家”程序被开发出来，它们可通过对已有化合反应、化合物性质学习，创造此前所没有的全新物质。如利物浦大学研究人员于2020年所开发的“AI化学家”，在没有任何研究人员指导的情况下，完全通过自主学习，发现了一种强活性催化剂，且实验操作完全自动化，可独立执行化学实验中所有任务，例如称量固体、分配液体、从容器中除去空气，运行催化反应以及定量反应产物等，甚至它还可对下一步需要进行什么化学实验作出自己的决定；
• 2018年格拉斯哥大学研究人员所开发的AI程序，可通过对1000个化学物质反应的搜索，自主探索新的化合反应和新分子。无论是AlphaFold2，还是机器人化学家，均改变了传统科研工作模式。

二、当前我国智能科研基础平台建设存在的问题

当前，我国智能科研基础性操作平台建设面临诸多问题，如学界主要集中于利用部分发达国家发明的算法进行重复性模拟，而原创性科研算法较少，为科学研究活动赋能能力较弱。未来，如果我们不加速推进智能科研基础操作平台建设，将面临重大“卡脖子”问题。

一是科学界算法原创能力有待进一步提高

无论是我国企业界，还是科学界，算法原创能力较弱问题均较为突出。中国工程院院士徐匡迪曾指出，当前我国缺乏核心算法，过度依赖开源，几乎93%的中国研究者使用人工智能开源软件包。虽然中国也有少数学者做出了原创性研究成果，如电子科技大学周涛教授先后攻克了推荐系统准确性－多样性困境、复杂网络链路可预测性、H指数－核心度关系等图挖掘领域的重要难题。但我国科学界更多的是基于国外已有算法，特别是开源算法，结合中国应用场景及数据进行深度模拟与应用，如语音视别、视觉识别、人脸识别、自然语言翻译等算法的深度改进，提高其识别精度，或是进行创新性应用，并取得了诸多重要成果。如，清华大学的“华智冰”、腾讯AI Lab的“绝艺”围棋AI，前者是利用蒙特利尔大学Ian Goodfellow提出的生成对抗网络方法，后者则是依据DeepMind的AlphaGo原型进行设计。2021年，中国华深智药开发出的HeliXonAI全球持续蛋白质结构预测竞赛CAMEO上，刷新了AlphaFold2的纪录，但本质上还是利用了开源AlphaFold相关算法数据。

二是科研赋能型AI创新成果较少

科研赋能型AI创新是指能够从根本上提升整个科研活动效率的底层算法或硬件创新，而不仅仅是利用已有算法或硬件形成新成果。目前我国类似于AlphaFold的底层创新或可改变某领域研究模式的科研赋能型成果较少。李国杰院士指出，我们的研究多数是技术驱动、论文导向，选择可突破的重大科学问题的眼光不够敏锐，布局的科研项目要么是增量式的技术改进，要么是几十年都难以突破的理想型目标，目前我国大学和企业的人工智能实验室大多遇到顶天顶不了、立地又落不下去的困境。一些研究成果虽具有国际前沿性或创新性，但难起到影响整个科研活动模式、提升整体科研效率的作用，不具备科研赋能功能。

三是一些科研赋能型AI创新成果影响范围较小

当前我国一些科研机构和大学已做出科研赋能型AI创新成果，如2021年，浙江大学和中山大学的研究者提出了首个基于符号推理的几何数学题求解器Inter-GPS，将几何题的图片和文字解析为统一形式语言，运用相关几何定理，逐步进行符号推理直至预测出最终答案，实现了57.5%的准确率；2020年11月，中美联合研究小组基于深度学习分子动力学模拟方法，结合传统高性能计算和机器学习，将分子动力学极限从基线提升到1亿原子的惊人数量，计算速度提高至少1000倍，引领了科学计算从传统计算模式向智能超算方向前进，具有类似于AlphaFold的学科赋能效果。但从整体上看，其对整个科研活动影响范围不广、影响程度不深，还难以形成平台型科研托举功能。相比之下，AlphaFold则具备替代实验研究、直接从蛋白质氨基酸序列大批量产生蛋白质三维结构的潜力。

三、对策建议

一是改变AI创新理念，重视科研赋能型AI创新研究

科研赋能型AI创新能够在科研方法、科研模式、知识生产等方面对传统科研产生根本性影响，极大提升科研活动整体效率，是推动科研模式变革的底层技术。尤其是基于AI赋能的新型科研范式，事关国家基础研究的整体效率，如果在这一方面落后于部分发达国家，则有可能使我国在未来科技革命中处于被动挨打地步。部分发达国家学术界及企业已开始关注科研赋能型AI技术，并获得一系列突破性成果，而我国学术界对科研赋能型AI创新关注度不够，更倾向于基于现有AI技术框架进行深度应用或改进。我国学术界、企业等应给予科研赋能型AI创新以足够的重视。

二是通过科学程序，筛选与人工智能具有高融合潜力的学科领域

科研赋能型AI更容易出现在人工智能与特定学科具有更高融合潜力的学科领域，如合成生物学、物理学、化学、医药创新、天文学、材料学等。这些学科往往具有大数据处理属性，且拥有丰富的数据材料基础（特别是合成生物学领域），更容易通过深度学习相关技术进行数据规律提取与建模。涉及微观粒子特征研究的领域，微观粒子众多且涉及更多变量，且许多变量具有难观察、易变、时间依赖等特征，难以进行即时性观察与分析，利用机器学习技术，可更快速地总结各种变量的特征。重复性劳动特征较明显、科研程序较为固定的实验领域，这些领域更容易通过自动化程序加以替代。建议通过组织跨领域专家（人工智能领域专家与其它学科的领域专家），精准、科学的进行领域筛选，制定深度学习赋能型学科量表，选定一些具有AI科研赋能潜力的领域。

三是加大对科研赋能型AI创新的资助力度，推动我国智能科研基础平台建设步伐及前瞻布署能力

国家相关部门应强化顶层设计，加大对科研赋能型AI创新的资助，如基金委交叉学科部可加大对科研赋能型AI创新研究活动的定向支持。同时，鼓励企业与高校、科研机构合作，开发可提高企业研发能力与效率的赋能型AI技术，如能够加快医药研发、集成电路设计效率的赋能型AI创新技术。

AIOTE中国国际智慧城市、物联网、大数据博览会（AIOTE智博会）自2010年创办以来，至今已成功举办十多届。AIOTE智博会是中国较高、规模较大、影响力较广的专业展览会；是被国际业界公认的不可错过的名展之一。随着AIOTE智博会的国际地位和影响不断提升，已成为国内外智慧城市、物联网、大数据、人工智能行业交流与贸易的重要展会，成为现代智慧城市、物联网、大数据、人工智能技术最新成果的展示平台，是我国科技产业发展的风向标。AIOTE智博会汇集了全球先进的智慧城市、物联网、大数据、人工智能、智能家居、智慧工地等产品，对国内展商、采购商和用户来说，是不出国门的国际考察。

2023上海国际智慧城市、物联网、大数据博览会（AIOTE智博会）将于2023年05月份在上海新国际博览中心举办，本届展会主题为“数字新时代·链接新未来”，届时全球国际智慧城市、物联网、大数据、人工智能等企业和品牌悉数以强大阵容亮相展会，展会共有来自28个国家和地区的800家展商参展。捷克、法国、德国、印度、意大利、日本、西班牙、韩国、瑞士、英国、美国、台湾地区和香港地区等13个国家和地区的行业组织和贸促机构组团参展，展览总面积达6万平方米，展会3天的预计接待来自 80个国家和地区的 5.5万余名专业观众前来参观。展会的展品水平和品种、规格的覆盖面均创新的水平。数万件展品中囊括了智慧城市、物联网、大数据、人工智能、机器人、智能家居、智慧工地等产业链主要产品范畴，为广大采购商提供了最广泛的选择空间。

九大展区

智慧城市展区

物联网展区

大数据展区

人工智能展区

软件展区

智慧工地展区

智慧灯杆及路灯展区

智慧停车展区

智能家居及智能锁展区

高峰论坛

1、中国人工智能发展及未来技术产业投资贸易论坛；

2、5G+IoT如何为智慧社区发展助力

3、中国物联网、人工智能、大数据金融投资对接洽谈会；

4、VR/AI+5G未来将如何改变我们的生活；

5、物联网、大数据、人工智能产业创新奖评选及颁奖活动；

亮点一：最新智能行业技术创新与成果展示

本届AIOTE智博会是以智慧城市为主导，人工智能、物联网、大数据技术发展为核心，智能家居现代化技术产业领域先进科技为辅助，从而划分八大主题展区—智慧城市、物联网、大数据、人工智能、机器人、智慧零售、智慧工地、智慧停车等高科技产品，集中展示智能行业技术创新与最新的成果，积极推动我国智能产业的发展，促进数字经济和实体经济的深度融合。

亮点二：行业细分专业知识交流与多维度增值服务体验

本届AIOTE智博会期间举办十多场高峰论坛会议与活动，给展商们提供各垂直行业专业论坛参与机会，众多学界专业学者思想碰撞，是增长专业知识、拓展行业人脉的优质平台。

展会提供多维度的增值服务，新产品新技术信息发布；VR逛智博会；重点展品向大会新闻中心推荐；采购洽谈会等多项优质服务。

将展览与论坛有机结合，使产业贸易与学术交流融为一体。力争将展会打造成产、学、研、贸多位一体的经贸平台。

亮点三：多家媒体采访报道使人人站在科技潮流最前沿

展会有新华日报、人民网、电视台等300多家海内外媒体，超300名记者，对展会前、中、后进行全方位的宣传和跟踪报道，20余家网络媒体、平面媒体和电视媒体将在现场做企业专访和展会报道，总曝光量超1000万条，为参展企业提供多渠道宣传途径，向观众展示最新技术成果，让大众也可以站在时代潮流前沿阵地，实时掌握行业发展新风向标，紧紧抓住行业发展新动态。

www.zbhexpo.com