都在说的「AI for Science」，到底怎么帮助科学进化？

从 1956 年「人工智能」概念诞生，讨论「如何用机器模拟人的智能」已经经历 70 余年，在算法、算力和数据方面取得了诸多突破，并在在诸如智能制造、自动驾驶等工业领域有着充分的发展。

近几年，AI 在生物、能源、制药、材料等科学领域的作用正在经历大的转变。AI 强大的数据归纳、分析能力让科学家从重复验证和试错的过程中解放出来；同时，AI 也正在从科学的最底层规律出发，让 bottom up 的纯数据驱动方式逐渐转向与物理模型相融合的阶段。

AI for Science，即科学智能，就是用 AI 去学习科学原理，然后得到模型，进而去解决实际的问题。比如 AlphaFold2 对蛋白质折叠结构预测，就攻克了困扰生物学界 50 余年的难题。

9 月 22 日，前沿社组织了一场关于 AI for Science 主题的线上「夜聊」，特别邀请到深势科技创始人 & CEO 孙伟杰，共同探讨 AI 对于传统科研究竟意味着什么，最终会带来哪些改变？当 AI 开始在部分基础科学中成为研究工具，接下来会如何演进？

深势科技成立于 2018 年，是 AI for Science 科学研究范式的先行者，致力于运用人工智能和分子模拟算法，结合先进计算手段求解重要科学问题，为人类文明最基础的生物医药、能源、材料和信息科学与工程研究打造新一代微尺度工业设计和仿真平台。核心成员团队获得过 2020 年「戈登贝尔奖」——这个奖被称为「全球超算领域的诺贝尔奖」。

深势科技推出的蛋白质结构预测工具 Uni-Fold，是领域内首个接近 AlphaFold2 精度、并且开源了训练代码和推理代码的项目；Uni-Fold 还克服了 AlphaFold2 硬件支持单一、模型不可商用等局限性 | 图：Uni-Fold 预测的蛋白结构

前沿社活动均为创业者、企业家之间的闭门学习交流，并不对外开放。但我们也整理了一些现场讨论的精华内容进行发布，希望对你有所启发。

简单来说，AI for Science 有三层内涵：

• 第一是科学规律在具体的行业应用中的落地，用 AI 求解复杂系统的问题。

• 第二层 AI 是发现新科学的有效的手段，能够帮助人类从大量的复杂数据中，去抽取一些人类观察不到的高维信息和高价值规律。比如基因序列、蛋白序列背后的高维特征。

• 第三，AI for Science 让科学更加走向理性。我们过去很多对产业问题的分析，都是先看这个领域都没有数据。但在未来，大家一方面可以看有没有数据，另一方面可以看有没有好的物理规律做支撑。我们可以先用 AI 去学习物理模型，学习一些特定的规则，进一步结合一些小的数据去解决实际问题。

从不同的时间和空间尺度上来观察世界，发现的现象是不一样的。越是大的东西，它运动的频率越低；越是微观的运动频率越高，动得就越快。

微观下看，当计算分子间或者原子间相互作用时，原子之间相互作用可以抽象为几种简单的作用力。比如原子之间有一个化学键，它的键能是多少，碳氧键的键能是多少？化学键和化学键之间会有键角，它们之间相互的能量空间是多少，二面角的空间是多少？离得比较远的静电相互作用和泛化相互作用，它的空间是多少？……这样形成了一系列的经验，就能分析原子间的相互作用。

在每一个尺度上观察时，我们都是在观察这个尺度上的现象，它还会有一些随机性。

引入更微观的参数后，就能够以第一性原理精确地求解里面的问题；但对应的瓶颈是：一旦引入更微观层面的参数，计算就会变得非常复杂，进入「维度灾难」

（注：维度灾难指复杂系统的计算中，随着维数的增加，计算量呈指数倍增长的问题）。

物质结构：分子 | 图源：新浪网

如果我们改用宏观尺度的模型去计算物体的运动，就能算很快，但是通常会算不准。我们如果想算得准，就得引入更微观的模型，但这样计算量太大，算不快。

所以 AI for Science 就是要解决计算时「快」和「准」不可兼得的问题。我们用 AI 学习微观的、电子层面的模型，然后去求解更宏观的、原子间的基础作用。这是 AI for Science 最重要的应用之一，即跨尺度建模。

利用 AI 学习分子动力学方程的这套方法，在药物发现方面可以辅助靶点发现、先导化合物筛选等环节；在材料方面可以帮助高分子材料、柔性材料、液晶材料的研发，同时也给下游的应用学科带来突破。

人体所有疾病的发生，几乎都可以归结为蛋白质功能的异常，例如蛋白质表达过度或抑制。所以，人为地抑制或激发蛋白靶标，改变蛋白质的功能，就可以达到治疗疾病的目的。药物分子和蛋白质的组合，就像是锁和钥匙的关系。

药物研发的步骤一般是：蛋白结构解析 - 蛋白动态探索 - 药物分子发现 - 药物活性优化 - 成药性优化。

确定一个蛋白靶标后，我们需要了解它的三维结构，才能设计一个药物分子来和它结合；还要知道蛋白质的动态机理，因为蛋白质的所有作用都是由它的动态结构决定的。

这是一个酶的三维结构图（GIF），红色的位置是它催化的口袋。当一个底物放进去之后，在里面经过磷酸化再出来，就完成了一个催化的反应。所以这个口袋必须要会动，而且我们必须要了解它是如何运动的，才能够理解它的功能。

AI for Science 驱动药物的研发 | 图源：深势科技

药物筛选环节中，过去依赖的是高通量的重复式实验，可能要花费一两年时间，进行几百万次实验才能得出结果。而现在，我们可以通过大量的计算来筛选出 50 - 200 个合适的药物分子，再用实验进行验证。

蛋白质的动力学模拟方面，我们能够从动态上预测蛋白质的构象变化。我们把这部分算法由过去的 CPU 计算潜移到了 GPU 上，并且进行了数据和计算的并行。最终，我们在保持精度的同时把速度提升了 1600 多倍，在几天之内就可以计算十几亿个分子，实现更加快速的筛选。

在药物的其他方面预测上，我们采用的方法是先进行无监督的学习，然后再通过微调（fine tune）进行二次有监督的训练。这种方法解决了药物研发中某些领域数据量少的问题，例如药物的吸收分布、代谢毒性等。

药物分子和蛋白质的特性基本都是由三维结构决定的。因此，只要 AI 能够抓取到三维结构的特征，理论上就可以建立起可用的模型。

但在很多科学问题的研究中，由于数据少、特征难以提取等原因，AI 很多时候无法提取出关键特征并建立模型。这个时候，就可以通过小规模的 AI 预训练来解决这样的问题。

这种方法不仅解决了小数据带来的问题，同时也为科学规律的发现提供了一种新的可能性。

材料的中心法则 | 图源：深势科技

在材料方面，我们关心的是材料在现实场景中服役的表现。服役表现主要是由材料的性能决定的，而性能又是由微观结构决定的。要想研究出一种好的材料，一定会涉及到多尺度的结构方面的计算。

由于要跨越不同的物理尺度，很多问题都无法用单一的模型去解决。例如，微观上我们可以模拟电子的性质，宏观一点可以模拟电子的密度，但是很难模拟电子间的能带结构和相互作用，因为这个规模是处在电子性质和密度之间的。

还是那个问题：从微观角度计算能够算的准，但不快；而从宏观角度计算能够算的快，但不准。AI for Science 可以既快又准地学习微观的模型，然后做出和宏观速度差不多的计算和仿真。

同药物研发一样，第一步先把材料的服役性能抽象成一些特定的材料性质，例如它的基础性质、稳定性、可加工性。有了这些性质 profile 之后，再把它转化成可以用物理模型计算的科学问题。

然后，我们对材料进行多级计算的筛选，最后把它放到实际的复杂系统中测试。例如，一个半导体材料筛选出来之后，我们还要把整个半导体器件都仿真出来，看看它的性能到底如何。

实际的研发案例中，这个过程其实是一种材料的逆向设计。即从现实需求反推到性能，再找出对应的结构和组分。

锂电池固态电解质组分研究 | 图源：深势科技

上图是我们通过计算发现的一个新的锂电池的固态电解质组分研究。对于电池，我们主要关心的是稳定性和电导率这两个性质。

左侧的红色的三角形显示的是稳定性，蓝色的部分就是组分稳定性比较好的组合；右边绿色的三角形显示的是电导性，深色的部分就是电导率比较高的组合。我们要做的就是，找到这两个性能都比较好的，即蓝色和深绿色重合的部分。

从图表中可以看到，计算得出的结果（蓝色圆点）和实验结果（红色区间）是完全重合的。而过去的计算误差则十分大，完全没有落在红色区间内。

目前，深势科技在材料部分主要会从新材料切入，最终服务于新能源、信息技术和先进制造这些领域。

深势科技已推出 Hermite® 药物计算设计平台、Bohrium 微尺度科学计算云平台等微尺度工业设计基础设施，颠覆现有研发模式，打造了「计算指导实验、实验反馈设计」的全新范式 | 图源：深势科技

总结一下，AI for Science 最值得期待的两大机会在于：包括药物设计和材料设计在内的新一代工业软件；另一方面则是像流体、固体等非常复杂的工业系统。AI for Science 的真正落地将会让工业生产向前迈进一大步，同时带来更多前所未有的机会和空间。

信息科学中的 AI for Science | 图源：北京科学智能研究院 & 深势科技

生命科学本质上也是一个复杂系统。但在生命科学领域，尤其是在人体的层面，还有很多问题无法被翻译成化学问题。例如，我们现在已经清楚地了解蛋白质的结构、蛋白质的动力学、蛋白的相互作用，但细胞生物学到分子生物学之间的 gap 目前还无法解决。

在未来，生命科学领域可能需要摸索出一系列最基础的运行法则和规律，类似化学中的元素周期表。这样，我们就可以从最微观的层面对生命活动做出一些底层的解析。

同样，材料学中很多问题也缺少规律和原理的指导。例如，微观上，材料的塑性形变和缺陷是由一些位错形成的，其中的原理可以靠量子力学和分子动力学来研究。但中间层的科学机理到底是什么？其中的定律尚不清楚。

在这些复杂系统领域，AI for Science 的愿景是要帮助科学家发现这些科学规律。在未来的十年之内，我们期望能够看到这一方面的突破性成就。

最后，引用一下黄仁勋今年的一句话，非常令人触动：AI 的未来一定是要学会规律和物理法则，实现这一点，将把我们带入 AI 的新时代。这句话和 AI for science 的愿景非常契合。

你如何看待 AI for Science？