■Phóng viên thực tập sinh Zhao Yutong và phóng viên Zhao Guangli

AI for Science (AI4S, trí tuệ nhân tạo cho nghiên cứu khoa học) có phải là một đề xuất cho rằng "AI và các nhà khoa học mạnh hơn"?

"Chúng ta đừng hỏi AI có thể làm gì, nhưng AI có thể làm gì mà các phương pháp hiện tại không thể." Mới đây, tại "Hội thảo 4 năm Viện Máy tính AI0S" do Viện Công nghệ Máy tính thuộc Viện Hàn lâm Khoa học Trung Quốc (sau đây gọi tắt là Viện Máy tính) tổ chức, Chen Runsheng, một viện sĩ của Viện Hàn lâm Khoa học Trung Quốc, đã chỉ ra rằng các nhà khoa học AI cần gì và AI có thể giải quyết các vấn đề mới như thế nào nên là tâm điểm chú ý.

Trong cuộc thảo luận bàn tròn, Chen Runsheng, nhà nghiên cứu Chen Xilin của Viện Máy tính, Luo Yi, giáo sư Đại học Khoa học và Công nghệ Trung Quốc, Zhu Weiliang, nhà nghiên cứu của Viện Vật liệu Dược liệu Thượng Hải, Viện Hàn lâm Khoa học Trung Quốc, Chen Luonan, nhà nghiên cứu của Trung tâm Xuất sắc về Khoa học Phân tử và Tế bào, Viện Hàn lâm Khoa học Trung Quốc và Qin Tao, đối tác toàn cầu của Trung tâm Trí tuệ Khoa học tại Microsoft Research, đã thảo luận về "AI trao quyền cho khoa học".

Nghiên cứu khoa học đang đến để "mở lại vùng hoang dã"?

"AI rất giỏi trong việc tiêu hóa dữ liệu, với sức mạnh tính toán mạnh mẽ và tốc độ phản hồi nhanh, miễn là có đủ sức mạnh tính toán để xử lý một lượng lớn dữ liệu." Tần Tạo nói rằng từ cấp độ tính toán, AI4S thực sự đã kích hoạt một sự thay đổi mô hình trong nghiên cứu khoa học.

Trong nhiều năm, trong tình thế tiến thoái lưỡng nan của "thảm họa về chiều không gian", các nhà khoa học đã không thể đối phó với các vấn đề đa quy mô (hàm đa biến). Đây là một trở ngại đáng kể đối với tốc độ khám phá khoa học. Những năm 50 của thế kỷ 0 cuối cùng đã mở ra bình minh - sự ra đời của AI đã biến một số vấn đề khoa học thành các vấn đề thuật toán, không chỉ có thể giải quyết một số lượng lớn các vấn đề không thể giải quyết bằng tính toán khoa học truyền thống với độ chính xác cao mà còn xử lý hiệu quả dữ liệu khổng lồ.

Từ tiếng gầm rú của động cơ hơi nước đến bình minh của AI, sự chuyển đổi của các công cụ sản xuất đã trực tiếp tăng mức năng suất. "AI có thể tăng tốc tính toán và khi sức mạnh tính toán đủ mạnh và đủ nhanh, nó có thể biến điều 'không thể' thành hiện thực trong khoa học." Tần Tạo nói.

Tuy nhiên, các nhà khoa học không lạc quan về việc liệu AI có thể đạt được "mở lại vùng đất hoang" của nghiên cứu khoa học hay không.

"AI pharma không phải là một khái niệm mới. Kể từ khi máy tính ra đời, các nhà khoa học đã thử nghiệm thiết kế các phân tử thuốc. "Theo quan điểm của Zhu Weiliang, AI thực sự đã cải thiện đáng kể hiệu quả nghiên cứu và phát triển thuốc mới ở một số khía cạnh, nhưng vẫn chưa có bước đột phá mô hình trong thiết kế thuốc." Để sử dụng AI, việc tích lũy và dọn dẹp dữ liệu cũng là bắt buộc. Đối với dược phẩm sinh học, ông nói, AI4S vẫn đang trong "giai đoạn tích lũy trước khi bùng nổ toàn diện".

Chen Luonan tin rằng trong các hệ thống phức tạp với chiều cao và mối quan hệ nhân quả yếu, AI có thể tìm thấy kết quả có thể dự đoán được thông qua "hộp đen". Trong lĩnh vực khoa học đời sống, các lý thuyết khoa học cơ bản truyền thống không thể xử lý và giải thích dữ liệu phức tạp và chiều cao, và AI cung cấp một góc nhìn mới.

Chen lặp lại suy nghĩ của nhiều nhà khoa học - rằng AI dường như có thể được sử dụng để đào sâu hơn vào mối liên hệ giữa các dữ liệu phức tạp. "Bây giờ có rất nhiều dữ liệu và ít quy tắc, chúng tôi sử dụng 'hộp đen' để khám phá các quy tắc mới, tạo ra dữ liệu mới dựa trên các quy tắc mới và tiến hành một vòng khám phá lại. Nó giống như một chu kỳ. ”

Điều này cũng giống như triết gia khoa học người Mỹ Thomas Kuhn trong cuốn sách Cấu trúc của các cuộc cách mạng khoa học của ông: lịch sử khoa học vốn có chu kỳ, và mỗi khám phá khoa học mới mang theo một mô hình mới để nhận thức thế giới, mỗi khám phá trải qua cùng một vòng đời như "phát minh, giải quyết, khủng hoảng và sụp đổ".

"Ảo tưởng" gây đau đầu và "sự xuất hiện" thú vị là hai mặt của cùng một đồng xu. Vậy, AI giải quyết các vấn đề khoa học như thế nào và nó nên giải quyết những vấn đề khoa học nào?

Làm thế nào AI và các nhà khoa học có thể đi theo cả hai chiều?

Có một câu nói lưu hành trong cộng đồng khoa học rằng tốc độ tiến bộ khoa học đang chậm lại khi thuyết tương đối và khoa học lượng tử được tiết lộ. Nhưng người ta tin rằng trong mảnh đất rộng lớn của khoa học, vẫn còn những kho báu bị chôn vùi đang chờ được khai quật.

Liệu AI đang phát triển có phải là "người được chọn"? Với chiếc "cuốc" mới "nóng" này, các nhà khoa học vẫn còn rất nhiều nghi ngờ và kỳ vọng.

Theo quan điểm của Chen, AI với định lý xấp xỉ phổ quát có thể xử lý nhiều mối quan hệ hàm phức tạp để hỗ trợ nghiên cứu khoa học và ứng dụng. "AI giỏi trong việc dự đoán, nhưng không giỏi trong việc tìm ra các định luật khoa học, học sâu hiện tại vẫn là biểu diễn tĩnh và giải thích các định luật đòi hỏi biểu diễn động." Dựa trên nhiều năm nghiên cứu tin sinh học, Chen Luonan đề xuất rằng nếu AI có thể sử dụng biểu diễn động để giải thích dữ liệu chiều cao trong tương lai, nó có thể có hiệu suất tốt hơn trong nghiên cứu khoa học.

Luo Yi cũng đặt kỳ vọng vào AI. "Quy mô chéo là bài toán khó nhất trong nghiên cứu khoa học, và chúng ta hiện có tính toán đa quy mô, nhưng không có đột phá trong nghiên cứu khoa học xuyên quy mô, vì nó không khả thi về nguyên tắc. Trong tương lai, nếu nghiên cứu khoa học xuyên quy mô có thể được thực hiện, đó sẽ là sự trao quyền lớn nhất cho AI cho nghiên cứu khoa học. ”

"Hy vọng rằng deep learning có thể khám phá ra những kiến thức mới đã tích lũy được nhiều dữ liệu nhưng vẫn chưa được khám phá", Zhu nói. Trong khi khai thác dữ liệu, AI có thể sử dụng deep learning để đưa ra sự tương tự cho các vấn đề nguyên tắc đầu tiên như giải phương trình Schrödinger cho các phân tử sinh học không? Tác động của vấn đề này đối với kinh tế chính trị và xã hội loài người sẽ là không thể đo lường được. ”

Từ khám phá những điều chưa biết đến tìm kiếm kiến thức mới, từ giải quyết các vấn đề cụ thể đến khám phá các nguyên tắc đầu tiên, tia lửa va chạm giữa AI và nghiên cứu khoa học đang khơi dậy nhiều kỳ vọng hơn, và nó cũng đi kèm với một số suy nghĩ lạnh lùng.

"Tính toán là tương đương và bất kỳ vấn đề nào có thể được mô phỏng hoặc thực hiện bởi máy Turing đều có thể tính toán được, chỉ là vấn đề nhanh và chậm." "AI chỉ cung cấp các công cụ cho phép các nhà khoa học suy nghĩ nhanh hơn và ở nhiều cấp độ hơn. ”

Chen Xilin đã đưa ra một phép so sánh: "Những người trong chúng ta nghiên cứu máy tính giống như tiền vệ (cầu thủ) trong một trận bóng đá, không phải tiền đạo cũng không phải thủ môn, thỉnh thoảng chạy ra sân trước để ghi bàn, và sau đó nghĩ rằng chúng ta có thể ghi bàn." Trên thực tế, chúng ta vẫn đang ở hàng tiền vệ, và chúng ta phải nhận ra sự phân công lao động, tìm ra vị trí phù hợp, cung cấp các công cụ và phương pháp nhanh hơn và mạnh mẽ hơn cho các bộ môn khác. ”

Tần Tạo tin rằng AI thực sự có thể giúp các nhà khoa học giải quyết những "vấn đề khó" khiến các phương pháp truyền thống "bất lực", nhưng những vấn đề như vậy có thể không có giá trị kinh tế hoặc xã hội cho đến 100 năm sau. "Chúng tôi hy vọng rằng các nhà khoa học có thể cung cấp phản hồi kịp thời về các vấn đề hiện tại cần được giải quyết khẩn cấp và giải quyết chúng một cách kịp thời với sự trợ giúp của AI".

Sử dụng tốt để "dễ sử dụng"

AI4S đã thu hút nhiều sự chú ý trong những năm gần đây và một số nhà khoa học tin rằng có một số vấn đề chính cần được giải quyết để AI trao quyền tốt hơn cho nghiên cứu khoa học.

AI4S được coi là "mô hình thứ năm" của nghiên cứu khoa học và "chuyên sâu dữ liệu" là một nhãn hiệu không thể thiếu. Tần Tạo quan sát thấy rằng nguồn dữ liệu khổng lồ hiện tại không còn giới hạn ở Internet hay các thí nghiệm khoa học, dữ liệu tổng hợp AI cũng là một trong những nguồn quan trọng. "Có nguy cơ đồng nhất và dữ liệu chất lượng thấp do AI tạo ra." Ông tin rằng các nhà khoa học và AI cần hợp tác chặt chẽ với nhau khi nói đến dữ liệu tổng hợp, nếu không nó có thể phản tác dụng.

"Ưu điểm của các thí nghiệm khoa học chính xác là một số định luật vật lý tồn tại khách quan có thể giúp AI tạo ra dữ liệu mới chất lượng cao." Tần Tạo nói rằng điều này đòi hỏi "hộp đen" và "hộp trắng" phải hợp tác với nhau, "'hộp đen' dựa trên quan điểm của AI, và 'hộp trắng' chứa rất nhiều kiến thức khoa học, dựa vào khả năng xử lý dữ liệu mạnh mẽ của AI, sự kết hợp liền mạch của cả hai được kỳ vọng sẽ đẩy nhanh những khám phá khoa học mới."

Zhu Weiliang tin rằng AI là một công cụ hiệu quả, và chỉ khi sử dụng tốt AI hiện nay thì AI mới có thể "dễ sử dụng" về mọi mặt trong tương lai.

"Mọi người đều có ý kiến riêng về việc AI dùng để làm gì, nhưng thời gian để thảo luận về thiết kế cấp cao nhất thậm chí còn quan trọng hơn." Chen Runsheng thẳng thừng nói rằng AI thực sự là sự tích hợp trí tuệ của con người, và để thực sự sử dụng tốt AI trong nghiên cứu khoa học, quản lý tổng thể và thiết kế cấp cao nhất là rất quan trọng.

"Mọi người đều thừa nhận rằng AI là một công cụ tốt và là động lực cho nghiên cứu đổi mới, nhưng liệu khoa học cơ bản cơ bản của chúng ta có thể hỗ trợ hệ thống AI4S không? Khi các lý thuyết truyền thống bị phá vỡ bởi AI, chúng ta nên làm gì để chuẩn bị? Chen Runsheng chỉ ra rằng những vấn đề này cần được xem xét ở cấp độ thiết kế cấp cao nhất ở cấp độ vĩ mô và cẩn thận. Đồng thời, ông nói rằng AI0S đầy hối hả và nhộn nhịp, và liệu nó có thể sử dụng AI để giải quyết các vấn đề khoa học thực sự hay không là rất quan trọng.

Về vấn đề này, Chen Xilin tin rằng sự phát triển của AI4S cần có kế hoạch phù hợp, nhưng vì sự không chắc chắn lớn của nó, không thể chỉ có một giải pháp.

"Ngoài ra, cần chú ý đến quy mô mà nghiên cứu AI4S được tiến hành. Trong khi quảng bá AI0S một cách dựa trên nền tảng và có trật tự, cũng cần phải làm tốt công tác phân công lao động. Chen Xilin tin rằng sự hợp tác giữa con người và máy móc và sự hợp tác giữa con người và trí tuệ là những mô hình tốt nhất cho nghiên cứu khoa học được hỗ trợ bởi AI.