实验科学和理论科学是数百年来科学界的两大基础范式，而人工智能正在催生新的科研范式。机器学习能够处理多维、多模态的海量数据，解决复杂场景下的科学难题，带领科学探索抵达过去无法触及的新领域。人工智能不仅将加速科研流程，还将帮助发现新的科学规律。
预计未来三年，人工智能将在应用科学中得到普遍应用，在部分基础科学中开始成为科学家的生产工具。
趋势解读
科学研究是在星辰大海里探索未知，科学发现漫长而偶然，重大突破仰赖大科学家的贡献，牛顿、爱因斯坦、杨振宁等都因此在科学史上留下了自己的名字。但同时，尽管众多科学家不懈投入，科学发展的速度仍受到一定限制。
计算机科学改变科研的路径是从下游逐渐走向上游。起初计算机主要用来做实验数据的分析与归纳。后来科学计算改变了科学实验的方式，人工智能结合高性能计算，在实验成本与难度较高的领域开始用计算机进行实验的模拟，验证科学家的假设，加速科研成果的产出，如核能实验的数字反应堆，能够降低实验成本、提高安全性、减少核废料产生。
近年，人工智能被证明能做科学规律发现， 不仅在应用科学领域，也能在基础科学领域发挥作用，如DeepMind使用人工智能来帮助证明或提出新的数学定理，辅助数学家形成对复杂数学的直觉。
人工智能将成为科学家继计算机之后的新生产工具。一方面，人工智能会带来效率的显著提升，人工智能将伴随科研的全流程，从假设、实验到归纳总结，让科学家不需要像过去一样十年寒窗才能产出科学成果，而是能在一生中保持高产;另一方面，人工智能可以让科学研究逐渐减少对极少数天才的过度依赖，人工智能对科学研究产生猜想，让科学家就其中有意义、有价值的部分进行实验与证明，让更多人能够参与到科学研究中。
人工智能在各科研领域中的应用节奏将有所区别，在数字化程度高、数据积累好、问题已经被清晰定义的领域中将推进地更快，如生命科学领域，AlphaFold2运用生命科学积累的大量数据，通过基因序列预测蛋白质结构，对泛生命科学领域产生了深远的影响。另一方面，在复杂性高、变量因子多的领域，人脑难以归纳总结，机器学习可发挥优势在海量多维的数据中找到科学规律，如流体力学等。
AI对蛋白质三维结构的预测已经实现了突破
但同时，我们也要意识到，人工智能与科研的深度结合仍然需要解决三个挑战。首先是人机交互问题，人工智能与科学家在科研流程上的协作机制与分工需要更加明确，形成紧密的互动关系;其次是人工智能的可解释性，科学家需要明确的因果关系来形成科学理论，人工智能需要更容易被理解，以建立科学与人工智能之间的信任关系;最后是交叉学科人才的培养，专业领域科学家与人工智能专家的相互理解程度低，彼此互相促进的障碍仍然较高。
我们预测在未来的三年内，人工智能技术在应用科学中将得到普遍应用，在部分基础科学中开始成为研究工具。
文章来源：达摩院
（转载）
