鄂維南

1 北京大學(xué) 北京 100871

2 北京科學(xué)智能研究院 北京 100084

科學(xué)研究有2 個(gè)主要目的：發(fā)現(xiàn)基本原理，如發(fā)現(xiàn)行星運(yùn)動(dòng)規(guī)律和量子力學(xué)原理；解決實(shí)際問題，如解決工程和工業(yè)中出現(xiàn)的問題。科學(xué)研究有2 種主要方法：開普勒范式，即數(shù)據(jù)驅(qū)動(dòng)的方法；牛頓范式，即基本原理驅(qū)動(dòng)的方法。前者最好的例子是行星運(yùn)動(dòng)三定律的發(fā)現(xiàn)，即開普勒通過分析觀察數(shù)據(jù)發(fā)現(xiàn)了這些規(guī)律。后者最好的例子是牛頓對行星運(yùn)動(dòng)三定律的解釋和運(yùn)用。牛頓提出了力學(xué)第二定律和萬有引力定律，在此基礎(chǔ)上將行星運(yùn)動(dòng)問題歸結(jié)為一個(gè)常微分方程問題并推導(dǎo)出行星運(yùn)動(dòng)三定律。這里原始的科學(xué)發(fā)現(xiàn)是開普勒做出的，但他并不理解其背后的原因。牛頓進(jìn)一步發(fā)現(xiàn)了背后的基本原理，這些原理進(jìn)而可用于許多其他問題。

從實(shí)際應(yīng)用的角度來看，在量子力學(xué)建立之后，尋找基本原理的任務(wù)已經(jīng)基本完成。早在1929年，狄拉克[1]就宣稱，“大部分物理學(xué)和整個(gè)化學(xué)的數(shù)學(xué)理論所需要的基本物理定律已經(jīng)完全被人們所知，困難在于這些定律的精確應(yīng)用導(dǎo)致方程過于復(fù)雜而無法求解”。他的斷言不僅適用于化學(xué)，也適用于生物學(xué)、材料科學(xué)，以及所有其他不涉及高能物理的自然科學(xué)與工程學(xué)科。在實(shí)際情況中，通常不必深入到量子力學(xué)層面，而可以使用一些簡化的基本原理，如氣體動(dòng)力學(xué)的歐拉方程和流體力學(xué)的納維—斯托克斯方程。

對于應(yīng)用數(shù)學(xué)家來說，一方面有了這些基本原理，所有的自然科學(xué)和相關(guān)的工程問題都可以歸結(jié)為數(shù)學(xué)問題，再具體而言是常微分方程或偏微分方程問題。另一方面，在開發(fā)出有效的工具之前，為了解決實(shí)際問題，科學(xué)家只能大幅度簡化或徹底忽略這些基本原理。

馮·諾伊曼認(rèn)識到計(jì)算機(jī)和數(shù)值算法應(yīng)該提供一種利用這些基本原理解決實(shí)際問題的通用方法，這是一個(gè)重大進(jìn)展。沿著這個(gè)方向，人們提出了許多求解這些微分方程的數(shù)值算法，如有限差分、有限元和譜方法。這些算法的基本出發(fā)點(diǎn)是一般函數(shù)可以用多項(xiàng)式或分片多項(xiàng)式逼近。這些工作的影響是巨大的。今天，科學(xué)計(jì)算已經(jīng)成為現(xiàn)代技術(shù)和工程科學(xué)的基礎(chǔ)。許多學(xué)科，如結(jié)構(gòu)力學(xué)、流體力學(xué)和電磁學(xué)，由于引入數(shù)值算法而發(fā)生了徹底改變。

1 科學(xué)研究的基本問題

目前，科學(xué)研究中并非所有問題都得到了解決。例如研究材料的性能和設(shè)計(jì)、藥物設(shè)計(jì)、內(nèi)燃機(jī)設(shè)計(jì)，以及許多控制問題仍然遠(yuǎn)遠(yuǎn)做不到使用基本原理來解決。在這些領(lǐng)域，理論工作往往與現(xiàn)實(shí)世界相去甚遠(yuǎn)，現(xiàn)實(shí)世界的問題必須通過試錯(cuò)或靠經(jīng)驗(yàn)來解決。這導(dǎo)致科學(xué)研究效率低下，相關(guān)領(lǐng)域的技術(shù)提升進(jìn)展緩慢。

所有這些“困難”問題都有一個(gè)共同特點(diǎn)，即它們依賴于多個(gè)獨(dú)立變量。所以，這些困難實(shí)際來自維度災(zāi)難。以量子力學(xué)的薛定諤方程為例，忽略對稱性，波函數(shù)中獨(dú)立變量的個(gè)數(shù)是粒子數(shù)量的3 倍，所以10個(gè)電子的系統(tǒng)雖然是非常簡單的體系，但其對應(yīng)的30維空間偏微分方程卻已經(jīng)非常復(fù)雜！

2 人工智能為科學(xué)計(jì)算提供新的解決方法

深度學(xué)習(xí)在圖像分類、圖像生成和圍棋等方面取得了極大的成功。這些都是標(biāo)準(zhǔn)的人工智能問題，但從數(shù)學(xué)角度來看，這些問題其實(shí)是函數(shù)逼近、概率分布的逼近和采樣，以及求解貝爾曼方程的問題。而所有這些都是應(yīng)用數(shù)學(xué)，尤其是計(jì)算數(shù)學(xué)長期面臨的典型問題。不同之處在于，這些人工智能問題比應(yīng)用數(shù)學(xué)中處理的問題維度要高得多。以圖像分類問題為例，這里的自變量是圖像，每個(gè)像素都是1個(gè)自由度。因此，1 張32×32 像素的彩色圖片有3072 個(gè)自由度。換句話說，這個(gè)問題的維度是3072。

深度學(xué)習(xí)在這些高維問題上取得的成功提示深度神經(jīng)網(wǎng)絡(luò)可能是逼近高維函數(shù)更有效的工具。雖然目前還沒有建立起一個(gè)完整的深度學(xué)習(xí)的數(shù)學(xué)理論，但已經(jīng)取得了一些重要進(jìn)展和直觀了解。首先，神經(jīng)網(wǎng)絡(luò)就是一類特殊的函數(shù)。如果使用規(guī)則網(wǎng)格上的分片線性函數(shù)來逼近一個(gè)函數(shù)，其誤差與網(wǎng)格大小的平方成正比。這正是維度災(zāi)難的根源：隨著維度的增加，同樣網(wǎng)格大小所需要的格點(diǎn)個(gè)數(shù)呈指數(shù)增長。不僅基于分片線性函數(shù)的逼近是這樣，所有基于固定基函數(shù)的逼近方法都是這樣。如果利用神經(jīng)網(wǎng)絡(luò)函數(shù)來逼近一般的函數(shù)，那么至少在某些情況下，可以證明其逼近精度不會(huì)隨著維度的增加而惡化，就跟計(jì)算數(shù)值積分的蒙特卡羅（Monte Carlo）方法一樣[2]。

這個(gè)觀察結(jié)果有著廣泛的意義。因?yàn)楹瘮?shù)是最基本的數(shù)學(xué)對象之一，所以一個(gè)新的高維函數(shù)逼近工具將對許多不同的領(lǐng)域產(chǎn)生深遠(yuǎn)影響。特別是，深度學(xué)習(xí)應(yīng)該有助于解決之前討論過的那些受維度災(zāi)難困擾的問題。這是人工智能驅(qū)動(dòng)的科學(xué)（AI for Science）的出發(fā)點(diǎn)。

這方面最成功的例子是預(yù)測蛋白質(zhì)結(jié)構(gòu)的AlphaFold算法。蛋白質(zhì)結(jié)構(gòu)是生物學(xué)最基本的問題之一。研究蛋白質(zhì)結(jié)構(gòu)的基本方法是首先最小化整個(gè)蛋白質(zhì)—溶劑系統(tǒng)的總勢能。但2 個(gè)主要的困難限制了這種方法的成功：獲得精度足夠高的勢能函數(shù)，以及該函數(shù)景觀的復(fù)雜性?？茖W(xué)家也曾嘗試過數(shù)據(jù)驅(qū)動(dòng)的方法，但其成功僅限于預(yù)測二級結(jié)構(gòu)，如α-螺旋和β-折疊。通過充分利用蛋白質(zhì)序列數(shù)據(jù)集及最先進(jìn)的深度學(xué)習(xí)模型，DeepMind 公司開發(fā)了AlphaFold2 算法，它以非常優(yōu)雅的方式基本解決了蛋白質(zhì)結(jié)構(gòu)問題[3]。這項(xiàng)研究震驚了世界。

AlphaFold2 是純粹數(shù)據(jù)驅(qū)動(dòng)的方法。但這并不意味著AI for Science 是一個(gè)純粹數(shù)據(jù)驅(qū)動(dòng)的研究范式。事實(shí)上，科學(xué)研究遵循如前所述的基本原理或第一性原理，而AI for Science的一個(gè)主要組成部分是用人工智能方法為這些基本原理開發(fā)更高效的算法或近似模型。在這方面，最著名的例子是分子動(dòng)力學(xué)。分子動(dòng)力學(xué)是生物學(xué)、材料科學(xué)和化學(xué)的基本工具，其思想是通過計(jì)算體系中原子的動(dòng)態(tài)軌跡來研究分子和材料的性質(zhì)。原子運(yùn)動(dòng)遵循牛頓定律，困難的部分來自于模擬原子之間的相互作用力或勢能函數(shù)。經(jīng)驗(yàn)勢函數(shù)的方法是盡可能地猜出原子間勢能函數(shù)的函數(shù)形式，然后用一些實(shí)驗(yàn)或第一性原理計(jì)算出的數(shù)據(jù)來擬合其中的參數(shù)。雖然這種方法可以提供一些幫助，但作為一個(gè)研究特定體系的定量工具，它是不可靠的。1985年，Car 和Parrinello 開發(fā)了第1 個(gè)基于第一性原理的人工智能方法：通過使用量子力學(xué)模型（如密度泛函理論）來實(shí)時(shí)計(jì)算原子之間的作用力。這種方法能夠以第一性原理的精度來模擬特定體系。但在實(shí)踐中，效率是一個(gè)瓶頸。由于效率的限制，只能用這種方法來處理含數(shù)千個(gè)原子的體系。

機(jī)器學(xué)習(xí)提出了一種新的范式。在這個(gè)新的范式下，量子力學(xué)僅用于提供數(shù)據(jù)?；谶@些數(shù)據(jù)，可以使用機(jī)器學(xué)習(xí)方法來得出原子間勢能函數(shù)的精確近似，然后就像使用經(jīng)驗(yàn)勢能函數(shù)一樣將其用于分子動(dòng)力學(xué)模擬。

為了使這個(gè)策略真正有效，必須處理2 個(gè)重要問題。① 網(wǎng)絡(luò)架構(gòu)。它應(yīng)該是可拓展的，并且遵循物理學(xué)基本規(guī)律?？赏卣剐阅軌蛟谛◇w系上做機(jī)器學(xué)習(xí)并將結(jié)果應(yīng)用于更大的體系。這個(gè)問題在Behler 和Parrinello兩位科學(xué)家的經(jīng)典工作中得到了解決。遵循物理規(guī)律意味著必須保持對稱性、守恒律、不變性和其他物理約束。在勢能函數(shù)這個(gè)問題中，需要考慮的主要是平移、旋轉(zhuǎn)和置換不變性。這可以通過使用一個(gè)嵌入網(wǎng)絡(luò)來實(shí)現(xiàn)，該網(wǎng)絡(luò)將原子位置的信息映射到一組保持對稱性的函數(shù)上[4]。然后再通過一個(gè)逼近網(wǎng)絡(luò)來擬合勢能函數(shù)。② 數(shù)據(jù)有關(guān)。一方面，如果希望機(jī)器學(xué)習(xí)方法產(chǎn)生的勢能函數(shù)在所有感興趣的實(shí)際場景中都與原始的量子力學(xué)模型一樣精確可靠，那么訓(xùn)練數(shù)據(jù)集就需要能夠?qū)λ羞@些不同場景都具有充分的代表性。另一方面，由于標(biāo)注數(shù)據(jù)是用量子力學(xué)模型計(jì)算出來的，而這些計(jì)算是比較昂貴的，所以希望數(shù)據(jù)集盡可能小。這就需要一種自適應(yīng)數(shù)據(jù)生成算法，它能夠幫助人工智能在學(xué)習(xí)過程中動(dòng)態(tài)生成“最優(yōu)”數(shù)據(jù)集。

ELT 算法就是為了解決這個(gè)問題[5]。它由探索（exploration）、標(biāo)注（labeling）和訓(xùn)練（training）3個(gè)部分組成，因此得名ELT。ELT 可以從沒有數(shù)據(jù)和粗糙的初始勢能函數(shù)開始。在探索過程中，使用一些采樣算法（如某種分子動(dòng)力學(xué)方法）來探索不同的原子構(gòu)象。對于遇到的每個(gè)構(gòu)象，可以計(jì)算出一個(gè)指標(biāo)值來查看是否需要對其進(jìn)行標(biāo)注。然后將標(biāo)注好的數(shù)據(jù)添加到訓(xùn)練數(shù)據(jù)集中，并基于它定期更新對勢能函數(shù)的逼近。

該算法的關(guān)鍵在于采樣方案和如何計(jì)算指標(biāo)值。采樣方案的基本思想是僅探索實(shí)際感興趣且缺乏足夠多的訓(xùn)練數(shù)據(jù)的構(gòu)象空間。指標(biāo)值的關(guān)鍵在于判別哪些構(gòu)象附近還缺乏足夠多的訓(xùn)練數(shù)據(jù)。對于后者，ELT 方案采用的方案是訓(xùn)練一組近似勢能函數(shù)。這組近似勢能函數(shù)之間的標(biāo)準(zhǔn)差定義為指示函數(shù)。對當(dāng)前采樣到的構(gòu)象，如果其指示函數(shù)值超過了閾值，就對該構(gòu)象作標(biāo)注。其背后的邏輯是，如果這個(gè)構(gòu)象附近有足夠多的訓(xùn)練數(shù)據(jù)，那么不同網(wǎng)絡(luò)預(yù)測的勢能函數(shù)值都應(yīng)該非常準(zhǔn)確且彼此接近。大的標(biāo)準(zhǔn)差表明附近沒有足夠多的訓(xùn)練數(shù)據(jù)，因此應(yīng)該對當(dāng)前構(gòu)象進(jìn)行標(biāo)注并加到訓(xùn)練數(shù)據(jù)集中。對于采樣算法，選擇帶偏差的分子動(dòng)力學(xué)，其中偏差勢函數(shù)由當(dāng)前對勢能函數(shù)的逼近來定義，并由其準(zhǔn)確性的置信區(qū)間大小來定義權(quán)重。其背后的邏輯是，如果當(dāng)前已經(jīng)得到的勢能函數(shù)在一個(gè)區(qū)域范圍足夠準(zhǔn)確，那么應(yīng)該離開這個(gè)區(qū)域而到其他地方進(jìn)行采樣[6]。

有了這些主要組件，確實(shí)可以為一大類（如果不是全部的話）原子體系提供具有第一性原理精度的勢能函數(shù)。所得的模型稱為深度勢能分子動(dòng)力學(xué)（deep potential molecular dynamics，DeePMD）。它是一個(gè)可靠的、具有第一性原理精度的原子模擬工具。結(jié)合高性能計(jì)算，它將以第一性原理精度分子動(dòng)力學(xué)模擬的能力從只能處理數(shù)千個(gè)原子的體系擴(kuò)展到處理170 億個(gè)原子的體系[7]。DeePMD 軟件包DeePMD-kit 也大大降低了DeePMD的使用門檻[8]。

類似的想法可以應(yīng)用于其他物理模型。例如，可以用高度準(zhǔn)確的量子化學(xué)計(jì)算數(shù)據(jù)來訓(xùn)練更通用、更準(zhǔn)確的密度泛函模型。還可以開發(fā)更準(zhǔn)確、更可靠的粗?；肿觿?dòng)力學(xué)模型，以及更準(zhǔn)確的動(dòng)力學(xué)方程的矩陣模型等。事實(shí)上，機(jī)器學(xué)習(xí)正是過去多尺度、多物理建模所缺少的工具[6]。

除了基本原理的模型之外，人工智能方法還可以提供更高效、更準(zhǔn)確的反演算法，從而增強(qiáng)實(shí)驗(yàn)表征能力。先前討論過的基于人工智能的算法可以為正問題提供更逼真、更準(zhǔn)確的數(shù)據(jù)，而神經(jīng)網(wǎng)絡(luò)中的可微分結(jié)構(gòu)可以幫助設(shè)計(jì)解決反問題的優(yōu)化或采樣算法。這項(xiàng)工作仍處于早期階段，但它是一個(gè)有巨大發(fā)展空間的方向。

人工智能方法還有可能改變?nèi)藗兝梦墨I(xiàn)和現(xiàn)有科學(xué)知識的方式。文獻(xiàn)和現(xiàn)有科學(xué)知識是科研靈感的主要來源之一。然而，利用好這些資源也是一個(gè)非常艱巨的任務(wù)：需要從大量信息中挖掘出相關(guān)文獻(xiàn)和知識，并需要花大量時(shí)間來閱讀和研究它們。然而，可以利用人工智能數(shù)據(jù)庫和大語言模型來收集和整合這些信息并更有效地查詢這些信息。原則上，對于感興趣的任何研究課題，都可以使用人工智能工具快速總結(jié)文獻(xiàn)中的相關(guān)信息及其來源。人工智能技術(shù)甚至可以幫助建議一些進(jìn)一步的研究方向。這將大大提高科學(xué)研究的效率。

隨著這些新的可能性的出現(xiàn)，可以探索一種新的科研范式，并把它稱為科學(xué)研究的“安卓范式”。在這個(gè)新范式下，科學(xué)界將共同努力建立起一套新的基礎(chǔ)設(shè)施，包括用于基本原理的人工智能算法、人工智能賦能的實(shí)驗(yàn)設(shè)施和新的知識數(shù)據(jù)庫。這些平臺(tái)構(gòu)成了科學(xué)研究的“安卓平臺(tái)”。無論是尋找特定化學(xué)反應(yīng)中的催化劑還是設(shè)計(jì)新電池，這些針對特定應(yīng)用的研究工作都可以在這個(gè)“安卓平臺(tái)”上進(jìn)行。這無疑將加快科學(xué)研究的進(jìn)程。

這種橫向整合的觀點(diǎn)也將有助于打破學(xué)科壁壘，加強(qiáng)跨學(xué)科的研究和教育。橫向整合的觀點(diǎn)本身并不新，由于缺乏有效的工具，過去它難以帶來實(shí)質(zhì)性的進(jìn)展。如前所述，人工智能方法提供了大大改進(jìn)這些橫向工具的空間。這些新的橫向工具，例如新的查閱文獻(xiàn)和現(xiàn)有科研數(shù)據(jù)的平臺(tái)，以及自動(dòng)化、智能化的實(shí)驗(yàn)平臺(tái)，使得科研人員能夠從橫向的角度更有效地看待不同的科研場景。例如，對原子體系，生物學(xué)關(guān)注的是生物大分子，材料科學(xué)關(guān)注凝聚態(tài)體系；化學(xué)比較關(guān)注小分子，化工領(lǐng)域則比較關(guān)注高分子。而從理論工具的角度來說，無論哪種體系，都離不開電子結(jié)構(gòu)方法和分子動(dòng)力學(xué)方法。實(shí)驗(yàn)工具則包括不同尺度的光譜和顯微鏡成像技術(shù)。盡管不同領(lǐng)域關(guān)注不同體系，這些不同領(lǐng)域的工具和知識都應(yīng)該可以最大程度地共享。在這個(gè)框架下，學(xué)科之間的界限也就自然消失。

3 我國AI for Science的發(fā)展現(xiàn)狀

帶著這一愿景，筆者團(tuán)隊(duì)在2018 年啟動(dòng)了DeepModeling 開源平臺(tái)①DeepModeling. [2023-12-27]. https://github.com/deepmodeling.。這個(gè)平臺(tái)的目的是邀請科學(xué)界共同努力，為物理建模和數(shù)據(jù)分析建立基于人工智能方法的基礎(chǔ)設(shè)施。到目前為止，它已經(jīng)產(chǎn)生了巨大的影響力并吸引了許多的開發(fā)者，在中國，AI for Science 的發(fā)展呈現(xiàn)出令人欣慰的良好局面。所有這些，都為AI for Science 在中國的發(fā)展奠定了良好的基礎(chǔ)。

（1）在短短幾年內(nèi)，AI for Science 的重要性和它帶來的巨大發(fā)展空間已經(jīng)得到了廣泛的認(rèn)可。一大批各個(gè)領(lǐng)域的領(lǐng)軍學(xué)者都高度重視AI for Science這一機(jī)會(huì)。2024年初《中國科學(xué)院院刊》策劃組織“大力推進(jìn)科研范式變革”專題，就是一個(gè)例證。

（2）一批專注于AI for Science 的研究團(tuán)隊(duì)正在出現(xiàn)并展示出良好的勢頭。經(jīng)過3 年多的醞釀，北京科學(xué)智能研究院于2021年9月在北京市的支持下正式成立。這是國際上第1 個(gè)專注于AI for Science 的研究機(jī)構(gòu)，致力于打造AI for Science時(shí)代的基礎(chǔ)設(shè)施。除此之外，還有中國科學(xué)技術(shù)大學(xué)的機(jī)器化學(xué)家團(tuán)隊(duì)、廈門大學(xué)嘉庚創(chuàng)新實(shí)驗(yàn)室的AI for Electrochemisty 團(tuán)隊(duì)等。

（3）一批企業(yè)也在AI for Science 方向積極布局。這體現(xiàn)了產(chǎn)業(yè)界對AI for Science 的巨大信心。在AI for Science 的旗幟下聚集了一大批有能力、有決心、有干勁的青年產(chǎn)業(yè)人員。

（4）科學(xué)技術(shù)部、國家自然科學(xué)基金委員會(huì)等國家機(jī)構(gòu)和北京市、上海市等地方政府都在積極出臺(tái)政策，支持AI for Science 的研究。2022 年，國家自然科學(xué)基金委員會(huì)交叉科學(xué)部首先推出“可解釋、可通用的下一代人工智能重大研究計(jì)劃”，AI for Science是其中一個(gè)重要組成部分。

4 建議

如今的良好基礎(chǔ)并不代表AI for Science在中國的健康發(fā)展已經(jīng)板上釘釘。對一個(gè)領(lǐng)域的發(fā)展來說，成為熱點(diǎn)是一把雙刃劍。越是熱點(diǎn)，就越容易產(chǎn)生泡沫。如何才能保證利用好這個(gè)機(jī)會(huì)，讓AI for Science帶動(dòng)我國在下一次科技創(chuàng)新和產(chǎn)業(yè)變革的浪潮中走在最前沿？本文提出以下4個(gè)方面具體建議。

（1）要有具有高度前瞻性的頂層設(shè)計(jì)。頂層設(shè)計(jì)必須把基礎(chǔ)設(shè)施建設(shè)放在第1 位?；A(chǔ)設(shè)施建設(shè)周期長、任務(wù)重、困難大，但從長遠(yuǎn)發(fā)展的角度來說，它的重要性毋庸置疑。過去的幾年里，我們目睹一些領(lǐng)域長期的表面繁榮在一夜之間被打回原型的例子，這與先進(jìn)國家相比呈現(xiàn)出巨大差距。究其原因，都是因?yàn)闆]有在基礎(chǔ)設(shè)施上下足夠的功夫。

（2）要有理性的資源分配機(jī)制。要讓有能力、有動(dòng)力、真正活躍在一線的科研人員得到他們應(yīng)該得到的資源，非理性的資源分配體系所造成的負(fù)面影響不僅僅是資源的浪費(fèi)，更是不正學(xué)風(fēng)的根本原因。要徹底打破靠資歷、靠宣傳、靠關(guān)系和“分蛋糕”的資源分配體系。

（3）要積極推進(jìn)開放和合作共贏的理念。科學(xué)研究本來就是所有科研人員共同的事業(yè)。在AI for Science 的新框架下，“自給自足、小農(nóng)作坊”的研究模式將難以適合未來發(fā)展的需求。只有合作共贏，才能充分調(diào)動(dòng)科研人員的潛力和積極性，加快提升整體科研創(chuàng)新的能力。

（4）要加強(qiáng)學(xué)術(shù)風(fēng)氣的建設(shè)。學(xué)術(shù)風(fēng)氣是決定中國科技創(chuàng)新能不能成功的最重要的因素之一，也是決定AI for Science在中國能不能順利發(fā)展的最重要的因素之一。要積極鼓勵(lì)年輕人提出新思想、新觀念，鼓勵(lì)對各種學(xué)術(shù)觀點(diǎn)的質(zhì)疑和挑戰(zhàn)，積極倡導(dǎo)實(shí)事求是、有一說一的風(fēng)氣。讓學(xué)術(shù)會(huì)議和學(xué)術(shù)討論回歸其本來的目標(biāo)。讓一些專注于搞虛假宣傳、在領(lǐng)導(dǎo)面前畫大餅的風(fēng)氣在中國失去生存的空間。

希望我國科學(xué)家珍惜目前AI for Science的良好發(fā)展勢頭，緊密合作，緊緊抓住AI for Science這個(gè)千載難逢的機(jī)會(huì)，爭取在下一輪的科技創(chuàng)新浪潮中走在前沿，為人類的科技發(fā)展作出應(yīng)有的貢獻(xiàn)。