从实验室走向市场：深度学习改变科学研究方法｜甲子引力

AI潜力无限，但科学家无可替代。

原标题：从实验室走向市场：深度学习改变科学研究方法｜甲子引力
文章来源：甲子光年
内容字数：16540字

AI赋能科学：机遇、挑战与未来

本文总结了“甲子光年”2024年终盛典上关于《科学智能:AI for Science新范式下的科研变革》的圆桌讨论要点。四位专家从生命科学、化学和投资等不同角度，探讨了AI在科学研究中的应用、机遇、挑战以及未来发展趋势。

1. AI for Science：新范式下的科研变革

AI for Science (AI4S) 并非简单的AI数据挖掘，而是AI与先进实验手段的深度耦合。它经历了两个阶段：第一阶段，AI作为辅助工具加速科学研究；第二阶段，AI成为核心技术，如AlphaFold预测蛋白质结构，引领产业爆发。AI4S的应用已从专业圈扩展到公众领域，更容易向非专业人士解释其工作。

2. AI在不同领域的应用与挑战

(1) 材料科学：深度原理利用AI优化材料设计流程，解决数据不足和尺度放大问题。Science of AI通过物理学规律约束AI输出，提高可解释性，形成数据驱动的闭环。

(2) 冷冻电镜：AI加速冷冻电镜数据分析，更快提取有价值信息，从辅助工具转变为核心技术。鑫研微末利用AI提升冷冻电镜图像处理效率，并提供算法咨询、生物咨询等服务。

(3) 生物制药：AI在靶点发现和药物开发中发挥重要作用，帮助科学家理解生物数据，建立模型验证新药靶点有效性。百图生科利用AI大模型解决生命科学问题，扩展到DNA、RNA、菌种大模型，赋能生物医药和生物制造行业。

(4) 肿瘤免疫治疗：莱芒生物结合AI和免疫代谢重编程技术，优化肿瘤免疫疗法，提高治疗响应率和疗效，降低毒副作用。AI算法帮助解决实体瘤细胞疗法中的问题。

3. AI与Science的比重及未来发展

AI与Science的比重在不同项目和公司中有所不同，并随着时间推移动态变化。在一些项目中，Science（实验）占比高达80%-90%，而在另一些项目中，AI占比则更高。未来五年，AI在AI for Science中的比重预计将显著提升，但Science在基础研究和实验验证方面仍不可替代。AI将成为科学家的强大助手，加速科研进程，但科学家的创造性和判断力依然至关重要。

4. AI for Science的落地方向与挑战

AI for Science最快落地的方向包括：蛋白设计、药物设计、生物制造等领域。这些领域拥有大量高质量数据，AI模型预测精度较高。然而，挑战依然存在，例如数据质量不足、跨物种预测困难、临床层面预测的局限性等。解决这些问题需要积累更多高质量数据，并发展更先进的AI模型和技术。

5. 未来科学家的画像

未来的科学家将更加依赖AI工具，AI将成为科学家的贴身助手，承担文献调研、数据分析等繁琐工作。科学家将更多地关注科学问题的提出、实验设计、结果解释和验证等方面，发挥人类的创造力和判断力。

联系作者

文章来源：甲子光年
作者微信：
作者简介：甲子光年是一家科技智库，包含智库、社群、企业服务版块，立足中国科技创新前沿阵地，动态跟踪头部科技企业发展和传统产业技术升级案例，推动人工智能、大数据、物联网、云计算、新能源、新材料、信息安全、大健康等科技创新在产业中的应用与落地。