人類科研范式的巨變或將是螺旋式上升的過程，它充滿了探索、挑戰(zhàn)與革新。

世界上第一臺受專利保護的計算機

人類歷史上得到普遍認可的較早期的機械式計算機之一，是1642年法國哲學家兼數學家布累斯·帕斯卡發(fā)明的加法器(Pascaline)。

帕斯卡發(fā)明它的目的，是幫助父親減少稅務計算上的勞作。而此后，二進制和微積分的發(fā)明者萊布尼茨在加法器的基礎上，發(fā)明了人類第一臺可進行四則運算的機械計算機。

最早的計算機的誕生是讓數學家從繁冗、人力所不能及的數學計算中解脫，但因摩爾定律加持之下，人類計算能力得以快速增加，這是它被用于科研進而邁進公眾生活的一個前提。

然而，科研歷程中的一個關鍵性里程碑，便是成功攻克了“四色問題”。

數學界有名的四色問題

四色問題的起源將追溯到1852年，由英國數學家弗朗西斯·古德里（Francis Guthrie）提出。他在為英國地圖著色時，發(fā)現(xiàn)只需四種顏色就可確保相鄰區(qū)域顏色不同，隨后他向弗雷德里克·古德里（Frederick Guthrie）提出此問題。

其真正引起廣泛關注是在1878年，當時英國數學家阿瑟·凱萊（Arthur Cayley）在倫敦數學學會上公開提出了這個問題，并將其列為未解決的數學難題之一。

在19世紀末和20世紀初，許多數學家嘗試證明四色問題，但都未能成功。例如，阿爾弗雷德·肯普（Alfred Kempe）在1879年提出了一種證明方法，并一度被認為解決了問題。因此，11年后，珀西·約翰·希伍德（Percy John Heawood）發(fā)現(xiàn)肯普證明中的錯誤，表明四色問題仍未解決，這事件進一步加深了數學界對四色問題的質疑，甚至有人認為它可能是一個無法被證明的假說。

四色猜想的推理證法

直到1976年，肯尼斯·阿佩爾（Kenneth Appel）和沃爾夫岡·哈肯（Wolfgang Haken）利用計算機輔助證明，才首次給出了四色問題的完整證明。其次，他們的證明方法也引發(fā)了爭議，因其依賴于計算機對大量具體案例的枚舉和驗證，而非傳統(tǒng)的純數學推導。

與此同時，這種非傳統(tǒng)的證明方式使得部分數學家對四色問題的“真正解決”持保留態(tài)度，甚至質疑其是否能被視為嚴格的數學證明。

另外，比四色問題的解決更具有標志性意義的，是現(xiàn)代計算機科學的最前沿：人工智能技術與科學的結合，而其代表事件則是2024年諾貝爾化學獎的頒發(fā)。

這次由三人分享的化學獎中，來自谷歌的英國科學家哈薩比斯和江珀，他們開發(fā)了一種名為AlphaFold2的人工智能模型，這種模型解決了一個已有50年歷史的難題，能夠預測大約兩億種已知蛋白質的復雜結構，并且已被全球200多萬人使用。（往期文章提到過）

物理學獎頒給AI科學家，諾貝爾獎不走“尋常路”？

但由于AlphaFold的出現(xiàn)改變許多，其Fold指“折疊”——2018年，AlphaFold采用深度學習基礎上的FM預測策略，通過三個系統(tǒng)支撐（建模、預測、優(yōu)化），出道就拿下當年蛋白質預測大獎；在2020年改進后的模型AlphaFold2在第14屆CASP競賽上讓人“眼前一亮”，在給定預測蛋白質中GDT平均得分92.4，遠超競爭對手。

至此，深度學習支撐下的蛋白質預測取得歷史性進展，也開始消融TFM和FM之間的間隔，人類對于蛋白質結構預測乃至設計的能力得到極大增強。

AlphaFold1的預測過程

簡而言之，AI for Science，AI4S已成為常態(tài)，而去年的諾貝爾獎更像是一個明確的信號，無疑使得人類再一次站到了科研范式的轉折點上；被簡化為“AI4S”的AI for Science（AI用于科研）理念也受到了國內外科學家們的重點關注。

科學智能（AI for Science，AI4S），是指人工智能技術驅動的科學研究，主應用于探索未知的科學領域。AI4S概念由中國科學院院士、北京大學教授鄂維南于2018年首次提出。

此外，AI4S開啟了一種利用人工智能學習深奧的科學原理來創(chuàng)造科學模型，以解決那些曾被認為無解的實際問題的科研新范式。2021年，隨著英國“深度思維”（DeepMind）公司發(fā)布阿爾法折疊（AlphaFold），AI4S成為全球關注的焦點。

值得注意的是，AI4S的核心源于數據驅動、模型智能和跨域融合，它能夠處理傳統(tǒng)方法難以應對的高維、非線性問題，在海量數據中識別人類難以察覺的模式和關聯(lián)。

數據處理維度：深度學習算法能夠從海量實驗數據中提取特征，發(fā)現(xiàn)傳統(tǒng)統(tǒng)計方法無法識別的模式。

模型構建維度：物理信息神經網絡（PINN）等新型建模方法，將物理定律與數據驅動相結合，實現(xiàn)了更精確的模型預測。

實驗設計維度：強化學習算法能夠自主設計實驗方案，優(yōu)化實驗參數，大幅度提高實驗效率。

當前，AI4S的顯著特點是使用人工智能、機器學習和推理技術來處理和分析大數據，有效揭示數據之間的相互關系，并幫助科學家解決“維數詛咒”問題，從而更快、更準確地理解復雜現(xiàn)象，其核心也是“知識自動化”，與“工業(yè)5.0”的目標相契合。

圖源：Google

首先，這三類技術的融合，與卡爾·波普爾的三個世界——物理世界、精神世界和人工世界相呼應，這相比于大語言模型和大視覺模型（LVMs）代表了更廣闊的世界模型（World Model）視角。

其中，大模型技術表明，改造工業(yè)和科學研究最直接、最自然的方法是通過真實系統(tǒng)和人工系統(tǒng)的平行化，這包括從自然科學到人工科學的轉變，從物質生產到人工制造的轉型等協(xié)同與合作。

其次，科學研究正從“大問題，大模型”轉向“小問題，大模型”，并在特定領域進行垂直分割。這一趨勢，伴隨大型模型的持續(xù)進步和智能代理（agent）技術的成熟，催生了新型“數字人科學家”的出現(xiàn)，他們專注于科學研究中的“小問題，大模型”。

或許，AI4S范式轉換期必然伴隨著更多的困難與挑戰(zhàn)。

科學哲學家托馬斯·庫恩的經典著作《科學革命的結構》被奉為圭臬，他也被公認為20世紀最具影響力的科學哲學家之一。

庫恩的核心思想圍繞“范式理論”展開，這一理論為理解時代進步提供了全新的視角。這意味著，庫恩認為，在特定時代或領域中，只存在一個主導性的“主范式”，只有與之契合才能站在歷史發(fā)展的正確方向。

因此，范式本身具有強大的慣性，每一次新范式的轉換都需付出努力并承受相應的代價。

由于篇幅受限，本次的AI4S就先介紹這么多......