今后，AI for Science 有望实现全基因组水平定制化工厂的设想，完成实验室的小规模理性化设计到大规模制备工艺的生产，甚至有可能实现从底层对于微生物系统的模拟搭建到宏观的海洋系统甚至生态系统的模拟，真正推演出类似“蝴蝶效应”的过程。
图｜AI for Science 推动材料研发范式不断演进（来源：2023 版《AI4S 全球发展观察与展望》）
材料科学领域，从原子和分子出发，根据需求优化和设计创新材料，这是一个综合了物理、化学、工程学等的跨学科领域，然而，现阶段新材料研发主要依靠大量的实验试错，费时费力。AI for Science 可以从第一性原理出发，预测材料成分分布和微观结构的多尺度特征，并整合现有材料的数据库、专家知识和人工智能方法，将计算和实验结合可以缩小材料创新的搜索空间，加速材料创新进程，目前研究人员已成功利用 AI for Science 方法进行了关键问题的攻坚。
半导体领域，半导体技术是信息时代的基础，未来发展已形成了两条不同的路线：一条是为了解决随着器件尺度不断减小、新制程的开发愈发困难的现状；另一条是开发除硅基半导体之外的新材料体系和工艺路线。在这里，AI for Science 一方面可通过对微尺度的高效高精度建模，助力相关新材料和器件体系的开发和应用，并通过工艺仿真、预测、搜索优化流程为工艺的改进提供助力；另一方面，可借助高性能计算、物理建模和机器学习相结合的方式通过仿真模拟等手段对半导体材料的工艺进行模拟，加速工艺的商业化应用，此外，在化学抛光等方面也可以结合高通量实验发掘最有效的抛光液材料。
除此之外，《展望》还列举了 AI for Science 一系列应用案例以及产业方观点。比如，宁德时代利用 AI 来研究锂金属负极和钙钛矿相变等问题，使用了深度势能与先进表征结合来研究这些材料的分子细节，从而能够在分子层面理解材料性能的变化，为材料设计和优化提供了理论指导，同时这种研究方法也大幅提高了研究效率。
再比如，英矽智能基于生成对抗网络、深度强化学习、预训练模型及其他机器学习技术，构建高效的 AI 药物研发平台 Pharma.AI，并成功开发出临床前候选化合物 ISM001-055，这是全球首个由 AI 发现具有全新靶点和全新分子结构的候选药物，也是该靶点目前唯一一个临床阶段的在研管线，是真正意义上的“first in class”药物。
产业方观点，在清流资本看来，投资像 AI for Science 这样的前沿科学领域是一种“双赢”策略。就社会角度而言，这些投资为人类解决重大科学问题、推动科技进步，提供了强大的动力；就经济角度而言，新技术和新科学往往带来范式的转变，创新了产品和服务，颠覆了既有的市场，为投资者带来了巨大的商业价值和金融回报。
图｜AI 和科学数据、科学计算发展历程（来源：AISI & DP Technology）
从生命的基本组成（蛋白质），到世界工业的基本要素（材料），再到各个科学技术领域，AI for Science 不仅是解决具体问题的有力工具，更是重新定义科学问题的系统性思路。
《展望》指出，AI for Science 的巨大想象空间存在于如何更好地利用 AI 算法将科学计算和物理模型相连接，进而指导科学和产业创新，AI 的力量在于其具有解决复杂问题，从而推动科学研究和技术发展的巨大潜力，此时，科研的瓶颈就不仅是“如何解决问题”，也是“如何定义问题，如何选择工具” 。
因此，对问题的深刻认识是解决问题的第一步。AI for Science 算法的原始创新，不仅来自日新月异的 AI 模型，更来自科学家们对具体科学挑战的剖析、拆解、分诊，如此才能最大化 AI 在科学领域的效能。
在 AI 时代，成功往往是毅力、探索以及投入资源实现长期目标的结果，AI 在科学中取得有意义突破的路径通常是间接和不可预测的，这需要塑造其未来的人理解并接受这一长期旅程的本质。
例如，作为 AI 基础设施领域的先驱，NVIDIA 的图形处理器（GPU）已成为全球机器学习和深度学习框架的重要组成部分，然而 NVIDIA 在 AI 领域的旅程却始于电子游戏这一完全不同的领域，通过不断推动图形处理的极限以满足日益增长的游戏行业需求，NVIDIA 无意中为如今的 GPU 加速 AI 打下了基础；此外，AI for Science 领域的先驱者 DeepMind 和 OpenAI 也并非是在一夜之间取得了令人瞩目的成就。
这些例子凸显了 AI 发展和实施科学进步的一个重要方面，即政策制定者和资本配置者都需要长期视角，只有两者的长期承诺才能实现 AI 在推动科学突破方面的变革潜力，正如谚语“罗马不是一天建成的”，见证的这场 AI for Science 驱动的科学技术革命亦是如此。
结语
