阿里达摩院发布2022十大科技

一个世纪以来，数字技术的演进推动了人类科技进步和产业发展。我们目前正经历着数字技术发展最快的阶段。数字化、网络化、智能化使得数字世界与物理世界的融合与协作更加紧密。

近日，阿里巴巴达摩院发布了2022年十大科技趋势，其中人工智能占据榜首。

数百年来，实验科学和理论科学一直是科学界的两大基本范式，而人工智能正在催生一种新的科学研究范式。机器学习可以处理多维度、多模态的海量数据，解决复杂场景下的科学问题，将科学探索引向以往无法触及的新领域。人工智能不仅会加快科学研究进程，还会有助于发现新的科学规律。

预计未来三年，人工智能将广泛应用于应用科学领域，并开始成为一些基础科学领域科学家的生产工具。

趋势解读

科学研究就是在星辰大海中探索未知。科学发现是漫长而偶然的。重大突破有赖于伟大科学家的贡献，如牛顿、爱因斯坦、杨振宁等。尽管有许多科学家的不懈努力，但科学发展的速度仍然有限​​。

计算机科学改变科学研究的路径是逐渐从下游走向上游。起初，计算机主要用于分析和汇总实验数据。后来，科学计算改变了科学实验的方式。人工智能与高性能计算相结合，开始利用计算机在实验成本高、难度大的领域进行模拟实验，验证科学家的假设，加速核能实验等科研成果的输出。数字反应堆可以降低实验成本、提高安全性并减少核废料的产生。

近年来，人工智能被证明能够发现科学规律，不仅在应用科学领域，在基础科学领域也有应用，例如利用人工智能帮助证明或提出新的数学定理，以及协助数学家形成复杂数学的直觉。

人工智能将成为继计算机之后科学家新的生产工具。首先，它会带来效率的显着提升。人工智能将伴随科学研究的全过程，从假设、实验到总结，让科学家不需要等上十年就可以做到。出科学成果，终生保持高产；二是让科学不再依赖少数天才。人工智能可以对科学研究产生猜想，让科学家对有意义、有价值的部分进行实验和证明，让更多的人参与到科学研究中。

人工智能在各个科研领域的应用步伐会有所不同，在数字化程度高、数据积累好、问题明确的领域推进得更快。例如在生命科学领域，会利用生命科学积累的大量数据，从基因序列预测蛋白质结构，对泛生命科学领域产生了深远的影响。

另一方面，在复杂度高、可变因素多的领域，人脑很难总结。机器学习可以利用在海量多维数据中寻找科学规律，比如流体力学。

人工智能与科学研究的深度融合，还需要解决三个挑战。一是人机交互的问题。人工智能与科学家在科研过程中的合作机制和分工需要更加明确，形成紧密的互动关系；二是人工智能的可解释性。科学家需要明确的因果关系才能形成科学理论，人工智能需要更容易理解才能建立科学与人工智能之间的信任关系；三是复合型人才，专业领域的科学家与人工智能专家之间的相互了解程度低，相互促进的壁垒仍然很高。

达摩院预测，未来三年，人工智能技术将广泛应用于应用科学，并开始成为一些基础科学的研究工具。

专家观点

人工智能领域的相关专家就此事发表了自己的看法。

中国科学院院士、北京大学、普林斯顿大学教授鄂维南表示：

数百年来，数据驱动的开普勒范式和第一性原理驱动的牛顿范式一直是科学研究的两大基本范式。人工智能的蓬勃发展，很可能会推动现有两种范式的深度融合，激发一场新的科学革命。《达摩院2022年十大技术趋势》将人工智能列为重要趋势，无疑看到了人工智能与传统科学研究相结合所带来的巨大潜力。我希望它能帮助推动更多的研究人员投入其中，加速这场科学革命的进程。

人工智能带来的不仅仅是几个点的突破，而是科研方法的全面变革。为了适应这样的新环境，科学家们需要更深入地了解人工智能，才能用好它。企业积累了大量的人工智能研发能力和资源。它们不仅可以提供学术界急需的计算资源，还可以帮助创建基础科学研究工具。毋庸置疑科技，学术界和产业界需要更多的合作，秉持开源开放的精神，破除宗派主义，共建人工智能科研共同体。

也许这些努力之一就是达摩院的十大技术趋势。期待以达摩院为首，加速信息科学与传统科学的深度融合。人们也期待人工智能不仅仅是一股新浪潮，而是一个新的科学时代。

浙江大学人工智能研究所所长吴飞表示：

我认为人工智能一定会成为科学家的工具，但我希望不仅限于此。

我们正处于一个数据密集型计算范式的时代。我们有海量的数据，科学家可以用自己的方法论从这些海量数据中进行科学探索。科学发现和科学探索的方法论的使用必须以人工智能为基础，因此人工智能必将成为科学家的工具。

为什么我说我不想局限于此呢？工具的背后是渗透着一种人工智能的计算思维，所以希望科学家在使用工具的过程中能够形成以设计、结构、计算为中心的计算思维。

例如，这一伟大研究成果的产生，不仅仅是以深度神经网络为工具，而是汇集了不同学科的科学家。它首先设计了一个清晰且可计算的思路来解决从氨基酸序列到蛋白质三维空间结构的预测。

因此，我们需要形成计算思维来进行科学探索，同时，正确运用人工智能这一工具，才能开创科学的新未来。AI for 是一种充满光明前景的人工智能趋势。

阿里巴巴达摩院城市大脑实验室主任华先胜表示：

目前人工智能方向已经有显着突破，但主要是一些点状成果，包括分子生物学、量子力学等，还没有形成大规模成果，还有一个很大的突破空间。

利用AI辅助科研基于两点科技，一是基于数据，二是基于计算。因为我们需要形成基于数据和计算能力的AI能力。所以如果这个课题有更好的数据，更多的数据，更丰富的数据，它的问题是一些和大规模计算相关的问题，可能是可以比较快突破的地方。比如分子生物学，还有天文学、地理科学、大气科学，数据量都很大，问题也很复杂，需要强大的计算能力。或许可以在这里利用一些AI的能力，更快地取得一些突破。

本质上，AI for 和 AI for 并没有太大的区别，AI 也是作为一种工具来推动该领域的发展。只是这个领域有点不同，它的门槛比较高，因为这是科学家必须做的事情，不是普通人、普通技术工人能做的。但本质上，因为有这个领域的数据，可以设计算法来挖掘数据中的“奥秘”，解决这个领域的问题。

如今，人工智能技术又向前迈进了一大步，让计算辅助科研走向智能辅助科研。智能化会给科学研究方法带来一些变化。它带来的效果应该可以与工业相媲美，即可以提高科研效率，产生更多的成果，甚至可以从手工作坊向大规模生产转变。当然，这并不容易，但可能会有这样的趋势。

对于科学研究来说，可以从这样一个小概率事件变成一个相对大概率事件，变得更科学，而不是特别随机的事件，可以有更多的确定性。这就是 AI for 的全部，当然还有很长的路要走。

我们的AI在其他领域已经做了将近十年的工作，才刚刚开始。有一些点状的技术，无非就是两个东西。

首先是AI专家需要理解科学问题，这是一个比较高的门槛。

第二件事是科学家需要了解人工智能的原理，知道它能做什么，不能做什么，有什么优势。

这并不意味着我们必须只利用现有的人工智能能力来解决科研问题。也可能是在人工智能专家和科学家合作的过程中，我们会发展出更好的人工智能能力来解决相应的科学问题。这与 AI 的过程相同。我们的很多AI技术也是在解决相应行业的问题过程中产生的。因此，必须结合这两个方面来解决问题。只是不同而已，科普的门槛比较高。

AI出现的时候，其实是逐渐从单点技术走向平台化。AI for的未来，我觉得会逐渐走向平台化。这时，人工智能专家将某个领域、某个学科，甚至某个学科的某类问题与科学家结合起来，搭建一个科研平台。这时候，科学家们可能拥有更大的自由度、更强大的工具，能够进行更多批次的科学研究，取得更丰富、更重要的科学突破。

如果再往下走，我想借鉴AI的流程。AI for从单点技术发展到平台之后，我判断是在走向一个系统，或者说是进化系统或者是协同进化系统。因为平台解决的是能够产生能力并大规模落地应用，系统解决的是能够长期、持续、深入地解决行业问题，产生核心价值。科学研究也是如此。如果每个领域都能建立这样的人工智能系统，那么科学发现可能会以自动或半自动的方式实现。它能持续地、持久地、深入地、广泛地作出一些科学发现。也许未来会更长。当然，自动模式能解决的是相对简单的科学发现和科学论证，而不是最前沿、前沿、最复杂的问题——这部分需要科学家借助强大的AI系统和科学专业能力去发现和解决问题。解决。

阿里巴巴达摩院决策智能实验室主任尹沃涛表示：

随着合作者最近发表论文，人工智能帮助解决了数学问题，引起了很多人的关注。大家关心的不是结果，而是AI如何在数学研究中发挥作用。

先介绍一下背景吧。此条目介绍的是低维拓扑。里面有十几个数学量。通过神经网络拟合分析得到关键量。作者猜测低层拓扑中存在未知的非线性关系。作者生成了很多数据，用神经网络去拟合近似函数。发现其中三个量在拟合过程中起着非常重要的作用，就只使用了这三个量。也很合身。反正通过拟合实验，产生新的数据，得到新的观测模型，数学家们终于用智慧猜出了一个不等式结构，并进一步给出了严格的证明。

大家关心的是人机交互的过程。大量的神经网络实验和两位数学家之间的多轮交互描述了交互过程。自古以来，开普勒和其他应用科学家反复进行实验观察以寻找规律，现在人工智能算法和人工智能专家扮演着这个角色。本次创新主要使用了神经网络技术，包括渐进多元非线性函数技术和黑盒解释技术。

综上所述，这个成功的案例将启发纯数学家和人工智能合作，证明一些新的猜想或发现新的结构。

延伸到AI，我的看法是AI确实可以加速科学实验。除了做电脑模拟，AI还能告诉你实验的方向。在最近的天体物理学中，人工智能优化了太空望远镜的指向，同时收集了越来越多有趣的数据。它有点像自动驾驶仪，将AI作为自动驾驶仪的望远镜来加速规律的发现。

第二，人工智能促进人机结合。当然说起来简单，具体操作起来就复杂多了。科学家和 AI 专家必须密切互动，例如数据生成、绘图、构建和训练神经网络，以及使用神经网络来验证结果。解决问题是高度相关的。

最后但并非最不重要的一点是开发可解释的人工智能工具。人工智能产生的结论需要易于理解和可追溯，才能与科学架起一座桥梁，获得科学家的信任。

阿里巴巴达摩院语言技术实验室研究员黄飞表示：

我的工作主要是做自然语言理解，对话，包括AI模型。人工智能是一个非常新的方向。我们的团队刚刚开始在这个领域开展工作。基于预训练的模型系统，我们使用有限的监督数据，结合强化学习，目前能够证明近400个定理。

工业人工智能与科学人工智能有些不同。前者主要是解决行业中的实际问题，根据真实世界的数据寻找规律（）。对于面向科学的人工智能来说，其目的不仅仅是在数据中寻找模式，更重要的是找到产生这些模式的潜在规律，以解释不同的现象。对于面向科研的人工智能，可以使用数据到标签的映射等常见的预测方法，以及给定疾病图片预测疾病等传统的分类学习方法，但模型更关注底层的数学问题、物理问题、等。理解力，洞察力，可解释性，分析研究问题中更合适的数据表示。我们需要在源数据之上找到更好的表示，以便更好地理解该领域的问题。

目前的人工智能主要应用于工业场景，基于大量数据。如果人工智能在科学研究中也需要大量的科研数据，比如对于生物蛋白质或者某些特定的领域，人工智能在这里可能会发挥比较大的作用。但是，对于特定领域知识的表达和应用，涉及符号逻辑，包括知识图谱，甚至人类经验和文本知识。目前在该领域的人工智能工作中，如何表达和应用领域知识相对有限。

另一个问题是跨团队工作。现在的模式是物理学家和数学家提出问题和需求，AI专家协助解决。更有效的工作对双方来说都是一个进步，而且人工智能专家对相关学科知识有深刻的理解，因此有更好的方法来使用计算机建模。如果物理学家、数学家、化学家和生物学家能够更好地理解计算机和人工智能的趋势，他们也会给出非常重要的建议，这对人工智能模型的建模和整个人工智能系统的构建都有很好的帮助。

结语

未来，人工智能将催生新的科学研究范式。人工智能将成为科学研究发展的高效催化剂。这也需要各个跨学科团队的不断合作与创新。

除了这里介绍的AI之外，达摩院发布的“2022年十大技术趋势”还包括大小模型协同进化、硅光子芯片、绿色能源AI、柔性传感机器人、高精度医疗导航、全球隐私计算、星地计算、云网融合、XR互联网等领域。