圖源：Unsplash

撰文 | 張?zhí)炱?/strong>

過去幾年，“人工智能學(xué)院”在中國(guó)高校中迅速鋪開，據(jù)不完全統(tǒng)計(jì)，已經(jīng)有超50所高校開設(shè)了“人工智能學(xué)院”。在這一波浪潮中，北京大學(xué)深圳研究生院選擇了建立一所面向“科學(xué)智能”（AI for Science）的學(xué)院，把人工智能的重心放在基礎(chǔ)科學(xué)問題上。

傳統(tǒng)的AI教育更多是培養(yǎng)算法和工程人才，而 AI for Science 的目標(biāo)，則是用AI去重塑和加速基礎(chǔ)科學(xué)的發(fā)現(xiàn)過程。正如AlphaFold對(duì)生物學(xué)產(chǎn)生的影響，這種模式試圖將AI從一個(gè)應(yīng)用工具，轉(zhuǎn)變?yōu)轵?qū)動(dòng)物理、化學(xué)、材料等基礎(chǔ)科學(xué)產(chǎn)生源頭創(chuàng)新的關(guān)鍵。

“我們認(rèn)為，未來(lái)從事數(shù)學(xué)、物理、化學(xué)、生物、材料等基礎(chǔ)研究的科學(xué)家，應(yīng)當(dāng)積極擁抱AI，適應(yīng)這種科研范式變革，否則他們的研究很可能就會(huì)落后”。北京大學(xué)深圳研究生院副院長(zhǎng)、科學(xué)智能學(xué)院執(zhí)行院長(zhǎng)田永鴻在與《知識(shí)分子》的對(duì)談中，這樣表達(dá)學(xué)院選擇AI for Science的考量。

知識(shí)分子：我們注意到現(xiàn)在很多高校都在成立人工智能學(xué)院，為什么北京大學(xué)深圳研究生院會(huì)選擇“科學(xué)智能”（AI for Science）這個(gè)方向？

田永鴻：之所以選擇AI for Science這個(gè)方向，主要有兩個(gè)層面的考量。

首先，我們看到一個(gè)清晰的趨勢(shì)：人工智能正在深刻地改變科學(xué)研究的范式。一個(gè)非常典型的例子就是蛋白質(zhì)折疊預(yù)測(cè)。AlphaFold一出來(lái)，在一兩年之內(nèi)，幾乎把全球所有的蛋白質(zhì)結(jié)構(gòu)都預(yù)測(cè)完了。這就是AI的魅力。它作為一個(gè)強(qiáng)大的工具，正在重塑科學(xué)研究的模式。

我們認(rèn)為，未來(lái)從事數(shù)學(xué)、物理、化學(xué)、生物、材料等基礎(chǔ)研究的科學(xué)家，應(yīng)當(dāng)積極擁抱AI，適應(yīng)這種科研范式變革，否則他們的研究很可能就會(huì)落后。

其次，這個(gè)選擇也與北京大學(xué)整體的發(fā)展布局相契合。北京大學(xué)深圳研究生院建院二十多年來(lái)，形成了學(xué)科交叉氛圍濃厚的學(xué)術(shù)環(huán)境。這為我們探索AI for Science的新模式提供了一塊創(chuàng)新的試驗(yàn)田。北大本部在數(shù)、理、化等基礎(chǔ)學(xué)科上力量非常雄厚，我們希望在深圳先探索經(jīng)驗(yàn)，如果成功，未來(lái)可以將這些好的經(jīng)驗(yàn)和模式推廣到北大本部乃至全國(guó)，起到一個(gè)探索的作用。

知識(shí)分子：在您看來(lái)，當(dāng)前制約“AI+Science”快速發(fā)展的最大瓶頸是什么？科學(xué)智能學(xué)院的成立，能在多大程度上改變這種局面？

田永鴻：核心要解決的，就是人才短板問題。

現(xiàn)在在很多傳統(tǒng)行業(yè)，比如醫(yī)藥領(lǐng)域，大家都知道AI重要，但具體怎么做很少有人知道。舉個(gè)例子，我們對(duì)一些公司的調(diào)研時(shí)發(fā)現(xiàn)，從他們的院長(zhǎng)到研究員，都意識(shí)到要用AI工具。但他們實(shí)際在用的，很多還是十年前的傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法。對(duì)于大模型等新技術(shù)，他們一方面覺得很重要，另一方面又不知道該怎么用。

連領(lǐng)軍企業(yè)都面臨這種困惑，可想而知廣大企業(yè)有多么缺少既懂AI又懂基礎(chǔ)科學(xué)的復(fù)合型人才。我們希望通過建立這個(gè)學(xué)院，能夠大量培養(yǎng)這樣的人才，以解決現(xiàn)存的短板問題。

知識(shí)分子：過去很多“AI for Science”項(xiàng)目，往往是由具體的實(shí)驗(yàn)室或科研團(tuán)隊(duì)以跨學(xué)科合作的方式完成的。為什么現(xiàn)在需要將AI for Science系統(tǒng)化，專門建立一個(gè)學(xué)院來(lái)培養(yǎng)交叉人才呢？這種培養(yǎng)模式和傳統(tǒng)的跨學(xué)科合作有何不同？

田永鴻：坦白說，傳統(tǒng)的跨學(xué)科合作模式我們已經(jīng)走了很多年，但始終存在一些難以解決的痛點(diǎn)。

首先是合作問題。比如一個(gè)做生物的老師和一個(gè)做 AI 的老師要合作，對(duì)方可能自己的項(xiàng)目都忙不過來(lái)，未必有精力參與，這種情況大量存在。即便合作了，第二個(gè)難題是成果的知識(shí)產(chǎn)權(quán)歸屬。項(xiàng)目做完后，論文誰(shuí)做第一作者，誰(shuí)做通訊作者？直到今天，這依然是高校里難以解決的難題。

搞科學(xué)的人往往認(rèn)為，自己定義了科學(xué)問題、提供了數(shù)據(jù)，理應(yīng)是主導(dǎo)。而做AI的人則認(rèn)為自己提供了關(guān)鍵的工具和方法，也應(yīng)獲得相應(yīng)的認(rèn)可，這個(gè)矛盾很難調(diào)和。

最關(guān)鍵的，對(duì)于參與合作的學(xué)生來(lái)說，完成的交叉學(xué)科學(xué)位論文，由哪個(gè)學(xué)科的學(xué)位委員會(huì)來(lái)評(píng)審和把關(guān)？傳統(tǒng)的學(xué)科體系是分離的，搞數(shù)學(xué)的、化學(xué)的、計(jì)算機(jī)的各有各的委員會(huì)和評(píng)價(jià)標(biāo)準(zhǔn)。一篇交叉學(xué)科的論文，兩邊的評(píng)委可能都看不懂，也找不到合適的評(píng)審人，導(dǎo)致學(xué)生的畢業(yè)和評(píng)價(jià)都面臨困難。

知識(shí)分子：科學(xué)智能學(xué)院的模式，與傳統(tǒng)跨學(xué)科合作相比，有什么不同？

田永鴻：我們推行雙導(dǎo)師制，兩位來(lái)自不同學(xué)科的老師從一開始就有共同的責(zé)任，他們的成果就是培養(yǎng)AI for Science的人才。這樣一來(lái)，合作的意愿問題自然就解決了。兩位導(dǎo)師共同指導(dǎo)一個(gè)學(xué)生，知識(shí)產(chǎn)權(quán)的問題也更容易通過協(xié)商解決，學(xué)生的歸屬是明確的，不必再去爭(zhēng)“一作”或“通訊作者”。

學(xué)院會(huì)設(shè)立專門的交叉學(xué)科學(xué)位評(píng)定分會(huì)，來(lái)負(fù)責(zé)評(píng)審這類跨學(xué)科的論文。這樣從制度上改變了過去那種依賴個(gè)人自學(xué)或零散合作的模式，使得交叉人才的培養(yǎng)能夠系統(tǒng)化、制度化，從而真正推動(dòng)AI for Science的發(fā)展。

知識(shí)分子：您剛才提到了雙導(dǎo)師制，這個(gè)制度在實(shí)際運(yùn)作中是如何分工的？

田永鴻：雙導(dǎo)師制是我們針對(duì)當(dāng)前現(xiàn)實(shí)的一個(gè)核心設(shè)計(jì)。坦白說，現(xiàn)在全球范圍內(nèi)既懂AI又懂Science的科學(xué)家鳳毛麟角，我們很難找到足夠多的單一導(dǎo)師來(lái)培養(yǎng)這樣的學(xué)生。所以，我們采用兩位導(dǎo)師共同指導(dǎo)一個(gè)學(xué)生的模式。這兩位導(dǎo)師最好過去有合作基礎(chǔ)，至少也要有強(qiáng)烈的合作意愿。

在指導(dǎo)過程中，他們的分工是明確的?？茖W(xué)導(dǎo)師負(fù)責(zé)定方向，也就是判斷哪些科學(xué)問題是值得做的、是這個(gè)領(lǐng)域幾十年來(lái)沒解決的難題。AI導(dǎo)師則負(fù)責(zé)定技術(shù)路線，他要分析這個(gè)科學(xué)問題是否能用AI技術(shù)來(lái)加速或解決。

兩者結(jié)合，共同指導(dǎo)學(xué)生。也意味著學(xué)生匯報(bào)工作時(shí)，兩位導(dǎo)師需要同時(shí)參加。這個(gè)制度增加了導(dǎo)師的時(shí)間成本，學(xué)生的學(xué)習(xí)時(shí)間和內(nèi)容也更多，但獨(dú)特的培養(yǎng)和研究經(jīng)歷也會(huì)帶來(lái)更優(yōu)秀的競(jìng)爭(zhēng)力。

知識(shí)分子：談到評(píng)價(jià)，過去有一種說法，交叉學(xué)科在現(xiàn)有的科研評(píng)價(jià)體系里其實(shí)是比較吃虧的。作為一個(gè)新學(xué)院，科學(xué)智能學(xué)院會(huì)如何改革科研評(píng)價(jià)體系，避免被現(xiàn)有體系同化？

田永鴻：科研評(píng)價(jià)是指揮棒，如果指揮棒沒弄好，交叉學(xué)科一定做不好。我們當(dāng)然不可能憑學(xué)院之力徹底解決這個(gè)歷史問題，但我們正面臨一個(gè)很好的改革機(jī)遇?，F(xiàn)在全社會(huì)已經(jīng)認(rèn)識(shí)到，發(fā)展交叉學(xué)科是必須要做的事情，整個(gè)學(xué)術(shù)界對(duì)交叉學(xué)科的包容度也在提高。

在學(xué)院內(nèi)部，我們已經(jīng)有了一些初步的探索。首先，對(duì)于學(xué)生的評(píng)價(jià)，北京大學(xué)專門設(shè)有一個(gè)交叉學(xué)位評(píng)定分會(huì)，我們AI for Science的學(xué)生論文就歸這個(gè)分會(huì)來(lái)評(píng)審。這個(gè)分會(huì)是從交叉學(xué)科的視角來(lái)評(píng)價(jià)學(xué)生的學(xué)位論文。

其次，在教師的科研成果認(rèn)定上。學(xué)院會(huì)在自己的學(xué)科領(lǐng)域內(nèi)，率先認(rèn)可共同第一作者、共同通訊作者具有同等貢獻(xiàn)，在計(jì)算工作量、認(rèn)定成果時(shí)予以同等考量。我們認(rèn)為，在一項(xiàng)AI for Science的研究中，科學(xué)和AI兩個(gè)方面的貢獻(xiàn)是同等重要的。這個(gè)成果是雙方緊密合作才能做得又快又好，必須拋棄傳統(tǒng)的主次之分觀念。

當(dāng)然，我們一所學(xué)院的探索只是局部的。更大范圍的評(píng)價(jià)體系改革，還得靠國(guó)家來(lái)調(diào)整這個(gè)指揮棒。這會(huì)是一個(gè)長(zhǎng)期的過程，不可能一蹴而就，但我們希望通過這樣的探索，慢慢引導(dǎo)形成一種新的、認(rèn)可交叉融合的科研文化。

知識(shí)分子：在課程設(shè)置上，AI會(huì)與哪些學(xué)科交叉？

田永鴻：在課程設(shè)置方面，我們首批設(shè)立的交叉方向主要集中在AI與物理、化學(xué)、生命科學(xué)和材料科學(xué)的融合。當(dāng)然，這只是我們的起點(diǎn)。未來(lái)，AI的應(yīng)用會(huì)滲透到更多理工學(xué)科，如能源、環(huán)境等，甚至?xí)U(kuò)展到人文社科領(lǐng)域。

在我們當(dāng)前的培養(yǎng)體系中，課程設(shè)計(jì)概括為“一體六向”?！耙惑w”指的是所有學(xué)生都要修的公共基礎(chǔ)課程平臺(tái)。這個(gè)平臺(tái)包括三類課程：一是導(dǎo)論課，如《人工智能導(dǎo)論》和《科學(xué)智能導(dǎo)論》；二是計(jì)算與智能課，涵蓋機(jī)器學(xué)習(xí)、科學(xué)計(jì)算和編程；三是交叉基礎(chǔ)課，如《科學(xué)第一性原理》和科學(xué)實(shí)驗(yàn)方法。

在完成這個(gè)“一體”的學(xué)習(xí)后，學(xué)生再根據(jù)自己的興趣和方向，進(jìn)入不同的專業(yè)選修課模塊，也就是所謂的“六向”。例如，選擇AI for Life Science方向的學(xué)生，會(huì)選修計(jì)算生物學(xué)、蛋白質(zhì)組學(xué)、AI藥物設(shè)計(jì)等課程；而AI for Materials方向的學(xué)生，則會(huì)學(xué)習(xí)計(jì)算材料學(xué)、材料模擬等專業(yè)課程。

知識(shí)分子：在具體的平臺(tái)建設(shè)上，學(xué)院如何規(guī)劃“AI for Science”的落地？

田永鴻：AI for Science 的研究與教學(xué)，與傳統(tǒng) AI 有很大不同。傳統(tǒng) AI 培養(yǎng)中，一個(gè)學(xué)生可能有算力平臺(tái)支撐就夠了。但我們不僅需要算力和數(shù)據(jù)，更關(guān)鍵的是要有一個(gè)“干濕閉環(huán)”的實(shí)驗(yàn)平臺(tái)。這里的“干實(shí)驗(yàn)”指 AI 模型的設(shè)計(jì)與計(jì)算，“濕實(shí)驗(yàn)”則是真實(shí)的物理、化學(xué)、生物實(shí)驗(yàn)。我們希望將兩者緊密結(jié)合，讓學(xué)生在校期間就能在這樣的平臺(tái)上訓(xùn)練，掌握新的科研模式。

舉例來(lái)說，假設(shè)要設(shè)計(jì)一種新藥分子，首先會(huì)在計(jì)算機(jī)上用 AI 大模型生成候選分子序列，篩選出最有希望的幾個(gè)，并自動(dòng)生成實(shí)驗(yàn)方案，由自動(dòng)化實(shí)驗(yàn)機(jī)器人執(zhí)行合成與驗(yàn)證。自動(dòng)化設(shè)備不僅提高效率，也降低了 AI 背景學(xué)生操作復(fù)雜實(shí)驗(yàn)的門檻。實(shí)驗(yàn)完成后，數(shù)據(jù)會(huì)自動(dòng)回傳、可視化分析，并反饋給模型，形成高效的自動(dòng)化迭代閉環(huán)。這樣的設(shè)施與環(huán)境，是傳統(tǒng) AI 或傳統(tǒng)實(shí)驗(yàn)室所不具備的。

知識(shí)分子：在數(shù)據(jù)資源和算力共享方面，學(xué)院會(huì)如何推動(dòng)“AI for Science”的基礎(chǔ)設(shè)施建設(shè)？

田永鴻：在建設(shè)這樣的平臺(tái)過程中，我們的目標(biāo)不僅是提供 AI for Science 的科研基礎(chǔ)架構(gòu)，更重要的是推動(dòng)科學(xué)數(shù)據(jù)的共享。長(zhǎng)期以來(lái)，許多科學(xué)家習(xí)慣將自己的數(shù)據(jù)牢牢掌握在手中，結(jié)果就形成了成千上萬(wàn)個(gè)零散孤立的“數(shù)據(jù)孤島”。

但在未來(lái)的大科學(xué)研究中，只有把分散的數(shù)據(jù)匯聚起來(lái)，才能取得真正突破。那些率先收集、整理并共享大科學(xué)數(shù)據(jù)的團(tuán)隊(duì)，將更有機(jī)會(huì)產(chǎn)出重大成果；而堅(jiān)持“數(shù)據(jù)私有化”的模式，則會(huì)大大放慢研究進(jìn)展，甚至難以取得實(shí)質(zhì)性成果。這一趨勢(shì)也會(huì)推動(dòng)科學(xué)界的數(shù)據(jù)共享模式發(fā)生根本變化。

我認(rèn)為這是一個(gè)重大的機(jī)遇。鋪設(shè)這樣的新型設(shè)施，就像建設(shè)高鐵或發(fā)展電動(dòng)汽車一樣，是具有長(zhǎng)遠(yuǎn)價(jià)值的基礎(chǔ)性工作，對(duì)國(guó)家科技發(fā)展意義重大。

知識(shí)分子：學(xué)院地處粵港澳大灣區(qū)，這里有非?；钴S的創(chuàng)新文化和企業(yè)集群。學(xué)院會(huì)如何與產(chǎn)業(yè)界合作？

田永鴻：我們正在和多家企業(yè)探討合作，合作形式可以很多樣，比如共建實(shí)驗(yàn)平臺(tái)，或者采用企業(yè)出題的方式，由企業(yè)提供真實(shí)的產(chǎn)業(yè)疑難，作為我們學(xué)生的實(shí)訓(xùn)課題。而我們的角色，就是把企業(yè)帶來(lái)的這些實(shí)際問題進(jìn)行提煉和升華，剝離掉具體的工程細(xì)節(jié)，找出其中最本質(zhì)的科學(xué)或技術(shù)挑戰(zhàn)，讓我們的師生來(lái)攻克。

知識(shí)分子：現(xiàn)在很多人在討論，AI有沒有可能自主發(fā)現(xiàn)一些新的科學(xué)定律，而不只是在現(xiàn)有框架內(nèi)做一些高效的預(yù)測(cè)和計(jì)算？您對(duì)此有什么看法？

田永鴻：這可以說是AI for Science研究的終極目標(biāo)之一。隨著技術(shù)的發(fā)展，這種可能性是一定會(huì)有的。在當(dāng)前階段，AI的主要作用還是加速科學(xué)發(fā)現(xiàn)。

它體現(xiàn)在“干實(shí)驗(yàn)”環(huán)節(jié)，我們用大模型高效探索合成路徑；也體現(xiàn)在“濕實(shí)驗(yàn)”環(huán)節(jié)，我們用自動(dòng)化機(jī)器人并行做實(shí)驗(yàn)，效率遠(yuǎn)超人工。過去做碳納米管材料，一天可能才能做一組數(shù)據(jù)，現(xiàn)在，機(jī)器人一晚上就能得到十組，而且數(shù)據(jù)重復(fù)性非常高。這種速度本身就對(duì)科研推動(dòng)巨大。

實(shí)際上，AI自主發(fā)現(xiàn)的苗頭已經(jīng)出現(xiàn)。我們下一步就是要讓AI模型通過學(xué)習(xí)海量的科學(xué)數(shù)據(jù)，進(jìn)一步具備提出科學(xué)假設(shè)，甚至對(duì)某些科學(xué)問題進(jìn)行自主探索的能力。我相信這一天的到來(lái)不會(huì)太久。當(dāng)然，要解決像哥德巴赫猜想那樣更深層次、更難的問題，還需要很長(zhǎng)的時(shí)間。