登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《人工智能驱动的科研范式变革与特征》

338浏览量
原文链接
相关报告

  • 《AI 驱动的科研范式变革：跨学科视角下人工智能素养与教育培养策略研究》
    • 来源专题：数智化图书情报
    • 编译者：程冰
    • 发布时间：2024-12-26
    • 构建一个面向智能化科研（AI for Research, 简称AI4R）的人工智能（Artificial Intelligence，简称AI）素养教育培训体系，对培养出更多既具备技术知识，又拥有创新思维和伦理意识的科学研究者具有非常重要的作用。通过对全球主要国家与AI 相关的素养教育政策、课程与培训项目进行对比分析，认为这个体系框架不仅关注教育对象对AI 知识的理解，注重实践能力的培养以及伦理和社会责任的教育等，还需要关注跨学科思维及情感联系的教育。面对高校教师和学生两个层面的受教对象，AI 素养的教育培养策略起着至关重要的作用。这些教育培养策略可由政府、教育机构、企业等社会性机构，抑或是图书馆、社区等公益性组织实施，通过承担特定的角色和职责，共同构成了一个多层次、互补的教育培养策略，不仅推动AI 技术在科学领域的应用，还培养了新一代的科研人员，使其具备利用AI 技术进行跨学科研究的能力。
    153浏览量
    原文链接

  • 《人工智能撬动科研范式变革！专家解读AI for Science专项部署工作》
    • 来源专题：数智化图书情报
    • 编译者：闫亚飞
    • 发布时间：2023-07-11
    • “AI for Science有可能推动我们在下一轮科技革命中走在前沿。”谈及近期科技部、自然科学基金委联合启动人工智能驱动的科学研究（AI for Science）专项部署工作，中国科学院院士、北京科学智能研究院院长、自然科学基金委“下一代人工智能”重大研究计划专家组组长鄂维南作出这样的预判。 鄂维南告诉科技日报记者，新一轮科技革命中很重要的一点，就是科学研究从“小农作坊”模式向“平台科研”模式转变，AI for Science正是推动“平台科研”的主要动力。AI技术不仅极大提高了科研活动中共性工具的效率和精度，更重要的是，它可以助力建立一个由产业需求推动科研的有效体系。 作为人工智能发展的一大趋势，国际学术界已对AI for Science形成共识——将带来科研范式的变革和新的产业业态。 “科技部、自然科学基金委联合启动AI for Science专项部署工作，进一步加强对AI for Science创新工作的统筹指导、系统布局，充分发挥我国在人工智能领域的优势，加速科学研究范式变革和能力提升，推动人工智能走向高质量应用新阶段。”中国科学院自动化研究所所长徐波说。 人工智能驱动科研突破什么瓶颈 鄂维南坦言，长期以来，科研人员在实际研究中面临四大痛点：其一，辛苦研究出来的基本原理等重要成果，用来解决实际问题时比较困难；其二，目前的实验手段，以及收集、处理、分析数据的效率相对低下；其三，科研团队工作方式多为“作坊模式”，从头到尾都自己干下来，科研效率亟待提高；其四，在解决生物制药、材料等实际问题过程中，仍然依靠经验和试错方式。 “人工智能为解决这些问题提供了有效手段，AI for Science是以‘机器学习为代表的人工智能技术’与‘科学研究’深度融合的产物。”在鄂维南看来，AI for Science为科学研究带来了新方法、新工具，在提升创新效能的同时，赋能产业应用的实际场景。 北京科学智能研究院副院长、深势科技创始人兼首席科学家张林峰认为，人工智能驱动下的科学研究最大的特点是，它以一种前所未有的方式，将不同学科、不同背景的人们连接在一起。 “Al for Science 是一个学科与知识体系大重构的过程，既需要计算机、数据科学、材料、化学、生物等学科的交叉融合，也需要数学、物理等基础学科进行更深入的理论构建和算法设计。”张林峰提醒，“当且仅当做好相关的融合，我们才有机会在新一轮科学革命中抢占先机。” 这些领域为何迫切需要AI驱动 那么，我国布局AI for Science前沿科技研发体系，将聚焦哪些领域发力？ “紧密结合数学、物理、化学、天文等基础学科关键问题，布局AI for Science前沿科技研发体系，是增强基础科学研究竞争力的重要保证。”徐波解释说，新药创制、基因研究、生物育种、新材料研发等领域，则是人工智能与科学研究结合需求迫切、进展突出、具有代表性的重要方向。 比如，基于生物学机制、疾病和用药相关数据、药物的各种药学性质等建立的人工智能模型，可预测新药的安全性和有效性；通过人工智能辅助，可减少研发中的人力、物力和时间投入，提高药物研发成功率。当人工智能赋能新材料研发后，可实现将电子尺度和分子尺度等多尺度材料计算模拟方法耦合，快速筛选符合目标性能的新材料成分和构型，压缩新材料与器件研发周期和成本…… “科学研究中的人工智能方法，不能简单照搬我们熟知的AI领域，如计算机视觉和自然语言处理等领域现有模型和算法，而需要根据每个基础科学具体情况，研发针对性的智能算法、模型和软件工具。”徐波强调，只有将人工智能技术与自然科学和技术科学的领域知识深度结合，才能充分发掘人工智能加速重大科学问题研究和知识发现的变革性潜力。 整合资源形成推进合力 谈及我国在该领域的发展，鄂维南直言，我们率先意识到人工智能方法对基础科学研究可能产生的影响，全面布局AI for Science的科学研究和培养科研团队，将人工智能方法、高性能计算与物理模型相结合，并已走在了国际前沿。但如何高效利用这些优势积极引导布局，使我国在当下的科技革命中走在前列，并率先打造出新的科研体系、有效调动人才资源、合理利用资金和算力资源，是亟需解决的问题。 值得注意的是，科技创新2030—“新一代人工智能”重大项目已将AI for Science作为人工智能的重要发展方向进行安排。徐波介绍，在2022年指南中，部署了“重大科学问题研究的AI范式”任务，面向地球科学、空间科学、化学和材料科学、生物医药科学等领域重大科学问题开展创新研究。同时，面向国际竞争激烈的蛋白质结构预测领域，支持国内优势团队开展科研攻关。 记者了解到，科技部将以科技创新2030—“新一代人工智能”重大项目为牵引，加快人才、技术、数据、算力等要素汇聚，形成推进AI for Science的政策合力。在平台支撑方面，科技部正在加快推动公共算力开放创新平台建设，将为AI for Science发展打造智能算力基座；在机制创新方面，科技部将鼓励用户单位围绕业务深度挖掘技术需求和科学问题，深度参与模型研究与算法创新，积极开放数据、资源。 着眼未来发展，鄂维南提醒，要把资源真正配置到一线科研人员手中。AI for Science时代，更需构建垂直整合的人才团队，以重点问题为牵引，真正让人工智能的研究人员与基础科学领域如材料、能源等的研究人员一起工作，进行高频的学术交流和思想碰撞。 “AI for Science的潜力正在不断释放，但也面临‘点’上研究较多、追逐‘热点领域’研究较多，而系统布局较少的现实问题。”徐波说，为此，科技创新2030—“新一代人工智能”重大项目将在第二个五年实施阶段（2023—2027年）持续加强体系化布局和支持力度，拟研究人工智能驱动科学研究的新理论、新模型、新算法，研发跨尺度建模、高精度仿真、微分方程智能解算等共性研发工具和平台，发展一批针对典型科研领域的AI for Science专用平台，推进软硬件计算技术升级，打造智能化科研的开源开放创新生态。
    732浏览量
    原文链接