發(fā)展階段層面，《展望》指出，按照行業(yè)整體需要解決的問題，可以把 AI for Science 的歷史和未來十年可預見的發(fā)展大致分為三個時期：以科學家為主導的“概念導入期”（2016-2021）、以科學家和工程師協(xié)作為標志的“大規(guī)?；A設施建設期”（2021-2026），和以工程師為主導的“成熟應用期”（2026 年及以后），三個時期的演進也是人們對 AI for Science 開發(fā)程度不斷加深、使用范圍不斷擴大的過程。
AI for Science 的發(fā)展不僅取決于 AI 算法的應用，還取決于大量經(jīng)典算法的改進和提升。算法迭代層面會經(jīng)歷從“簡單模擬”到“智能化搜索”3 個階段：1.0 階段的關(guān)鍵詞是“模仿”，即基于實驗的思路，在實驗基礎上進行簡單的外推和擴大；2.0 階段的關(guān)鍵詞是“預測”，即有邊界地預測，有明確、可驗證的置信區(qū)間；3.0 階段的關(guān)鍵詞是“搜索”，即算法可以非常準確的對真實場景進行建模，并在此基礎上根據(jù)特定需求設計并返回所需結(jié)果。
《展望》指出，目前正處于 2.0 階段，未來幾年內(nèi) AI for Science 的相關(guān)領域都將會完成 2.0 階段的算法升級，而后將逐漸進入到智能化設計的 3.0 階段，最終實現(xiàn) AI for Science 廣泛普及。
圖｜AI for Science 的相關(guān)要素（來源：2023 版《AI4S 全球發(fā)展觀察與展望》）
AI for Science 的發(fā)展既包含 AI 行業(yè)的要素，也包含科學領域的要素，更需要來自產(chǎn)業(yè)和公共管理側(cè)的發(fā)展要素，所有這些要素相互交織影響，共同促成 AI for Science 發(fā)展的正反饋。
近十年來，AI 的強大之處大家有目共睹，但其“黑箱”屬性也向來被學界詬病，即能知其然卻不能知其所以然。《展望》指出，由于 Science 本身的客觀存在性，將 Science 與 AI 融合為 AI 提供了絕佳的“驗證”步驟，讓 AI 在特定領域內(nèi)能產(chǎn)出“可解釋”的成果，而這不亞于為人類發(fā)現(xiàn)新的科學原理。
而在科學領域，從“數(shù)據(jù)”中可以提煉出經(jīng)驗性“原理”，亦可以使用“原理”來仿真模擬出“數(shù)據(jù)”，因此“數(shù)據(jù)”和“原理”在一定程度上能夠接近無損轉(zhuǎn)化。
圖｜AI for Science 系統(tǒng)工程（來源：深勢科技）
AI for Science 在模型驅(qū)動和數(shù)據(jù)驅(qū)動深度融合的過程更像是一個系統(tǒng)化的工程，不僅需要原理層面的創(chuàng)新，也需要從基礎設施、產(chǎn)品、場景交互的全方面變革，各個場景可能都需要龐大的團隊來支撐和完成，同時這也意味著巨大的空間和機會。
AI4S 在多個領域的產(chǎn)研實踐
新版《展望》著重介紹了 AI for Science 在生命科學、材料科學、能源、半導體、地球與環(huán)境等眾多領域及細分領域的產(chǎn)研實踐。整體而言，在具體的實踐中，如何更好地構(gòu)建 AI-Science 之間的紐帶是核心的創(chuàng)新點，而這在不同的科學場景中其思路也不盡相同。
生命科學領域，在過去的十余年間，大量基于機器學習和深度學習的理解基因調(diào)控的方法被開發(fā)出來，AI 在驅(qū)動藥物研發(fā)和個性化醫(yī)療中取得新突破。如今，AI 正在藥物研發(fā)、疾病篩查、生物學機制研究等方面發(fā)揮著越來越重要的作用，未來，隨著 AI 的滲透，很多疾病的通路和影響因素將不再神秘，最終有望介導人類健康乃至整個生命科學領域的系統(tǒng)進步和重大突破。
圖｜藥物研發(fā)的主要環(huán)節(jié)（來源：2023 版《AI4S 全球發(fā)展觀察與展望》）
以藥物研發(fā)為例，新藥開發(fā)過程是個多環(huán)節(jié)、漫長且昂貴的流程，每個環(huán)節(jié)的效率提高都有巨大的商業(yè)價值。如今，將 AI 與底層生物機制結(jié)合的新范式（AI for Life Science），正在從底層技術(shù)的突破為整個行業(yè)注入嶄新活力，帶來更多機會。
在 AI for Life Science 范式下，藥物研發(fā)過程中的大部分實驗可以像汽車、飛機等工業(yè)領域?qū)崿F(xiàn)仿真模擬，通過計算手段進行測試和篩選，再通過真實實驗進一步的驗證和篩選，能夠大幅減少真實實驗帶來的時間和經(jīng)濟成本的消耗。
AI for Life Science 的其他應用，比如，當今比較熱門的 CAR-T 細胞療法，CAR 分子的胞外結(jié)構(gòu)域中識別抗原的單鏈抗體片段十分重要 ，AI 技術(shù)可被應用于學習抗體片段規(guī)律，對抗體親和力或人源化性質(zhì)進行預測和推薦；再比如，Cas9 是 CRISPR-Cas9 基因編輯技術(shù)的重要組成部分，AI 算法可用于尋找毒性更弱的 Cas9 酶，同時還可以借助 AI 在酶設計中的應用，嘗試對已知的 Cas9 酶進行優(yōu)化和改造。
合成生物學領域，AI for Science 的設計與合成生物學的工程模式相輔相成，共同打造“假設、構(gòu)建、測試、學習”的閉環(huán)（DBTL），并且還有可能基于自動化實驗室利用 AI 對于實驗的定量設計來反向補充數(shù)據(jù)庫，以及探索更多的規(guī)律，突破理性設計的瓶頸。
