【新智元导读】就在刚刚，陶哲轩领衔的一份62页报告出炉了，总结和预测了AI对半导体、超导体、宇宙根本物理学、生命科学等领域带来的巨大改变。
如果这些预测在几十年后能够实现，美国酝酿的AI「登月操持」就将成真。

就在刚刚，陶哲轩领衔的一份AI技能对环球研究潜在影响的技能报告发布了。

这份报告长达62页，总结了AI对材料、半导体设计、景象、物理、生命科学等领域已经做出的改变，以及预测它们在未来可能由AI产生的改变。

报告地址：https://www.whitehouse.gov/wp-content/uploads/2024/04/AI-Report_Upload_29APRIL2024_SEND-2.pdf

除了总结AI工具已经改变的科学领域的小插曲，陶哲轩等人还发出了三个呼吁——

1.必须授予人类科学家更多的权能；

2.所有人必须负任务地利用AI工具；

3.国家层面须要共享基本的AI资源。

一旦必要的AI根本举动步伐到位，新的科学「登月操持」将成为可能

众所周知，AI——可以帮助研究职员从数据中得到更多洞见，并确定最可能的办理方案；可以帮助处理日常任务，从而让研究职员能够专注于核心研究；可以帮助实现实验室流程的自动化；可以帮助完成以前很难实现的仿照；可以通过多模态根本模型将多种形式的数据搜集在一起，并在不同科学分支之间创造新的协同效应。

而当资源到位，并可以供应算力、安全的数据共享做事、开源的AI模型以及其他关键根本举动步伐的访问时，我们就可以开始方案那些十分繁芜且规模巨大的「登月式」科研项目。

这些项目可能包括:

- 一个仿照人类细胞繁芜性的根本模型，许可在打算机上（而不是在试管或活体内），对疾病和实验性治疗进行研究；

- 一个详细的全体地球模型，利用传统和AI模型来描述地球系统的组成部分，同时也不断地用高度多样化的实时数据进行更新；

- 通过系统网络、处理和AI赞助剖析现有数据和文献，以及自动化实验室合成和测试可行的候选物，来创造实用的室温超导体。

随着共享AI资源根本举动步伐的涌现，全新的互助形式将从规模效应中得到本色性的好处，也便是说，随着项目规模的扩大，单位本钱会降落、效率会提高。

与此同时，这种互助也可以减少不同团队之间的重复事情，提高研究效率。

AI即将颠覆的学科领域

目前人类科学发展到这个阶段，已经到达了临界点。
在许多领域，我们都面临着巨大的障碍，而这些障碍一旦能战胜，这些领域的进展都将迈入新的阶段。

令人愉快的是，这些目前靠我们自己已经很难再推进太多的打破，靠AI很可能会被办理！

当然，为了实现这些设想，我们还面临一些必须考虑的潜在风险，并且还须要实现目标所需的资源。

AI设计半导体，让美国稳坐第一

如今，支撑起环球经济和国家安全的当代电子设备，都须要依赖「芯片」来运行。

随着这些芯片功能的增强，它们的繁芜性也在不断增加——当前最前辈的芯片，已经包含了高达数百亿个组件。

由于须要弘大的工程资源和繁芜的根本举动步伐，目前只有规模最大的公司才有能力制造这些高端芯片。
而AI则可以在显著提升芯片设计质量的同时，减少所需的韶光和人数。

当然，这些AI工具并不是要取代设计师，而是通过提高设计师的事情效率来帮助缓解专业芯片设计师短缺的问题。

现在，已经有很多专为芯片设计师开拓的AI赞助工具，可以让低级设计师办理那些原来须要高等设计师花费大量韶光来处理的问题。

同时，还有一些芯片设计AI智能体还能总结缺点报告和设计文档，或者基于大略的英语提示为其他设计自动化工具天生脚本。

https://arxiv.org/pdf/2311.00176

乃至，正在开拓中的AI，还能够设计出比传统方法更快或更小的电路.

通过利用强化学习技能，AI在探索可能的电路配置时会收到正面的「褒奖」和负面的「惩罚」，从而使其能够调度其设计谋略，终极找到那些具有空想特性的电路设计方法。

随着半导体技能的快速进步，每次更迭都须要重新设计数千种标准设计单元，从而适应新的制造工艺。
对许多制造商而言，这一过程可能须要投入高达80人月的劳动力。

比较之下，结合了天生式AI用于数据聚类和强化学习用于纠正设计规则缺点，能够自动化这一设计过程，将所需的事情量减少超过一千倍。

论文地址：https://dl.acm.org/doi/pdf/10.1145/3569052.3578920

与此同时，FPGA的运用使得在最新的AI驱动放置和布线技能上能够快速迭代，实现了超过三倍的效率提升。

在芯片设计的创建过程中，必须对设计进行多种剖析，以确保它们符合规定的标准和制造过程的约束。

在以往，为了精确节制「寄生」特性，须要先制作电路的布局图，这一步骤每每会使设计周期的每一次迭代增加数天的手动事情。

现在，全体设计迭代过程可以在几分钟内完成，从而快速得到符合预期规格的电路。

很快，更强大的LLM将会化身成「芯片设计助手」——它们不仅能回答问题、评估和验证设计，还能实行一些常规设计任务。

此外，AI技能将极大提升设计师的事情效率，可能增加十倍乃至更多。
设计师只需把自己的把稳力集中在算法和系统层面，而更细节的设计层面交给AI就可以了。

而且，AI的合成与剖析工具将极大缩短设计周期，使得从高层次的设计描述到完成验证的布局只需几小时，而现在这一过程须要几周韶光。

PCAST估量，通过将这些前沿技能融入芯片制造过程，美国将连续保持在半导体设计领域的领先地位，并有效缓解该领域的严重劳动力短缺问题。

乃至实现美国半导体行业的宏伟目标——开拓出全新的平台、方法和工具，使得芯片的生产只需现在所需人力的十分之一。

揭示宇宙的根本物理学：1分钟仿照超算的1个月

关于宇宙，这些谜题始终未曾解答。

是什么「暗物质」将星系结合在一起?

又是什么「暗能量」推动所有星系间的间隔加速膨胀?

最近不雅观测到的那些古老的星系，有什么意义?

这些对付宇宙的根本理解，却能让我们实现技能上的飞跃。

比如，可能我们很难想象出一个比广义相对论更抽象、更不切实际的根本理论了，然而，它却是环球定位系统GPS的根本，办理了我们此前从未预想到的定位和导航问题，而个中的经济利益，以千亿美元计。

而如今，对付AI已经成为物理学家和宇宙学家实验和不雅观测中事情中的主要工具，用于设计、实现和剖析大多数步骤。

某些对AI的运用建立在目前的方法上，通过打算仿照，来比较和测试理论与数据，比如如果一个理论是精确的，数据看起来会是什么样。

通过条件密度估计对新物理学进行无监督分布内非常检测

对付超级打算机，这些仿照可能是最困难的任务，由于它们须要打算每一个粒子、恒星或星系行为的每一步。

但AI的好处是，它可以从这些仿照中学习更大的模型。
这样，科学家就可以缩短这些超算的任务，让它能够在不到一分钟的韶光内，看到一台超算一个月事情量的近似值。

通过AI，研究职员可以扫描数百万种可能的理论，每一种都有我们字宙的不同初始图像，他们就能看到，哪一种更能阐明我们实际用望远镜不雅观察到的数据。

而到2030年末，我们就能用AI剖析Nancy Grace Roman望远镜十年的数据。

Nancy Grace Roman太空望远镜

通过AI对数据进行剖析，科学家们很可能会创造惊人的证据，证明我们的字宙不会在指数膨胀的冷寂中闭幕，而是会重复地发生大爆炸，循环重启。

AI具有在繁芜数据集中创造模式的能力，变量的数量远超人类可以跟踪的数量。

如果有新创造冲破了常规规律，就会脱颖而出。

已经有粒子物理学家举办过比赛，来探求搜索这些「非常」的最佳方法，后者很可能指向新的物理发现。
而比赛的得胜者都是基于AI做出的创造。

通过拉格朗日深度学习天生宇宙流体动力学的有效物理定律，在稠浊仿照中预测暗物质超密度、恒星质量、电子动量密度等

这些AI方法，很可能使我们不才一代CERN和费米实验室加速器实验中，创造一些极其罕见、意想不到的粒子，这将有助于构建统一理论，该理论将引力与其他力相结合。

根本物理学和宇宙学，都是基于对数据进行统计剖析，因此须要深入理解数听说明中的概率，这一哀求也推动了AI在处理概率严谨性上的发展。

由于，我们须要AI做的，不仅是供应最有可能的答案(「那是一张猫的照片」)，而是开拓能够供应一系列可能答案、并且供应每个答案精确可能性的AI系统(「有69%的可能性那是一只猫，22%的可能性是土豚，8%的可能性是气球，百分之一的可能性是冰箱」)。

物理学家正在探求一种将量子物理学与广义相对论统一起来的理论

对付一个关键数字的丈量，它会给出一组可能值，例如68%、95%或99.9%的概率。

评估不愿定性，对付根本物理学至关主要，而严格遵照概率的AI，也将为许多其他科学领域带来变革，对付科学意外的运用也意义重大。

或许20年后，科学家会用AI看到量子打算机与黑洞之间的类比，开启一种全新的测试广义相对论的台式方法，以及一种强大的新时序技能。

新材料：超导体、冷原子、拓扑绝缘体、超导量子比特

曾经，人类生活质量的重大改进，是由青铜、铁、混凝土、钢这些材料科学的进步推动的。

本日，我们生活在硅、碳氢化合物和硝酸盐的时期。
不久的将来，可能便是纳米材料、生物聚合物和量子材料的时期。

而AI的赞助，会打开许多以往只存在于想象中的可能，包括室温超导、大规模量子打算机架构。

机器人正在劳伦斯伯克利国家实验室的A-Lab中合成材料

如今，科学家已经成功地用深度学习模型创造了多种材料。

比如，某私营公司的跨学科研究团队，利用AI设计出了数百万种新材料，近半数AI预测出来的新材料，都具备足够的稳定性，可以在实验室中成长。

其余，AI也可用于改进现有材料，优化材料身分，减少对环境有害的物质。

用于预测材料拓扑性子的密度泛函理论示例

为了设计和开拓新材料，来办理重大的社会寻衅，美国国家科学基金会(NSF)已经投资了7250万美元。

详细来说，以下几个碰着阻碍的材料领域，很有望被AI办理。

超导体

去年夏天的室温超导热，让全社会都感想熏染到了奇点附近的愉快。

对付磁共振成像仪、粒子加速器、某些实验性的量子打算技能、全国电力网来说，超导体都是必不可少的，由于它能够无损耗地传输电能。

然而，超导体面临三个问题。

第一，便是目前已知的超导体必须冷却到靠近靠近绝对零度，也即零下273摄氏度，这就须要利用液氮，导致设备极其昂贵。

第二，与铜等传统导体不同，现有的超导体并不具有可塑性， 会随着韶光失落去超导性。

第三，先驱材料的本钱，还是加工成导线的本钱，也都十分昂贵。

从前，我们的考试测验都是依赖组合化学方法，须要筛选大量的材料组合。

为了得到常温常压超导，人类已经努力了100多年

因此，许多至关主要的材料的创造，都是出于有时，期间经历了大量试验和缺点。

变量如此之多，让材料价格低廉的哀求如此之难，使得超导体的创造险些不可能用传统方法办理。

而AI，将在3个领域带来改变。

首先，AI模型预测能力，使我们能够通过连接并利用现有材料、处理条件和性能方面的大量数据，来创造新材料。

从这个数据集中，可以确定化学、物理和工程中材料的模式，为研究职员供应新方法。

基于GNoME的创造，显示了基于模型的过滤和DFT如何充当数据飞轮，来改进预测

其次，人工智能模型可以预测性能（例如，预测量子比特的相于韶光、热电材料的效率或超导体的临界温度），从而减少对可行候选材料实验的测试的摧残浪费蹂躏。

第三，通过将过程信息与材料组成相结合，可以在材料设计方面设定实际限定，加快新材料运用的商业化过程。

除了超导体这种「硬」材料，聚合物、流体这些「软」材料，由于材料科学中繁芜的构造-性能关系，同样须要弘大的数据级和预测能力。

而且，量子打算机的基本构建部分，如冷原子、拓扑绝缘体或超导量子比特，都可以靠AI改进或天生。

具有4个量子比特的超导芯片

生命科学

美国国家科学技能委员会认为，由AI驱动的工具、剖析和结果，将从根本上改变我们探索和理解生命的基本组成部分的办法，还会影响到包括农业和医学的生命系统。

揭开细胞功能之谜

解读细胞内部繁芜的运作机制，是几个世纪以来一贯困扰生物学家的难题，由于细胞的构造极其繁芜且相互干联。

而AI就为此供应了强大的工具。

比如，AI为蛋白质供应了新的视角。

基于AI的蛋白质折叠预测系统，可以利用机器学习算法预测了数百万种蛋白质的构造。

基于大规模深度学习的构造建模范围从单体蛋白质扩展到蛋白质组装

这些系统从已知蛋白质和构造的数据中学习，也从根本化学知识如原子间间隔的物理约束中学习。

最近，研究职员还利用AI来破解蛋白质的功能，包括蛋白质如何相互浸染，从而揭示细胞旗子暗记转导、代谢和基因调控平分子机制。

人工智能工具也被用来设计蛋白质，以实现与受体和其他目标特异性结合的目标。

AI驱动的蛋白质设计，已经在开拓疫苗和新型药物方面取得了成功。
个中一些设计方法，正是利用了「扩散模型」和图像天生系统的添补和描边技能。

利用三轨神经网络准确预测蛋白质构造和相互浸染

构建生物科学根本模型

构建生物信息学仿真工具，一个很有潜力的方法是构建面向整体细胞建模的多模态、多层次生物科学根本模型。

AI方法使科学家能够对多种类型的数据进行多模态表征，或者「嵌入」，包括蛋白质序列和构造、DNA、RNA表达数据、临床不雅观察、成像数据和来自电子康健记录的数据等。

利用RFAA进行一样平常生物分子建模

例如，开拓集成大型数据集的根本模型EVO，结合DNA、RNA和蛋白质数据，来阐明细胞整体功能背后的相互浸染。

这种多模态、多层次的模型，可以供应从原子到生理学的各种尺度的结果预测，以及分子和行为的天生。

生物科学根本模型，有望使科学家探究康健与疾病的实质，例如建立癌症模型，并探索细胞相互浸染，以及癌症背后的网络如何在仿照中被毁坏或「治愈」。

AI将辅导药物研发，在开始昂贵耗时的实验之前，AI就可以通过虚拟筛选潜在的治疗化合物，减少不必要的摧残浪费蹂躏。

五点建议

为了实现以上技能进步，PACST委员会提出了以下五点建议。

建议1：广泛公正地共享根本AI资源

广泛支持易于访问的共享模型、数据集、基准和打算能力，对付确保学术研究职员、国家和联邦实验室以及较小的公司和非营利组织能够利用AI为国家创造利益至关主要。

在美国，最有希望的一个试点项目是——国家人工智能研究资源（NAIRR），PCAST建议尽快将NAIRR扩展到特殊事情组设想的规模，并得到全额帮助。

完全规模的NAIRR，连同行业互助伙伴关系以及联邦和州的其他AI根本举动步伐，可以作为美国或国际层面AI根本举动步伐项目的基石，从而促进高影响力的研究。

建议2：扩大对联邦数据集的安全访问

PCAST强烈建议扩大现有的安全数据访问试点操持，并制订联邦数据库管理指南，从而加入入最前辈的隐私保护技能。

这包括许可获批的研究职员有限度、安全地访问联邦数据集，以及许可向NAIRR等资源中央发布经由匿名化处理的数据集。

此外，PCAST还希望能进一步实行此类授权，包括共享在联邦帮助的研究数据上演习的AI模型，并供应足够的资源来支持所需的行动。

建议3：支持AI领域的根本和运用研究，个中包括学术界、工业界、国家和联邦实验室以及联邦机构之间的互助

联邦帮助的学术研究与私营部门研究之间的界线是模糊的。
许多研究职员会在学术机构、非营利组织和私营公司之间流动。
在这之中，私营公司目前支持了相称大比例的AI研发。

为了能够充分利用AI在科学领域的潜在上风，就必须支持各种有前景、有成果的假设和方法的研究。

因此，帮助机构须要在如何与家当界互助以及哪些研究职员可以得到支持方面放宽姿态，以便促进创新研究以及不同部门之间的协作。

建议4：在科学研究过程的所有阶段采取负任务、透明和值得相信的AI利用原则

在科学研究中，利用AI可能会产生不准确、有偏见、有害或无法复现的结果。
因此，从项目的初始阶段，就该当对这些风险进行管理。

PCAST建议，联邦帮助机构可以更新其负任务研究行为准则，哀求研究职员供应负任务的AI利用操持。
为了最大限度地减轻研究职员的额生手政包袱，在列举紧张风险后，机构应供应风险缓解的示范流程。

与此同时，国家科学基金会（NSF）和国家标准与技能研究所（NIST）等机构应连续支持负任务和值得相信的AI的科学根本研究。

个中包括，衡量AI准确性、可重复性、公正性、弹性和可阐明性等属性的标准基准；监测这些属性并在基准不在定义范围内时进行调度的AI算法；以及评估数据集中的偏差，并区分合成数据和真实天下数据的工具。

建议5：鼓励采取创新方法将AI赞助集成到科学事情流程之中

科学奇迹是一个很好的「沙盒」，我们可以在个中练习、研究和评估人与AI助手之间新的协作范式。

不过，这里的目标并不是追求自动化程度的最大化，而是要让人类研究职员在负任务地利用AI赞助的同时，实现高质量的科学研究。

帮助机构该当重视这些新事情流的涌现，并设计灵巧的程序、评估指标、帮助模式和寻衅性问题，鼓励以新的AI赞助办法组织和实行科学项目的计策性实验。

此外，这些事情流的履行也为来自各个学科的研究职员供应了机会，从而推进了在人机协作领域的知识。

更广泛地说，我们还须要更新帮助机构、学术界和学术出版业的勉励机制，来支持更广泛的科学贡献。
比如，策划高质量和广泛可用的数据集，是无法通过传统研究生产力指标得到充分认可的。