AI For Science

搜索文档
未来50年最具突破潜力的方向是什么?这些科学家共话科学发展趋势
证券时报· 2025-07-09 21:24
中国科学技术大学常务副校长潘建伟表示,未来20年,人工智能与量子计算的融合将成为重塑人类文明 的关键方向。在量子计算领域,目前超导量子计算相对更具优势,但未来可能是光和超导结合的路径。 未来科学大奖十周年庆典7月8日在上海举行。多位科学家围绕"未来20年最具颠覆性的科学变革""未来 50年最具突破潜力的方向"等前沿领域,共话科学未来发展趋势。 上海交通大学李政道研究所所长张杰指出,2022年12月5日,美国实现了净能量增益的惯性约束核聚变 反应,标志着人类首次掌握了可控核聚变能技术,对人类社会向非碳基终极能源的变革具有极其深远的 影响。张杰预计20年内聚变能将走进千家万户,为人类生活带来巨大变革。 上海交通大学李政道研究所副所长丁洪指出,从未来时间维度看,20年内最具颠覆性的当属通用量子计 算机,未来50年则要聚焦AI for Science。 在香港科技大学校董会主席沈向洋看来,大模型是一个涵盖技术、商业、治理等多要素的概念,将赋能 千行百业,而多模态是大模型发展中的重要里程碑,涉及算力、算法、数据等多方面因素。未来,增强 模型的理解和推理能力是融合多模态数据过程中的关键技术难点。同时,如何发展以人为本的机 ...
第四范式:AI4S赋能化学研发,中国力量引领万亿蓝海(附投资标的)
材料汇· 2025-07-08 23:14
点击 最 下方 "在看"和" "并分享,"关注"材料汇 添加 小编微信 ,遇见 志同道合 的你 正文 | | 市场规模 | 研发支出 | AI 渗透率 | AI 渗透率 | AI 渗透率 | AI 渗透率 | | --- | --- | --- | --- | --- | --- | --- | | | ( 2025E ) | 足比 | 1% | 2.5% | 10% | 25% | | 化工 | 58,182 | 3.86% | 22 | 56 | 225 | 561 | | 医药 | 16,232 | 7.77% | 13 | 32 | 126 | 315 | | 新能源 | 23,310 | 4.82% | 11 | 28 | 112 | 281 | | 半导体 | 7,189 | 15.18% | 11 | 27 | 109 | 273 | | 合金 | 3,349 | 2.53% | | 2 | 8 | 21 | | 显示 | 1,955 | 7.20% | | ব | 14 | રૂટ | | | 合计市场规模(亿美元) | | 59 | 149 | 595 | 1,486 | | 企业名称 | ...
Jinqiu Spotlight | 深度原理创始人贾皓钧:AI for Science的中国机会
锦秋集· 2025-07-06 23:02
核心观点 - AI for Science(AI4S)正在改写科学发现的底层逻辑,逐步改变人类探索世界的方式,标志着AI首次以"发现者"的角色进入基础科研核心 [3][6] - 深度原理Deep Principle是一家专注AI for Science的创新公司,聚焦化学材料和反应机制领域,具备从头到尾全链路能力,是国内最早且唯一一家专注化学与材料领域的AI科创公司 [8] - AI for Science的发展分为三阶段:AI Assistant(数据分析工具)、AI Scientist(深度参与科研过程)、AI Innovator(接近AGI能力边界) [10][11][12] - 推动AI for Science"DeepSeek时刻"需要三个关键前提:模型通用能力、垂直领域数据质量与专业性、工具生态与交互方式革新 [18][19][22] - 中国在AI for Science领域具有落地优势,因其强大的制造能力、巨大市场体量及工业应用场景的规模 [25][27][29] AI科研范式变革 - 深度原理Deep Principle用AI解锁全新化学反应路径,聚焦碳捕捉和功能材料发现方向,技术方向为AI for Chemistry & Materials [8] - 公司从MIT孵化,2024年6月回国发展,团队主要在杭州,是国内最早具备全链路能力的化学与材料领域AI科创公司 [7][8] - 科学发现分为hypothesis generation(假设生成)和experimental validation(实验验证)两部分,AI可深度参与这两个环节 [11] AI for Science发展路径 - 第一阶段(AI Assistant):AI作为科学数据分析工具,辅助理解已有数据中蕴含的科学意义 [10] - 第二阶段(AI Scientist):AI深度参与科研过程,包括假设生成和实验验证,预计未来一两年内对科研效率带来实质提升 [11] - 第三阶段(AI Innovator):接近AGI能力边界,AI可独立完成从提出问题到发现科学规律的全过程 [12][13] "DeepSeek时刻"前提条件 - 模型需具备强泛化能力,能理解不同领域的任务需求,如大语言模型可辅助记者生成提纲或科学家总结文献 [18] - 垂直领域数据质量比模型架构更重要,科学问题要求极高准确性,需以高质量专业数据为基础 [19][20] - AI Agent可降低科研门槛,提高交互自由度,让AI服务于一线科研人员 [22][23] 中美生态对比 - 美国在科学研究、科技进展、商业化落地方面全球领先,西海岸偏软件,东海岸偏硬件和生物医疗 [24] - 中国制造能力全球最强,技术差距越来越小,叠加巨大市场体量,在工业应用场景上更具优势 [25][29] - 深度原理选择回国发展因中国在新材料、新能源、精细化工等领域的应用场景更友好且规模更大 [27][29] 行业融资环境 - 2024年中国资本市场环境极差,美元资金比前一年少90%以上,人民币资金少50%以上 [30] - DeepSeek的发布让市场意识到AI可带来实际效率和变现,资金情绪开始回暖 [30][31] AI时代创业者特质 - AI时代创始人最核心特质是速度,需快速试错、融资、应用落地和调整方向 [32][33] - 技术迭代和外部环境变化极快,唯一能掌控的是自身速度,反应和执行速度可成为最大护城河 [33]
论道AI:从AGI破界到机器人新纪元丨《两说》
第一财经· 2025-07-03 11:56
AGI发展前景 - 科学家预测通用人工智能(AGI)可能在5年内突破 需融合信息智能 物理智能和生物智能三大浪潮 [5] - 信息智能技术如ChatGPT有望5年内通过新版图灵测试 达到"类人"水平 但自然图像/视频生成还需4-5年沉淀 [5] - AGI发展面临核心挑战是大语言模型存在"边界认知缺失" 导致混淆已知与未知 产生"幻觉" 不同场景需不同应对策略 [6] AI在科研和医疗领域的应用 - AI for Science被视为颠覆科研的关键力量 清华大学智能产业研究院正打造跨学科基础模型整合海量科研数据 [8] - AI能革命性缩小药物筛选范围 从传统数十亿分子库精准聚焦至数百万高潜力候选者 提升研发效率 [8] - 全球首个虚拟医院系统诊断能力以百倍速提升 两天积累的诊疗经验相当于三甲医院数年 准确率高达96% [8] 人形机器人产业发展 - 人形机器人是AI物理智能的突破方向 预计十年后全球机器人数量将超越人类 [10] - 人形机器人技术核心在于多模态VLA模型 但落地需融合多学科技术 真正进入家庭还需5-10年 [10] - 中国将主导全球人形机器人产业 依托全产业链基础 年轻工程人才红利和统一超大市场三大优势 [10] 中国在AI领域的竞争优势 - 中国特有的"市场-制造-人才"黄金三角 将推动其在机器人时代复制移动互联网的成功轨迹 [10] - 年轻工程师通过"1%的算法优化撬动10倍算力追赶" 展现技术创新能力 [3]
转换科研范式 探索医学奥秘
科技日报· 2025-06-30 08:50
一直以来,中医、西医对生命认知的理念和方法均自成体系。但随着各类生命数据的聚集、人工智 能(AI)分析技术的加持,中医、西医的研究范式正在趋同。 "要进行以价值为导向、以临床问题为导向的中医科学研究。"中国工程院院士、天津中医药大学名 誉校长张伯礼认为,临床问题是中医研究要牢牢抓住的重点。要通过开展具体研究,解决具体问题。 "因经典理论的'抽象性'及经典名方、针灸等的'复杂性',中医现代化研究更需要在临床与基础相结 合的大数据模式下,借助AI等先进技术开展多维多层面的系统研究。"陈忠说,如开展中药复方微观分 子在不同时域和空间下如何宏观起效等"宏微"跨界问题研究。 "多种组学技术获取的信息已经在连接中医和西医了。"在日前召开的香山科学会议新时代医学研究 范式学术讨论会上,中国工程院院士、中国医学科学院基础医学研究所研究员刘德培表示,国际学术期 刊《细胞》杂志2012年以来刊登的论文,反映出西方学者医学研究思维不断从微观向系统性、宏观化转 变。 "西医的分子解析为中药作用机制提供了理论基础;中医的整体调节和个体化方案为复杂疾病治疗 提供系统解决思路。"中国中医科学院首席研究员刘保延说,在学科融合、数据科学以及A ...
政务培训| 未可知 x 浙江省级机关党校: 领导干部AI专题培训
未可知人工智能研究院· 2025-06-29 16:01
人工智能发展趋势 - 生成式AI正在重塑全球经济结构和社会发展模式 在文本 音频 图像和视频生成等领域展现出强大生产力 [3] - AI与数字经济 实体经济及人类生命等领域深度融合 AI for Science成为推动科学研究和产业发展的新兴范式 [7] 行业应用 - 生成式AI在资讯 影视 电商 教育 金融和医疗等行业有具体应用 中国AI产业面临挑战与机遇并存 [3] - 国产AI大模型代表DeepSeek通过全栈开源和高性价比策略 显著降低训练成本 重构AI产业格局并推动企业服务智能化变革 [5] 企业案例 - DeepSeek作为国产AI大模型代表 性能卓越且训练成本低于国际同行 展现出强大市场竞争力 [5] 技术普及 - 未可知人工智能研究院致力于推动AI技术普及与应用 培养专业人才 助力企业数字化转型和高质量发展 [11]
FutureHouse 联合创始人:AI Scientist 不是“全自动化科研”
海外独角兽· 2025-06-26 20:25
核心观点 - FutureHouse是由Google前CEO Eric Schmidt资助创立的AI Lab,专注于AI for Science方向,目标是打造可自主提出问题、规划实验、迭代假设的AI科学家体系 [3] - 公司推出了四个AI科研agent:Crow(通用智能体)、Falcon(自动化文献综述智能体)、Owl(调研智能体)以及Phoenix(实验智能体),这些agent可访问完整科学文献全文并具备信息质量评估能力 [3] - AI系统Robin成功发现新药,展示了AI在科研自动化领域的潜力 [3] - AI推动生物科学分为两层视角:以AlphaFold 3等模型为代表的分子设计空间打开,以及FutureHouse探索的科研自动化agent系统构成的AI Scientist [4] 生物比化学更具"平台化"潜力 - 生物学比化学更具平台化特征,更适合作为科学自动化的起点 [14] - 蛋白质设计流程相对标准化,可以选择克隆、细胞表达或直接机器合成,而化学每个分子几乎都是"定制品" [15] - 生物学平台化程度高,测序几乎免费,合成成本低,适合做验证假设 [15] - 生物学研究任务具备高度开放性,总有新的生物基因组需要探索和功能注释 [15] - 生物学已经具备进化论基础理论,更侧重研究复杂系统在既定规则下的演化与调控 [15] FutureHouse是在构建科研API - FutureHouse延续了FRO的基本规模和运行周期,聚焦"Moonshot"级别挑战,可能需要5年以上持续投入 [22] - 公司开发了论文问答系统PaperQA,基于RAG思路构建但做了改进,系统表现已超过人类 [24] - WikiCrow系统将人类基因组相关维基百科内容从2500个基因介绍扩展到近1.8万篇文章 [25] - 开发了矛盾检测系统,能在超过两亿篇论文里查找和任意陈述相冲突的信息 [26] - 实质上正在构建一个科研API,通过整合多种功能如查找矛盾、文献研究、分子设计等 [28] FutureHouse科研Agent开发思路 - 将所有需要训练的部分称为agent,未训练的部分叫environment,agent通过语言、观测和动作与环境交互 [29] - 把memory从environment移到agent,尝试过多种记忆形式如简单追加消息、压缩、保留最近几条等 [29] - 框架主要目标是突破零样本的限制,关注可训练性,支持在线RL [30] - 使用语言模型过滤和识别相关性,而不是只靠embedding,虽然带来更高成本和更长响应时间但更注重性能 [31] - 搭建了全文检索系统,把相关代码开源在PaperQA2里,技术上可以用Postgres或Elastic Search [32] "科研自动化"不是100%替代人类 - 对实验室机器人前景持谨慎态度,认为10年后不会出现完全自主的科研系统 [46] - 更可行的情景是系统辅助判断和生成方案,人类提供明确的问题和研究框架并和系统反复协作 [47] - 生物学本质上受限于观测和经验数据,无法简单指令系统完成实验任务,需要人类深度参与 [47] - 实现真正意义上的100%自动化非常困难,越接近完全自动化所需投入越高而边际收益减小 [49] - 探索将人类资源嵌入科研流程的可能性,用可编程工具推进科研但背后执行的是人 [51] AI是如何影响科学研究的 - 用云计算计算分子和蛋白结合的自由能成本约十几美元,有机合成和实验验证成本也差不多 [53] - 分子动力学不能模拟化学反应,而生物过程大量依赖酸碱反应,单纯原子运动模拟无法描述细胞功能 [54] - 有虚拟分子库如Zinc收录数百亿种理论上可合成的分子,研究者可直接从中筛选 [55] - 药物开发从发现机制到推进到二期临床通常要7年,反馈周期太长是主要瓶颈 [59] - 建议政府公开所有已获批药物的IND资料包,这些数据能提供丰富的训练资源 [60]
上海AI Lab主任周伯文:关于人工智能前沿的十个问题
机器人圈· 2025-06-26 18:46
上海人工智能实验室定位与目标 - 公司是我国人工智能领域新型科研机构,开展战略性、原创性、前瞻性的科学研究与技术攻关,目标建成国际一流的人工智能实验室,成为享誉全球的人工智能原创理论和技术的策源地 [1] 明珠湖会议核心观点与机制 - 会议核心观点强调"对发现问题的投入与解决问题同样重要",通过科学社区力量推动创新,历史案例包括英国皇家学会、"月光社"及美国"阿帕社区" [3][10][12] - 会议采用创新组织形式:引导报告提出关键问题、"结对报告"凝练问题、平行论坛深化问题,聚焦18-36个月技术窗口期,产出颠覆性关键问题清单和敏捷部署提案 [17][18] - 首届会议吸引全球近60位青年学者和产业领袖参与,凝练出14个提案和39个关键问题清单,主题为"人工智能的多维突破与协同创新" [5][19] 人工智能前沿十大关键问题 1. **智能效率平衡**:提出"单位智能"(IQ per token)概念,定义数据思维密度(IQPT)衡量大模型训练数据的投入产出比,2025年1月由公司正式提出 [21][22] 2. **深度强化学习资源分配**:探讨Deep RL算力在数据合成与算法训练间的平衡,追求效率飞轮实现AI自我训练 [23][25] 3. **软硬协同路径**:对比国际"软件兼容硬件"(如英伟达CUDA生态)与国内"硬件兼容软件"模式,需探索更高效协同路径 [26][28] 4. **算力配置策略**:划分应用算力、迭代算力和创新算力,指出当前创新算力严重不足制约颠覆性技术发展 [29] 5. **智能体进化机制**:探讨Agent与基座模型关系,需突破"僵化学习"实现持续自主进化,需构建环境预测模型(世界模型) [30][32] 6. **具身智能突破**:研究大脑与本体最优关系,避免"超级大脑-弱本体"或"高级本体-简单决策"陷阱 [34] 7. **AI安全范式转变**:从"弥补安全漏洞"(Make AI Safe)转向"构建本质安全AI"(Make Safe AI),提出"人工智能45°平衡律" [35][37] 8. **评测体系重构**:从静态"高分低能"转向动态"训练-评测-解决问题一体化",公司2025年4月发布TTRL框架 [38][40] 9. **AI科研革命**:推动AI for Science从"工具的革命"升级为"革命的工具",需突破多模态统一表征 [41][43] 10. **架构颠覆创新**:分析Transformer局限性(计算效率/上下文理解等),探索下一代架构应对决策智能、生物智能等领域需求 [44] 人工智能发展趋势"三化"框架 - **技术体系化**:需完善智能本质理论体系,弥补应用先行的学科短板 [19] - **形态多元化**:强调与实体经济融合,因场景丰富度与技术不完备性将催生多元形态 [19] - **能力高阶化**:需基于技术体系化和要素突破推动智能水平持续升级 [20] 战略科学家培养模式 - 公司通过"高强度要素投入+高集中任务攻关+高密度人才历练场"三位一体模式培育战略科学家,链接国内外团队构建人才蓄水池 [47] - 历史案例显示战略科学家多在承担重大任务时涌现,如美国"阿帕社区"产生7位图灵奖得主,匈牙利"黄金一代"科学家等 [12][46]
周伯文:人工智能的三大趋势与10个关键技术问题
环球网资讯· 2025-06-26 17:44
第三是智能能力高阶化。行业往前发展的核心动力是智能能力必须不断进行高阶化演进。今天的人工智 能已经让大家惊叹,但这仅仅是开始。高阶化离不开技术体系化,离不开要素的突破,离不开对形态的 理解。否则,基于中阶过程去探讨人工智能的高阶化,就有可能走上错误的道路。 针对人工智能未来关键技术节点的判断,很多问题至今还没有确定的答案,但对它们的探索和解答至关 重要。回顾科学历史,伟大的技术突破往往是从提出一个关键问题开始。我们期待携手 AI 领域的杰出 研究者,探讨出高价值战略问题,并以之引领,推进人工智能的高质量发展。 围绕智能技术体系化、智能形态多元化、智能能力高阶化这三大趋势,有10个问题值得进一步探讨。 首先,伴随诺贝尔奖纷纷花落人工智能项目,以 AI 赋能创新科学范式被寄予激发人类社会生产力重大 飞跃的特殊意义。而 AI for Science 研究,如何从促进研究的单点突破升维至科研全链条水平的本质飞 升?如何从"工具的革命",发展至足以引领全新科学范式发展的"革命性工具"?我们仍需在多模态统一 表征方面持续钻研,打造能够推动科学突破的AI系统。 来源:中国新闻网 通用人工智能(AGI)作为人工智能领域的终极 ...
于超对话深度原理贾皓钧:做实验太苦?AI让科研人员“解放双手”
新浪财经· 2025-06-26 04:00
贾皓钧将AI for Science(AI赋能科学研究)分为三个阶段:第一阶段是数据降维与分析,通过机器学习 处理高维科研数据,揭示变量间的隐藏关联;第二阶段是科学性假设生成与实验验证的智能化。比如顶 尖科学家可能花一天提出假设,其他人用十年验证,AI则可以同时优化这两部分;第三阶段则接近通 用人工智能(AGI),AI或能独立发现如牛顿定律级别的科学规律。贾皓钧认为,这会比AGI晚一步, 但会很快到来。 贾皓钧还分享道,对于垂直领域的模型来说,高质量的数据可能比模型本身更为重要。"模型的性能其 实是两方面决定的,第一是这个模型本身架构好还是不好,第二是数据到模型训练好还是不好。垂直领 域尤其是科学领域,大家对结果精度要求非常高,不容忍90%的正确,必须100%严谨。" 专题:2025第十六届夏季达沃斯论坛 2025年新领军者年会于6月24-26日在天津举办,本届新领军者年会主题为"新时代企业家精神"。会议期 间,微博达沃斯特别主持于超对话深度原理(Deep Principle)创始人兼CEO贾皓钧。 对话中,贾皓钧回忆称,公司最初源于2022年麻省理工学院(MIT)的一个康复类创业项目,后转向AI 赋能化学与 ...