人工智能在科研领域的应用与赋能 - 人工智能正加速融入科研全流程，重塑科研底层逻辑、重构科研范式，助力科学研究进程全面提速[6] - 从医药、能源材料到航空航天，越来越多科研的关键环节被人工智能算法重构，催生出众多打破传统研发效率上限的成果[6] - 除了计算体系的革新，人工智能还在深度改造实验的方式，例如融合具身智能技术的全自动“黑灯实验室”已实现24小时不间断运转[6] 蛋白质设计与新药研发 - 西湖大学科研人员开发了一种全新的生成式大模型，可以从零开始设计具有全新功能的蛋白质，并已取得多项新发现，例如找到了一种有望用于治疗阿尔茨海默病的全新蛋白酶[1] - 人工智能可以基于海量数据构建蛋白质结构与功能间的对应关系，科研人员设定目标后，大模型能进行计算推演并给出可能的蛋白质设计方案供筛选与验证[1] - 清华大学团队开发的人工智能驱动“超级药物搜索引擎”，将过去可能数百年的新药筛选工作量压缩至一台电脑单日即可完成，整体效率提升上百万倍[3] - 该“超级药物搜索引擎”首次实现了全基因组规模的小分子药物模拟筛选，对上万个靶点和数亿级的候选分子进行系统匹配，并构建了目前全球规模最大的蛋白-配体筛选数据库[3] - 以抑郁症相关靶点为例，该大模型筛选出的候选药物实测有效率达15%，远超传统方式筛选出的水平[3] 人工智能赋能可控核聚变研究 - 我国商业可控核聚变团队利用人工智能实现了千秒量级的等离子体电流长脉冲运行，其“洪荒70”装置成功实现了1337秒稳态长脉冲等离子体运行，该成果在全球商业聚变公司中尚属首次[4] - 本轮装置运行周期两个多月共进行5000多次实验，单次实验信息量高达数TB，用这些数据训练的人工智能模型可高效参与实验的控制决策[4] - 使用人工智能可把实时推演的计算成本降到最低，实现毫秒级别的推演，并能通过大参数很好地描述复杂体系，捕捉其关键特性[4] - 人工智能可以对磁体电流、电压、加热功率等多项关键参数进行联合调控，结合仿真和实验数据优化策略，将原本需要一到两年的装置实验周期缩短至几个月[5] 当前技术局限与挑战 - 人工智能赋能蛋白质研究目前存在技术局限，由于大多数大模型训练数据主要是静态蛋白质结构数据，因此目前还难以模拟出蛋白质复杂动态的活动过程[2] - 科研人员须具备对问题敏锐的发现能力、利用各种大模型的综合能力等，才能更好地利用人工智能加速科学研究[2]