图文原创：谭婧

无奖问答，这里有三道送分题。

1.Science是什么？

参考答案：科学。

2.AI是什么？

参考答案：人工智能。

3.历史上哪三个物件影响人类科学发展？

A.伽利略的铁球，

B.牛顿的苹果，

C.冯·诺依曼的现代电子计算机。

参考答案：ABC。

伽利略和牛顿奠定了“实验”和“理论”这两大科学方法的支柱，

冯·诺依曼带来了“计算”。

有位诺贝尔奖获得者说：

当今，科学活动可分为三种：

理论、实验和计算。

科学方法论的“三驾马车”，既相互依赖，又相对独立。

这里有一道送命题。

AI for Science是啥？

参考答案：AI搞科学。

AI for Science，可以说是AI加上Scientific Computing（科学计算）。

AI不仅可以搞科学，而且搞得很科学。

从广泛的意义上来说，科学是研究大自然现象以及规律的学问。

物理的原理、机理，从最微观的尺度，到我们所能看到的最宏观的尺度，都是由方程来驱动。

为了描述一个自然现象，科学家大牛们为此做出简洁的数学描述，如微分方程。

微分方程能准确地描述人们想要知道的现象（情况），这一步也叫建模。

画家描述世界靠“绘画”。

科学家描述现象靠方程“刻画”。

不是所有的方程都适合用计算机来解，计算机有其适合的计算方法和技巧，因此有了科学计算。

所谓的科学计算，就是解这些方程，对方程做各种各样的数值模拟。

比如，冯·诺依曼和尤拉姆合作创造了著名的蒙特卡罗方法。

把要求解的数学问题化为概率模型，在计算机上实现随机模拟获得近似解。

上世纪60年代，冯康先生独自创立了有限元方法，属于世界最早之列。

有限元方法意义重大，贡献已为全人类所共享。

假如我们能“算动”所有方程，就不需要做任何的化学实验、生物实验。

假如我们能“算动”所有方程，基本上，我们这个世界就是确定性的。

（of course，这是一个简化的说法，要展开讨论的话，肯定不是这篇文章能搞定的。）

困难就在于，像薛定谔这样的方程“算不动”。

所以，才出现了各种各样的“建模”。

那么问题来了：

怎么能保证算得动？

怎么能在各种尺度下做模拟？

怎么能跟实际观测到的数据相吻合？

AI for Science就是用人工智能（或者说机器学习，更多时候就是深度学习）来帮助我们在这里面做各种各样的建模和数值模拟。

AI for Science里的AI，它最大的“战斗力”就是参与到科学计算以前的各种瓶颈环节，这里面的挑战在很多时候都是由维数灾难所带来的。

（“维数灾难”是指依赖的变量太多了，随着变量的个数或者维数的增加，计算复杂度指数增加。）

所以，不用怀疑，AI的“战斗力”，敲开了科学的大门。

并且，AI解方程和AI辅助科学探索，这两个是相辅相成的一回事。

有人怀疑，有人犹豫，但一些科学家早已认定AI for Science是时代课题，撸起袖子加油干了。

这里最著名公司就是谷歌收购来的DeepMind，科学家们尝试了三个和基础科学相关的场景：

核聚变，

蛋白质折叠，

帮数学家猜测函数关系以辅助证明定理。

自此，人们眼界大开，惊呼：

“这和此前AI所解决的问题，几乎不是一个层面的。”

虽然晴天响起霹雳，但是禁止过度宣传。

在科学的世界里，AI并不是打败天下无敌手，它没有攻占所有的科学领域，还在努力。

理解AI for Science，得理解AI是一种计算方法，AI是一种工具。

在AI领域中，算法指的是解决数学问题的计算机程序。于是，把算法处理数据的过程，称为，计算方法，做法，解法，或思维方式。

AI方法根据实验或者计算产生的数据对所求解的科学问题进行建模，从而使复杂问题得到有效解决。

AI方法：

第一步，找到科学问题；

第二步，找到数据；

第三步，找到规律（建模）。

以前，科学家先观察数据，琢磨背后有什么道理，有什么原理性的东西。之后，发现了规律，用公式表达出来。最后，通过实验去验证。

现在，AI是在给定的函数空间里面去找“答案”， 比如，神经网络的结构（比如层数、参数）中，有多少层基本上就确定了所在的函数空间，再在这个空间里面去优化。

最后，得出一个“最优解”（of course，这是一个简化的说法）。

科学家找规律，AI也找规律。

AI和科学家找规律使用的都是归纳法，但又各有所长。

AI for Science，重点就是用AI分析数据，也就是提炼出可能潜在的规律，但这里面有可能大量是错的，有可能存在大量“谬误（spurious）”规律。

人类介入，并从中筛选出真正有意义的规律，从而推动科学发展。

所以，你看大名鼎鼎的蛋白质折叠模型“Alphafold2”经常推断出一些令人困惑的结构，又或者推断出一些不准确的结果。

但它推断得快，相当快，可以给科学家很多选项，再由人类科学家拿主意。

AI的“战斗力”是在海量数据中迅速找到规律，而这点科学家不容易做到。

AI不擅长的就是甄别真正的规律，提炼简洁的表达式，而这些又是科学家所擅长的。

这就形成了AI辅助科学家进行科学探索的新范式。

因为AI可有效学习现实世界的内在规律，并快速推理获得结果，兼顾精度和性能。

所以，搞科学，以前不会想到用AI的方法。

现在，AI方法可能带来奇迹。

在AI for Science发展中，AI最合适的定位是什么？

现在看来，是辅助创新（AI assisted innovation）。

大半个世纪以来，科技进步（Technological Advancement）的核心目的都是在对人类的肢体器官做各种增广，

望远镜让我们看得更远，

显微镜让我们可以观察入微，

先进交通工具让我们能够高速移动。

信息技术的革命（包括AI）实际上做的是我们大脑的增广，让我们能够更快地汲取、交换、创造知识。

无论是AI解方程，还是AI辅助科学探索，AI for Science, 为科学带来了模型与数据双驱动的新的研究范式。或者说，已有的物理规律和数据的双驱动的新的研究范式。

（完）

全文审稿专家（按姓氏笔画排序）

更多阅读

AI框架系列：

1.搞深度学习框架的那帮人，不是疯子，就是骗子（一）

2.搞AI框架那帮人丨贾扬清独家专访（二）

DPU系列：

1.造DPU芯片，如梦幻泡影？丨虚构短篇小说

2. 永远不要投资DPU？

3. DPU加持下的阿里云如何做加密计算？

其他：

1. 我怀疑京东神秘部门Y，悟出智能供应链真相了

2. 超级计算机与人工智能：大国超算，无人领航

3. 隐私计算：消失的人工智能 “法外之地”

4. 售前，航空母舰，交付，皮划艇：银行的AI模型上线有多难？

5.  AI芯片公司：拿下“超级石油”，助力地质模拟和人工智能

6. 两大榜单揭晓啦，2021年中国高性能计算机性能TOP100+国际人工智能性能排行榜AIPerf500

7. “重型卡车自动驾驶，无量产，则无意义”赢彻科技CTO杨睿刚博士观点

漫画系列

1. 万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单，一场大型凡尔赛

2. 梅长苏：推荐系统难道就是琅琊榜？

3. 大数据的社交牛逼症是怎么得的？

最后，再介绍一下主编自己吧，

我是谭婧，科技和科普题材作者。

为了在时代中发现故事，

我围追科技大神，堵截科技公司。

偶尔写小说，画漫画。

生命短暂，不走捷径。

个人微信：18611208992。

还想看我的文章，就关注“亲爱的数据”。