Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

​微软研究院刘铁岩:AI for Science,憧憬一个人人都可参与科学发现的未来

图片

作者 | 刘铁岩

正处于起步阶段的AI for Science被认为是科学发现的第五范式。尽管目前对于AI for Science的定义和研究方向仍有诸多讨论,但这并不妨碍AI for Science已经开始在科学发现的实践中取得令人瞩目的成果。

近年来,微软研究院科学智能中心杰出首席科学家刘铁岩博士和他的团队致力于推动AI for Science的发展和应用。在这篇署名文章中,刘铁岩博士将分享他对人工智能在科学领域关键研究方向的看法 ,以及对AI for Science未来前景的展望。

图片

「AI for Science预示着一种全新的科学发现范式。通过构建统一的科学基座模型,AI for Science将消除不同科学领域之间的壁垒,实现通过一个模型解决众多科学难题的目标。它还有望推动更加普及的科学探索范式,通过与基座模型交互,让每个人都能参与到科学发现的过程中。而为了实现这些愿景,我们必须要让科学基座模型超越人类语言的限制,去学习、理解大自然的语言。」

——微软研究院科学智能中心

杰出首席科学家

刘铁岩博士

今天的人工智能技术,在很多任务上的表现已经可以媲美人类,特别是在认知、感知等层面。然而,我们对人工智能的长远愿景决不能局限在复刻人类已有的知识和技能——我们更期待人工智能可以帮助人类探索未知领域,加速我们认识世界和改造世界的进程。

科学进步是推动现代人类社会发展的核心动力。因此,赋予人工智能以科学发现的能力,无疑是其发展的必然方向之一。图灵奖获得者Jim Gray在《科学发现的四个范式》一书中将科学发现的历程分为四个阶段:千年前的经验科学,百年前的理论科学,几十年前的计算科学,以及十几年前的数据科学。而AI for Science的出现将会成为前四种范式的有机结合和升华,我们称之为科学发现的「第五范式」,并不吝寄予其更大的期望。

2022年,微软研究院成立了科学智能中心(Microsoft Research AI for Science),我有幸作为该团队的创始成员之一,与世界各地的顶尖专家共同探索这一跨领域研究的开创性课题。经过两年的努力,我们在AI for Science的研究上取得了一系列令人振奋的成果。更重要的是,这一过程也在不断刷新我们对AI for Science的理解。

我想分享的一个深刻的感受:我们必须正视科学发现的艰巨性。我们决不能简单地认为只要高举AI的大锤,就可以轻易攻克科学发现的难题。AI for Science的健康发展,需要我们秉承格外严谨和审慎的态度,始终对科学发现保持敬畏之心,在深入理解科学规律的基础上,对现有的AI工具进行改造、甚至发明全新的AI理论和算法。只有这样,才有可能让AI真正加速科学发现的进程,改变科学发现的格局。

AI for Science的三个要素

作为一个新兴领域,AI for Science尚未有一个公认的定义。在我看来,AI for Science并不等于「在科学研究过程中使用一些AI技术」。我们所追求的AI for Science是一个更加系统和深入的概念,AI要深度融入科学研究的各个环节,从数据处理到仿真模拟,到实验研究,到发现新的科学规律,AI要成为科学研究的核心技术,要为科学发现雪中送炭,而不是锦上添花。

我认为,AI for Science应该包含三个要素:利用合成数据,构建科学基座模型,实现科学研究的闭环。

利用合成数据:在自然科学领域,有很多科学规律可以指导我们利用计算的方法产生合成数据,比如通过求解薛定谔方程获得电子结构和分子体系的微观属性,通过求解纳维斯托克斯方程获得流体的速度和压力场。

而这些合成数据不受实验条件的局限,只要有足够的计算资源就可以产生任意多的数据。通过这些合成数据训练出来的人工智能模型,可以实现对这些科学方程更加直接且高效的求解,进而用于生成更多的合成数据。

这种合成数据的飞轮效应,能够让人工智能模型实现自我演化,更快、更有效地学习和提高自身能力,从而更深入地理解科学的本质,拓展科学的边界。

构建科学基座模型:AI for Science应当遵循类似GPT等大模型的设计思路,用一种通用技术来解决广泛的科学问题。

在过去的科学研究中,人们通常认为隔行如隔山,不同领域的科学问题需要用独立的方法来求解。但是,我们的客观世界实际上是由一些「简单通用」的底层规律所支配的。

比如,无论是不规则的无机小分子、周期性的晶体材料、还是蛋白质、DNA等生物大分子,其背后都被薛定谔方程所支配着。

这种科学规律的共通性为我们整合所有科学领域、任务、和模态,构建统一的科学基座模型奠定了基础。科学基座模型可以帮助我们找到复杂现象背后的规律和内在联系,在不同学科知识的碰撞中产生「1+1>2」的效果,从方法论层面影响科学发现。

此外,科学基座模型还要从各种科学文献中学习人类历史上积累的科学知识及其推理能力,并在此基础上实现人类语言和科学语言的衔接,使普通人也能通过语言与基座模型交互,从而降低科学发现的专业门槛,让人人都能成为「爱因斯坦」,推动科学发现的「平权」。

实现科学研究的闭环:科学发现是一个大胆假说、小心求证的过程,后者通常依赖于实验室工作。为了实现科学发现的全链条,AI for Science必须与真实世界形成闭环,不能仅仅局限于数字世界。

近年来,实验室自动化已成为科学探索的新趋势,人工智能是这些自动化实验室的大脑,指导机械臂精确执行操作,自动合成、自动实验,从而实现从理论到实验验证的完整闭环。

试想一下,一旦我们可以利用科学基座模型提出新的科学假说、进行计算仿真、再通过自动化实验室来验证,并将结果反馈给基座模型修正假说、反复迭代——以上过程能够7×24小时全天候运行,人类的科学发现能力将发生根本性的改变。

AI for Science的基座模型要读懂大自然的语言

微软研究院科学智能中心自成立之初,就将科学基座模型作为主要的研究项目,并且明确了科学基座模型的发展方向——科学基座模型必须要突破人类语言的局限,要能够学习和理解科学概念、科学实体、科学规律,掌握支配万事万物的大自然的语言。

目前,市面上的科学大模型可以分为两个类别,一类是针对特定的垂直子领域,如蛋白质、DNA、单细胞等,设计和训练相应的大模型;另一类是将GPT等大语言模型进行改造或者适配到科学领域。

前者只见树木,不见森林,聚焦在一个小的垂直领域,无法学到普遍的科学规律,离掌握大自然的语言相去甚远;后者则对人类语言过度依赖,作为一种基于统计的、线性、符号化的表达方式,人类语言难以完整地描述自然界的多样性和复杂性。

大自然语言是一种高维度、多模态、科学严谨的表达。首先,自然界中的物质世界是高维度、多尺度的,不同维度和尺度之间受到深层科学规律的相互制约,这些规律无法简单地用人类语言的字符序列加以表达。

其次,自然界里存在各种不同的模态,比如复杂的声光电现象、波粒二象性、时空的相互转化等等,蕴含着用人类语言无法充分描述的深刻奥秘。再有,人类语言会受到个体认知和社会文化等因素的影响,存在偏倚和误差。而科学探索追求的是严谨及普适性,大自然的语言是客观存在且不受人为因素影响的。

我们只有构建能够处理高维、多模态数据的科学基座模型,并将科学规律巧妙地融入模型的构建和训练过程中,才能外推到模型未曾见过的客观世界,才能真正学习和掌握大自然的语言。

聚焦微观世界的深入探索与应用

面向微观世界和宏观世界的研究是AI for Science的两个重要方向。由于微观世界的科学规律已经被人类充分掌握,理论完备,也有很多直接或间接的实验手段,因此AI for Science在微观领域大展身手具有充分的理论和实践基础。

针对宏观世界,虽然人类还没有完全掌握其背后的物理规律,但也已经积累了大量数据,AI for Science可以利用这些数据,进行规律挖掘和预测,如天气预报和气候变化研究等。

目前,微软研究院科学智能中心的AI for Science研究更专注于微观世界,并将相关的研究项目分成了三个层次:基础层是科学基座模型;中间层是科学仿真工具(如电子结构预测、分子动力学模拟等),应用层是解决各领域的重大科学问题(如材料设计和药物开发等)。

在基础层,我们致力于设计和训练科学基座模型。经过近两年的深入研究,我们已经取得了一些突破性进展,开发出了基座模型的一些重要子模块,在分子科学的关键领域展示出令人振奋的能力。

例如,我们在NeurIPS上发表的Graphormer模型,是科学基座模型的结构编码器,它对分子结构的理解有非常独到的能力,在第一届OGB-LSC分子建模比赛和OC20催化剂设计开放挑战赛中都力压群雄,获得冠军。

我们开发的BioGPT模型,作为科学基座模型的序列解码器的一部分,是第一个在Pubmed QA任务上超过人类专家水平的AI 模型。

而我们刚刚在《自然-机器智能》(Nature Machine Intelligence)杂志上发表的用于分子结构平衡分布预测的深度学习框架Distributional Graphormer,则是科学基座模型的结构解码器,它能够对分子的动态统计特性进行端到端的建模,在物质的微观分子结构和宏观物化属性之间建立了连接的桥梁。

图片

图示:Distributional Graphormer 示意图。(来源:论文)

在中间层,我们的研究重点包括电子结构预测、分子动力学模拟等,这些方向为理解和预测分子行为提供关键信息。

在电子结构预测方面,我们在《自然-计算科学》(Nature Computational Science) 杂志上发表了M-OFDFT技术,可以利用AI方法将传统DFT(密度泛函理论)的复杂度明显降低。

同时,我们还在GPU加速、并行计算等方面进行了更加深入的探索,进一步提高DFT的计算效率,成功将DFT计算拓展到更大尺度的分子体系,该技术已在微软Azure云平台上发布,受到了业界的高度赞誉。

在分子动力学模拟方面,我们开发了机器学习力场ViSNet,它可以针对蛋白质等生物大分子给出精准的能量和力场的预测,相关研究成果作为编辑精选文章发表在《自然-通讯》(Nature Communications)杂志上,并且获得了首届全球AI药物设计大赛的冠军。

图片

图示:ViSNet 示意图。(来源:论文)

中间层的AI模型和科学基座模型有着很强的依赖关系,它们会在科学基座模型的通用建模能力的基础上,再融入领域数据和洞察,通过模型微调或知识蒸馏,获得针对特定领域更高的精度或更高的效率。

在应用层,我们特别关注制药和材料领域的重大科学问题。这是当前与AI for Science研究最契合,而且市场需求最大的领域。

在此方向上我们也取得了令人鼓舞的成果,比如能够加速发现和设计更新颖、更稳定材料的MatterSim和MatterGen模型;能够根据指定靶点,自动设计候选药物的TamGen模型。

尤其是基于TamGen模型,我们与GHDDI(全球健康药物研发中心)和盖茨基金会进行了深入合作,为肺结核和冠状病毒等仍然肆虐全球的传染病设计出了全新的高效候选药物。

经过实验室合成和酶抑制试验,这些AI设计出来的候选药物表现出了非常优异的性能,与已知的先导化合物相比,其生物活性提高了近10倍,为治愈相关疾病做出了有益的探索。

除此之外,我们也在研究科学智能体和关注实验室自动化,希望能够早日实现科学发现的自动化,助力人类文明以更快的节奏进化。我们还十分关注负责任的AI for Science,利用法律、道德和社会规范为AI for Science的研究保驾护航。

图片

图示:TamGen示意图。(来源:论文)

憧憬人人都可参与科学发现的未来

AI for Science的深入研究与发展,将为科学发现打开无限可能,为人类探索自然提供更丰富的方法和工具。利用AI for Science,计算机模拟的精度将无限接近于现实世界实验的精度,助力科学研究的质量和效率提升至全新高度,引领科学探索进入崭新的阶段。

更重要的是,科学基座模型的引入有望使科学发现变得更加普及化。科学探索将不再仅仅是专业领域科学家们的「特权」,任何对科学发现抱有热情的人,都将能够通过语言与大模型进行交互,验证他们的奇思妙想。

这将激励更多人参与解决诸如医疗健康、新材料发现、可持续发展等社会性问题,前所未有地汇聚全人类的智慧来造福世界。

当然,我们也必须清醒地认识到,AI for Science的发展并非一蹴而就,需要长期的投入和研究,并攻克一些前所未有的挑战。作为一个高度跨学科的研究领域,AI for Science对交叉领域人才的需求非常迫切。AI for Science的研究者需要在计算机或自然科学领域具有很深的造诣,并且对交叉学科相互融合具备广阔的视野和开放的心态,对其他领域的难度和复杂性保持充分的理解与尊重。

算力和数据同样给AI for Science研究带来了极大的挑战。自然科学现象的数据类型和复杂度都远超语言数据,深入研究科学智能所需的算力和数据量也将呈指数级增长,大大高于现有的大语言模型

此外,构建完整的AI for Science研究闭环并非易事。正如之前提到的,研究闭环不仅关系到验证假说的有效性,也是衡量人工智能在科学发现中的效率和质量的关键。但传统的实验室方法论难以支持AI for Science的发展,我们需要全新的实践方法论,例如设计全新的实验方案和自动化流程。

尽管AI for Science作为新兴的科学发现范式还面临着许多未知的挑战,但我们目前所取得的每一点进展都预示着它将为人类带来无尽的可能性。

AI for Science研究中不乏令人望而却步的难题,但也正是这些难题,激发了我们探索和创新的热情。

我和我的同事们将继续怀揣着极大的热忱投身于这一领域,并乐于与那些对AI for Science秉持严谨态度和长远愿景的各领域专家学者合作,共同推动AI for Science成为人类认识世界和改造世界的变革性力量。

关于作者

刘铁岩博士,微软杰出首席科学家、微软研究院科学智能中心亚洲区负责人。他是国际电气电子工程师学会(IEEE)会士、 国际计算机学会(ACM)会士、亚太人工智能学会(AAIA)会士。他(曾)被聘为卡内基梅隆大学、清华大学、香港科技大学、中国科技大学、南开大学、华中科技大学兼职教授、诺丁汉大学荣誉教授。

刘铁岩博士的先锋性研究促进了机器学习信息检索之间的融合,被公认为「排序学习」领域的代表人物。近年来他在深度学习强化学习、工业智能、科学智能等方面颇有建树,在顶级国际会议和期刊上发表论文数百篇,被引用数万次。他曾担任WWW/WebConf、SIGIR、NeurIPS、ICLR、ICML、IJCAI、AAAI、KDD等十余个国际顶级学术会议的大会主席、程序委员会主席或(资深)领域主席;包括ACM TOIS、ACM TWEB、IEEE TPAMI在内的知名国际期刊副主编。

刘铁岩博士毕业于清华大学,先后获得电子工程系学士、硕士及博士学位。

相关链接

Graphormer项目页面
https://www.microsoft.com/en-us/research/project/graphormer/

Distributional Graphormer:从分子结构预测到平衡分布预测
https://www.msra.cn/zh-cn/news/features/distributional-graphormer

ViSNet:用于分子性质预测和动力学模拟的通用分子结构建模网络
https://www.msra.cn/zh-cn/news/features/visnet

MatterGen: a generative model for inorganic materials design
https://arxiv.org/abs/2312.03687

M-OFDFT:Overcoming the barrier of orbital-free density functional theory for molecular systems using deep learning

https://www.nature.com/articles/s43588-024-00605-8

Bio-GPT:Generative Pre-trained Transformer for Biomedical Text Generation and Mining

https://arxiv.org/abs/2210.10341

MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures

https://arxiv.org/abs/2405.04967

TamGen: Target-aware Molecule Generation for Drug Design Using a Chemical Language Model
https://www.biorxiv.org/content/10.1101/2024.01.08.574635v2.full.pdf

理论
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
Microsoft机构

微软是美国一家跨国计算机科技公司,以研发、制造、授权和提供广泛的计算机软件服务为主。总部位于美国华盛顿州的雷德蒙德,最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office办公室软件,以及Xbox的游戏业务。微软是美国《财富》杂志2015年评选的世界500强企业排行榜中的第95名。

https://www.microsoft.com/en-us/about
刘铁岩人物

刘铁岩博士毕业于清华大学电子工程系。现任微软亚洲研究院主任研究员,互联网经济与计算广告学研究组负责人。他是美国计算机学会(ACM)、国际电子电气工程师学会(IEEE)、和中国计算机学会(CCF)的高级会员。中国科技大学和南开大学的客座教授。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

微观世界技术

MicroWorlds是一个使用Logo编程语言的程序,它是Lisp编程语言的一种方言(变种)。 它使用一个"乌龟物体",其可以移动,给出命令,并最终形成形状甚至动画。现实世界充满了分散和模糊的细节:通常科学通过集中于人为简单的现实模型(例如物理学,无摩擦的平面和完美的刚体)来进步。 1970年,麻省理工学院人工智能实验室的Marvin Minsky和Seymour Papert提出人工智能研究应该集中精力开发人工简单情况下称为微世界的具有智能行为能力的程序。 许多研究集中在所谓的块状世界上,这个世界由平面上排列的各种形状和大小的彩色块组成。

信息检索技术

信息检索(IR)是基于用于查询检索信息的任务。流行的信息检索模型包括布尔模型、向量空间模型、概率模型和语言模型。信息检索最典型和最常见的应用是搜索引擎。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

知识蒸馏技术

Hinton 的工作引入了知识蒸馏压缩框架,即通过遵循“学生-教师”的范式减少深度网络的训练量,这种“学生-教师”的范式,即通过软化“教师”的输出而惩罚“学生”。为了完成这一点,学生学要训练以预测教师的输出,即真实的分类标签。这种方法十分简单,但它同样在各种图像分类任务中表现出较好的结果。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

语言模型技术

统计式的语言模型是借由一个几率分布,而指派几率给字词所组成的字串。语言模型经常使用在许多自然语言处理方面的应用,如语音识别,机器翻译,词性标注,句法分析和资讯检索。

推荐文章
暂无评论
暂无评论~