从国际实践看我国人工智能如何赋能科学研究

  作者：夏义堃 田聪 南京大学数据管理创新研究中心

  人工智能赋能科学研究（AI for Science，AI4S）是推动科研范式变革、提升国家创新能力的重要力量。当前，美国、英国、欧盟等国家和地区纷纷将人工智能赋能科学突破作为科技战略布局的重要方向。围绕重大科学问题统筹科研资源、组织研究力量，成为主要国家和地区推进AI4S建设的共同取向。人工智能与科学研究的深度融合，对科学数据的积累利用、科研基础设施的运行服务和科研人才的培养协作提出了新的要求，推动科研能力建设向更加系统、协同的方向发展。

  将科技资源和产业场景优势转化为适应人工智能环境的科研能力，是我国当前推进人工智能赋能科学研究的重要着力点。国务院印发的《关于深入实施“人工智能+”行动的意见》将“人工智能＋”科学技术列为六项重点行动之首，明确提出加快探索人工智能驱动的新型科研范式，加速“从０到１”重大科学发现进程。立足我国科研基础设施和产业应用场景的有利条件，深刻把握科研范式变革对资源配置和科研组织提出的新要求，以重大科技任务为牵引推动资源的长期积累与协同利用，促进科研条件建设与人才队伍成长相互支撑，对于夯实人工智能赋能科学研究的发展基础、增强原始创新能力具有重要意义。

  以全生命周期治理提升高质量科学数据供给能力

  第一，加强科研数据的持续采集与规范留存。将科学数据建设纳入相关科研项目的任务安排，明确采集、记录和交付要求，推动数据生产与模型研发、实验验证同步开展。科研活动中形成的原始数据和过程记录，是专业领域高质量科学数据的重要来源。英国研究与创新署计划与大型数据机构合作开展科研“暗数据”采集试点，重点收集大型数据集中较少收录的实验负结果、实验设置等信息，将尚未充分利用的科研记录转化为支撑模型训练与科学验证的数据资源。我国可结合不同专业领域特色，明确具有长期保存和再利用价值的科研过程数据及其记录要求，持续积累需要长期观测、精密测量或复杂实验采集，且难以再次获取的科学数据；并通过科研项目汇交与专业平台接续维护，落实数据保存责任，为后续研究复核实验结果、整合不同项目的数据提供基础。

  第二，加强科学数据的规范治理与关联开发。依托专业数据平台开展质量审核、标准化整理和关联开发，提高科研数据的可用性。AI4S通常需要联合分析实验、观测和数值模拟等不同科学领域的多源数据，统一的数据标准和处理规则对联合开展模型研发与科学验证至关重要。为了提高不同科学数据集之间的互操作性，欧盟RAISE计划在人工智能工厂内设立单独数据实验室，对来自欧洲开放科学云等渠道的数据按共同规范进行清理、整理和关联，为研究人员在同一项研究中比较和联合分析不同来源的数据提供条件。我国可依托现有科学数据中心和领域平台，组织领域科学家、人工智能研究人员和数据管理人员共同制定统一科学数据质量标准与描述规范，推动不同机构和项目形成的数据按共同规范开展关联开发，将跨项目数据复用纳入专业平台的常态化服务，为科研团队联合开展模型研发和科学验证提供持续支撑。

  以一体化协同运营提升科研基础设施综合服务能力

  第一，完善科研基础设施开放共享与资源配置机制。统筹实验设施、计算平台和数据服务的开放安排，根据科研任务的性质和研究阶段配置资源。AI4S同时包括小规模探索和需要长期占用算力、反复开展实验的重难科技任务，两者所需的资源规模、使用周期和服务保障各有不同。为使公共算力能够并行支持前期探索和较大规模的研究，英国人工智能研究资源计划将不同高校运营的超级计算机纳入公共算力服务体系，为初次使用超算、开展算法测试和验证研究流程的团队开设申请通道，专门为周期较长、计算需求较大的项目配置算力资源。当前，我国已进行了按需开放科研设施、分配实验机时等相关探索，可进一步将资源配置纳入项目管理安排，由任务组织方与设施运行单位共同评估研究需求和资源供给，合理确定各项任务的保障顺序、配置规模和服务周期，统筹安排实验机时、算力、数据、模型服务，并结合研究进展和实际使用情况增补、调剂资源，使不同设施的服务在同一科研任务中有序衔接。

  第二，健全科研基础设施联合运营与服务保障机制。AI4S要求科学计算、模型研发、实验验证等环节更加紧密地衔接。应推动现有科研设施由单项资源供给向围绕科研任务的联合运营与协同服务转变。美国“创世纪任务”中集中部署建设美国科学与安全平台，由能源部统筹组织高性能计算、科学数据、模型工具和实验设施，旨在建设贯通科学计算、模型研发与实验验证的国家级科研基础设施。我国目前在中国科学院启动的科学前沿极限突破计划等先行探索中，已初步尝试将重大科技基础设施开放联用与人工智能赋能科研相结合。在此基础上，可进一步探索围绕重大科技任务开展联合运营的方式，将跨设施服务纳入运行保障和评价，引导不同设施建立稳定的协作关系，为科学计算、模型研发和实验验证提供贯通全程的服务。

  以跨领域科研工程实践加强合作网络与人才队伍建设

  第一，营造跨领域交叉科研合作健康生态。推动高校与科研院所面向不同学科、不同机构开放交叉研究平台，将学术交流、人员互访和联合探索纳入常态化支持范围，为科研人员共同凝练科学问题、自主选择合作伙伴创造条件。为广泛吸纳AI4S所需的专业理论，欧盟在科研人工智能主题卓越网络的资助安排中，将共同制定研究议程与人员交流、资源共享相结合，并通过开放遴选向网络外的研究机构提供资助，使核心团队的联合研究与更广泛的科研合作相衔接。我国可在已有跨机构联合攻关和开源协作的基础上，进一步支持高校、科研院所和企业自主提出研究议题、联合开展前期探索，对具有发展潜力的合作给予接续支持，并为外部团队参与研究、贡献专长保留开放渠道。推动合作单位衔接科研评价与成果认定规则，合理认定科学问题提出、研究方法创新和工程技术实现等不同贡献，将跨领域合作成效纳入人才评价和团队考核，支持科研人员持续开展交叉研究。

  第二，探索科研工程能力人才长期培养模式。将智能科研工程实践能力纳入人才培养体系，依托长期科技任务和公共平台，培养能够同时承担科研软件开发、数据库建设、实验系统搭建等专业多项技能的科技人才队伍。AI4S要求构建科学问题、实验设计、模型预测与实验验证的任务闭环，主导科研人员需要具备综合运用数据、模型、科研软件和实验设备的工程能力。英国《人工智能促进科学战略》提出长期支持科研技术人员网络建设，完善科研软件工程师、数据科学家等专业人员的职业发展通道，使专业能力培养与职业发展相衔接，让科研技术人员在持续参与科研、解决实际科学问题的过程中积累工程经验。我国可探索高校、科研院所和企业联合培养的方式，通过驻岗培养、跨项目联合培养等方式，提高科研人员在科研实践中独立承担科研工程任务的能力。鼓励高校和科研院所根据长期科研任务和公共平台的运行需要设置专业岗位，为科研工具和实验系统的持续开发与应用提供稳定的人才支撑。

　　策划：赵刚

　　整理：赵艳艳