AI为科学提供了强有力的工具和方法，帮助领域学者发现新的知识、应对复杂问题并提高研究的质量和效率。与此同时，科学领域所提供的丰富数据、挑战性问题、深刻的理论和启发性的思想也为AI的持续发展和进步注入了强劲动力。AI与科学的跨界融合正在撬动着学科壁垒，引领科学范式重塑，推动知识边界拓展，催生科学新突破。
2023年4月22日，CCF YOCSEF成都在四川省雅安市百丈镇四川蒙顶山合作社发展培训学院举办了主题为“AI+Science: 跨界融合、机遇与挑战”的技术论坛。聚焦AI+Science的碰撞交融、AI大模型如何赋能科学研究的跨学科融合与突破、科学如何赋予人工智能可解释性和可信度等问题进行多角度深入思辨。
本次论坛由CCF YOCSEF成都AC委员、电子科技大学康昭和西华大学陈晓亮担任执行主席，由YOCSEF成都副主席、东软教育集团易国富和YOCSEF成都AC委员、华清远见教育集团陶金华担任在线主席，邀请了国家超级计算成都中心郑亮、电子科技大学数学科学学院邓良剑、四川大学计算机学院黄树东、天津大学人工智能学院张长青、西南科技大学国防科技学院任珍文、北京航空航天大学软件学院王啸等多位领域内的研究学者和企业专家共同参与讨论。
引导发言环节, 特邀嘉宾郑亮以《超算在智能科研领域的应用展望》为题分析了人工智能与科学计算相结合(AI4Science)的过程,回顾了人工智能发展历史,阐明人工智能与科学计算如何得以深度融合。郑亮重点介绍了人工智能发展至今日的第四范式。通过科学计算、工程仿真等宏观模拟方法,特别是深度学习与矩阵求解相结合的方式,得以更有效地处理海量数据。
特邀嘉宾邓良剑以《遥感图像融合的深度嵌入式优化模型》为题，介绍了如何运用深度学习技术和嵌入式优化算法来提高遥感图像融合的效果。报告展示了人工智能与遥感图像融合领域的最新应用和发展趋势。深度学习技术可用于学习遥感图像中蕴含的高维特征表示和空间信息,从而预测图像融合的最佳加权方案。而嵌入式优化算法则能在满足实时计算要求的同时搜索到最优的参数配置。引导报告指出两者相结合,不仅可产生高质量的图像融合结果,也可实现在线和实时的图像融合应用。
随后，特邀嘉宾黄树东的引导报告《Science for AI :进展与展望》全面梳理了计算机科学的演进和融合计算的模式，为我们指明了探索AI与科学结合的潜力方向。黄树东强调了AI4Science和Science4AI在理论、交叉和落地方面的新研究增长点，展示了AI在科学领域的应用前景，为AI+Science研究人员提供了新的研究思路和方向。
在思辨环节,本次技术论坛围绕人工智能与科学研究的交互作用展开讨论。首先,从“AI4Science:科学的新引擎,还是科学的新挑战”切入,探讨人工智能如何推动科学研究的发展。然后,论坛讨论了“AI大模型如何赋能科学研究的跨学科融合与突破”。最后,论坛聚焦在“Science4AI:科学如何赋能人工智能的可解释性和可信度?”。在每个思辨议题中,论坛都邀请了一位特邀嘉宾作专题思辨发言。与会代表从技术发展方向、领域差异等多个角度出发,深入探讨上述议题及AI与Science研究融合发展方向。与会嘉宾还提出,科学研究需要人工智能的高可解释性和高可信度,这有利于AI赢得广泛应用与推广。总之,本次技术论坛从多个视角建言献策,围绕两者融合发展和未来方向进行了深入和广泛的探讨与交流,为两者融合发展绘制了宏观蓝图,为相关领域的研究者和从业者挖掘了深度思考的角度与空间。
思辨环节一：“AI4Science 科学的新引擎，还是科学的新挑战”。
特邀嘉宾张长青在思辨环节中指出,对于当前兴起的大模型,科学界是否有必要大力采用人工智能推动科研变革(AI4Science),积极研发垂直领域的大模型,这些都是值得深思的问题。张长青认为,大模型的出现使研究方向和手段日趋同质,损失了学科多样性。与此同时,研究者所依赖的技术工具也在加速分化。这使我国科研与国外先进技术和模型的差距不断扩大。过度依赖高超的工具和技术必然会在其他方面造成退步,使基础研究发展受损。与会代表们围绕议题展开讨论,并提出了各自的见解与建议。思辨获得了以下产出，即人工智能技术与大模型的广泛运用,尽管能够提高科研效率与产出,但同时也面临研究学科单一化与基础研究退化的风险。这为科学家和决策者在人工智能辅助下推进科学研究提供了新的思考角度。
思辨环节二：“AI大模型如何赋能科学研究的跨学科融合与突破”。
特邀嘉宾任珍文从AlphaGo开始,提出了大模型最可能在哪些交叉学科实现突破及面临的挑战。在数据获取难度大的应用场景下,是否可以采用“数据+知识双驱动”等新方法来实现突破。与会代表普遍认为,大模型需要建立起自主思考与知识构建的能力,而非完全依赖数据。垂直专业领域的大模型不一定追求大模型带来的高精度,更重要的是领域知识的积累。人工智能大模型具有较强的泛化能力,但需要依据跨学科特征数据不断更新迭代，才具有在促进科学研究颠覆性突破方面发挥重要作用的能力。
思辨环节三：“Science4AI :科学如何赋能人工智能可解释性和可信度？”。
特邀嘉宾王啸从人工智能的可解释性和可信度出发,指出如果无法理解人工智能的机理,那么对其结果与模型的解释都是肤浅的,不具备说服力。必须深入理解人工智能的可解释性,才能解决后续的问题与争议。与会代表普遍认为,提高人工智能可解释性是科技人员应该追求的目标。在人工智能模型设计时借鉴科学思想、规则与方法,可以启发设计思路,提高可解释性。同时，科学研究可以提高人工智能的可解释性,但需要跨学科专家参与、建立评价标准。思辨认为虽然人工智能可解释性目前难以实现,但可解释性是科学精神的一部分,值得追求。
经过一下午的激烈思辨，大家普遍认为AI+Science在多学科技术涌现上有巨大的潜力，但可解性和可信度的理论研究发展充满挑战，同时也孕育着无限的机遇，期待在今后继续深入探讨，碰撞出更多的火花，输出更多的成果。
