过去一年里，  for Science技术成果集中爆发，在生物医药、材料、物理、化学、甚至数学上发挥出越来越重要的作用，不少学界、业内人士已经看到了在自然科学领域的巨大潜力。

for Science背后的价值到底有些什么？

带着这样的追问，微软研究院科学智能中心亚洲区负责人、微软亚洲研究院副院长 刘铁岩和其带领的团队，进行了不倦追寻。

去年，刘铁岩团队发布了用于分子模拟的 Graphormer模型。在MEET2023智能未来大会上，刘铁岩更是全面介绍了他对于AI4Science的理解，以及AI4Science如何作为科学发现的第五范式，和经验范式、理论范式、计算范式、数据驱动范式互相促进、水乳交融，共同推进科学研究的飞速发展。

为了完整体现刘铁岩的分享及思考，在不改变原意的基础上，量子位对他的演讲内容进行了编辑整理。

关于MEET智能未来大会：MEET大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。今年共有数十家主流媒体及直播平台报道直播了MEET2023大会，吸引了超过300万行业用户线上参会，全网总曝光量累积超过2000万。

演讲要点

• 人工智能还没能反映出人类智能里最光辉的一面—— 认识世界和改造世界 。

• AI for Science值得称为 第五范式 。

• 利用AI手段更深一步的目的是修正对已有物理方程的理解，发现新的科学规律， 实现科学研究的闭环 。

• AI for Science将会 对自然科学产生巨大影响 ，尤其在解释生命奥秘、以及保障环境可持续发展方面。

（以下为刘铁岩演讲全文）

AI for Science：第五范式

最近10年里，AI飞速发展，在很多任务上已经和人类媲美。而且近年来，以GPT-3、DALLE2为代表的大模型让人惊艳。

比如大家现在非常关注的ChatGPT，让我们觉得 通用人工智能离日常生活越来越近。但这些成果主要集中在感知和认知层面，并没有反映出人类智能里最光辉的一面，即认识世界和改造世界。

如果戴上科学的显微镜，就会发现我们之所以成为人类、成为生物，是亿万个细胞、甚至是更多微观粒子相互作用的结果；而如果戴 上科学的望远镜，就会发现我们人类不过是地球上百万物种之一、而地球在苍茫宇宙里也同样是不值一提的沧海一粟。

所以，无论是从微观还是宏观角度看，我们人类自身都是非常渺小的。我们 不应该让AI一味地模拟语音、视觉、语言等人类自身的基本技能，而是要让AI拥有和人类一样认识世界和改造世界的勇气和能力。而认识世界和改造世界正是千百年来，自然科学研究的终极目标。

我在微软的前同事Jim Gray曾经写过一本书，对科学发现四个基本范式做了深刻的总结。

第一个范式叫做 经验范式，基于经验的观察， 是天才科学家对万物万象的总结。比如著名的天文学家开普勒，他通过观察总结出天体运行的规律：“所有的行星围绕太阳运行的轨道都是椭圆的，太阳处在所有椭圆的公共焦点上”。

第二个范式是 理论范式，指数学家 对经验进行数学抽象和推演，比如用于描述经典力学的牛顿运动方程，用来描述电场磁场关系的麦克斯韦尔方程等。

第三个范式是 计算范式，随着计算机的发明，人们开始有能力 求解复杂的物理方程。比如，通过有限元或者有限差分方式求解流体方程，从而有助于人类对于天气预报进行精准预测。

第四个范式是 数据驱动的范式，这个过程中 ML（机器学习）扮演着非常重要的角色，人们使用ML方法来分析数据，寻找规律，并进行预测。

最近这几年，大家开始关注的一种新的范式，叫做 AI for Science，它是前四种范式的有机结合，发挥了经验和理论各自的特长，又把AI和计算科学融合在一起。AI for Science是对科学发现更全面的认知，因此我们称之为科学发现的 第五范式。

为了更好地理解AI for Science，我们可以从如图的公式讲起。

第一、对于物理世界 （绿色的X），我们可以利用理论科学对它进行大体的描述，并且可以用AI的手段来加速这些理论方程的求解和推演。这对应了黄色的X（θ）表示的部分，可以看成AI版本的第三范式。

第二、我们需要承认，我们 在科学方面的知识仍然非常有限，已有的理论还不能完美解释所有的科学现象。换句话说，我们承认物理方程的解X（θ）和实际物理世界X之间存在残差ε，这个残差表达的是现有物理方程的边界，可以用实验手段观察，也可以为AI所利用，这就对应了第四范式。当然，这几年AI领域的新发展，比如RL （强化学习）、DL （深度学习）、大模型等等，会为第四范式提供新的加持。

第三、通过AI手段从数据出发，目的不仅仅是为了发掘一些特定的结果，也可以进一步帮助我们 修正对已有物理方程的理解， 丰富我们的科学知识，让我们有机会发现新的科学规律，这样就最终能够实现科学研究的闭环，这对应了AI版本的第一范式和第二范式。

接下来，我们就针对这三个方面进行更加深入的讨论，并介绍我们团队最新的研究成果。

形成科学发现的闭环

第一，如何用AI 求解物理方程？

传统数值解法求解物理方程的效率是一个瓶颈。近年来，人们开始利用AI模型来对物理方程进行更加高效的求解。AI模型的训练数据可以来源于传统的数值解法，而一旦训练成功，在求解新的方程的时候就可以 节省大量的时间。

此外，近年来还出现了一种 physics informed training，甚至不需要提前生成训练数据，只需要在训练的过程中，动态验证AI模型的输出是否满足物理方程，定义损失函数即可，而验证方程比求解方程简单得多。

在这个方向上，我们团队有一些最新研究成果，如发表在NeurIPS 2021上的 Graphormer模型，和发表在国际期刊《流体物理》上的 Deep Vortex Net，分别在分子建模和气象模拟领域取得了国际领先的结果。

第二，如何用AI从科学数据中发掘有效信息？

各种实验设备每年都产生海量数据，但显然不能靠人工有效处理；还有每年都有近150万篇论文发表，但任何科学家都没有精力读完。

我和团队提出利用AI方法来自动分析高能粒子对撞的射流数据，在国际期刊《High-energy Physics》上提出了 LorentzNet模型，将洛伦兹等变性构建在模型之中，在新粒子发现领域取得了比前人显著提高的精度。

我们还利用科学文献训练了 SPT模型，对科学文献信息的科学知识进行抽取、总结、和预测。该模型近期在PubMed问答任务上首次达到了人类专家的水准。

第三，如何从实验数据出发，用AI发现新的物理方程，形成科学发现的闭环。

比如物理的守恒定律，一旦实验数据不满足守恒性，往往暗示着一些新物理规律的存在。我们团队设计了一个双通道的AI模型，包含 一个基于拉格朗日神经网络的守恒通路和 一个基于标准神经网络的非守恒通路，可精准地从实验数据中自发地学到很多已有规律。该工作发表在Physical Review上，受到了广泛关注。

我们相信AI for Science将会对自然科学产生巨大影响，尤其在解释生命奥秘以及保障环境可持续发展方面，都有很大的潜力。

沿着这两个方面，我们进行了很多探索，发表了一系列非常有意思的论文，如果大家感兴趣可以参考一下。

为了更好地推动AI for Science这个领域高速发展，今年7月，微软研究院在全球成立了一个新的研究机构，我们称之为 Microsoft Research AI4Science或者是 微软研究院科学智能中心。这个研究中心设立的目的就是利用AI对分子动力学模拟、流体力学模拟等重要的科学计算工具来进行颠覆式创新，从而推动人类关心的重大问题的求解。

非常荣幸，我作为这个中心的 创始成员之一，带着团队一起推动AI for Science的研究。我们也真诚地希望怀揣着科学梦想的同事们能够加入我们，一起探索科学的新边界！