人工智能科学家的梦想近在咫尺

现代人工智能是长期科学研究的成果，已在各学科中推动了显著进步。自2010年代深度学习兴起以来，人工智能在科学研究中的应用迅速增加，特别是在数据分析和复杂过程建模方面。谷歌DeepMind的Alphafold模型通过预测蛋白质的形状，解决了科学界长期以来的蛋白质折叠问题，并获得了2024年诺贝尔化学奖。此外，Alphafold 3的发布进一步提升了对蛋白质及其相互作用的预测能力。谷歌与哈佛合作创建了详细的人脑连接图，揭示了神经元结构和连接，助力对神经系统疾病的理解。人工智能在材料科学方面也取得突破，DeepMind推出的GnoME成功预测了220万个新型无机晶体结构，推动了材料发现的进展。

现代人工智能是几十年专注科学研究的结晶。今天，它开始通过推动各学科的进步而带来显著的回报。自从人工智能作为一个研究领域出现以来，研究人员设想创造出足够智能的工具，以增强人类对知识的不懈追求。随着2010年代深度学习的兴起，这一愿景已经从梦想转变为切实的现实。

从2012年到2022年，纳入某种程度人工智能的科学论文比例激增，接近9%。研究人员越来越多地利用神经网络来分析数据、进行文献回顾以及对各个科学领域的复杂过程进行建模。随着人工智能技术的不断进步，其解决更广泛挑战的能力每天都在扩展。一个人工智能在科学中变革性作用的典范是谷歌DeepMind的Alphafold，其创造者获得了2024年诺贝尔化学奖。该模型利用了变换器架构的进展，这是大型语言模型的基础，解决了长期以来的“蛋白质折叠问题”。

Alphafold通过仅根据氨基酸序列预测蛋白质的形状，彻底改变了我们对蛋白质的理解，这一任务多年来一直让计算机科学家们感到困惑。在短短两年内，它成功预测了每种已知蛋白质的结构，这一发展可能对生物医学研究产生突破性的影响。2024年Alphafold 3的发布进一步增强了这一能力，使其能够预测蛋白质结构及其相互作用，以及DNA、RNA和其他生物分子的相互作用。

除了蛋白质研究，谷歌还与哈佛研究人员合作，创建了迄今为止最详细的人脑连接图。利用基于人工智能的成像技术，团队从一立方毫米的人脑超薄切片中绘制了大约50,000个细胞和1.5亿个突触连接。这一前所未有的“连接组”为科学家提供了理解神经元结构和连接的重要数据，这可能为改善对神经系统疾病和学习、记忆等认知过程的洞察提供帮助。人工智能在材料科学方面也取得了进展；2023年，谷歌DeepMind推出了一种名为GnoME的图神经网络，预测了220万个新型无机晶体结构，其中包括38万个可能成为新技术基础的稳定结构。其他主要的人工智能开发者，例如Meta和微软，也通过发布自己的模型和广泛的数据集，为材料发现做出了重大贡献。