AI發(fā)展七十余年，每一技術(shù)性突破都將給人類未來開辟新一種可能性。而它與科學研究的深度融合，則會裂變出無數(shù)或無窮種可能性。

萬眾矚目下，今年10月，有著諾貝爾獎“嫡傳”之稱的諾貝爾化學獎終于揭曉，授予了對“鏈接化學和生物正交化學的發(fā)展作出了貢獻”的三位化學家，他們分別是美國化學家Carolyn R. Bertozzi、丹麥化學家Morten Meldal、美國化學家K. Barry Sharpless。

實際上，靴子落地前，關于這一獎項到底花落誰家引起了無數(shù)熱議。其中國際化學領域權(quán)威期刊《Chemical Reviews》就曾對該獎獲得者進行了讀者投票預測，帶領DeepMind團隊開發(fā)出能夠精準預測蛋白質(zhì)結(jié)構(gòu)的AlphaFold 2的John Jumper獲得了最高票數(shù)。

盡管由于“時間問題”，最終John Jumper并未折桂，但在此之前，John Jumper團隊已成功拿到了另一個堪稱“豪華版諾貝爾獎”“科學界的奧斯卡”的獎項——2023年生命科學突破獎（Breakthrough Prize in Life Sciences），這是迄今科研領域里獎金最高的生物學及醫(yī)學獎項。

為何John Jumper及其領導開發(fā)的AlphaFold會收獲如此多的青睞？主要原因在于，AlphaFold的誕生解決了困擾生物學界半個多世紀的經(jīng)典難題，即1972年諾貝爾化學獎得主Christian Anfinsen提出的蛋白折疊問題（Protein Folding Problem）——“蛋白質(zhì)的氨基酸序列應該能完全決定其結(jié)構(gòu)”。

John Jumper團隊開創(chuàng)性地利用人工智能技術(shù)，終于破解了這一著名猜想，不僅讓蛋白質(zhì)結(jié)構(gòu)預測的研究走入一個新階段，也將人們對“AI for Science（科學智能）”的關注推向高潮。

簡單來說，AI for Science就是讓人工智能利用自身強大的數(shù)據(jù)歸納和分析能力去學習科學規(guī)律和原理，得出模型來解決實際的科研問題，特別是輔助科學家在不同的假設條件下進行大量重復的驗證和試錯，從而大大加速科研探索的進程，如今這一方法已在多個前沿科學領域中取得了顯著的成果。

與大家此前耳熟能詳且觸手可及的人工智能應用相比，AI for Science所涉及的生物制藥、能源、材料研發(fā)等科研領域盡管離大眾生活看似遙遠，但其背后的共同之處在于，利用人工智能來“解放”生產(chǎn)力——讓人們能夠從許多重復性、機械化的基礎工作中釋放出來，在人工智能的輔助下進行更高效的生產(chǎn)工作。這正是人工智能的價值和魅力所在。

AI for Science：用人工智能催化一場新的“科學革命”

讓我們回到AlphaFold，從解析蛋白質(zhì)的技術(shù)演進，來觀察AI的加入到底能給科研帶來怎樣的顛覆。

作為生命的物質(zhì)基礎，蛋白質(zhì)與生命及各種生命活動有著極其緊密的聯(lián)系，包括人體所有疾病的發(fā)生幾乎都與蛋白質(zhì)功能異常有關。換句話說，如果能人為地激發(fā)或抑制蛋白靶標，“控制”蛋白質(zhì)的結(jié)構(gòu)和功能，就能夠大大加速對疑難雜癥的靶向藥物和高效療法的研發(fā)。

在過去，生物學家們曾廣泛使用X射線衍射、冷凍電子顯微鏡等實驗技術(shù)來破譯蛋白質(zhì)的三維結(jié)構(gòu)，這類方法耗時長且成本高。因此從1994年開始，多支科研團隊在兩年一屆的國際蛋白質(zhì)結(jié)構(gòu)預測競賽（CASP，Critical Assessment of protein Structure Prediction）上施展拳腳，并由此催生了I-TESSER、RaptorX、RoseTTAFold等蛋白質(zhì)結(jié)構(gòu)預測模型。

但是問題也隨之而來，這些大部分用計算機基于理論預測的蛋白質(zhì)結(jié)構(gòu)模型，其實與實際觀測到的實驗數(shù)據(jù)相去甚遠，正確率不足40%。其后續(xù)發(fā)展需要持續(xù)提高預測模型的精度，以無限縮小預測結(jié)構(gòu)和實驗誤差。

不僅如此，從蛋白質(zhì)結(jié)構(gòu)預測推進到藥物研發(fā)環(huán)節(jié)，不同藥物設計方法的原理和應用場景也有著極大差異。例如在制藥流程中，從前端的靶點發(fā)現(xiàn)、先導化合物的篩選優(yōu)化，再到后期ADMET預測、甚至臨床效果預測等多個環(huán)節(jié)，都面臨著獨特的技術(shù)挑戰(zhàn)。在這個過程中，研究人員必須要進行高通量的重復性實驗，甚至要花費多年的時間，驗證次數(shù)也高達數(shù)百萬次。

而今，回看這個半世紀以來令無數(shù)學者著迷卻又難以跨越的難題，不過是科研領域延綿壁壘中的冰山一角。而成熟的AI技術(shù)與科研領域及多學科交叉融合誕生的“AI for Science”，無疑給這個難題以及人類在科學無人區(qū)的更多探索帶來了全新的可能性。

從2020年開始，AI for Science進入了集中爆發(fā)的發(fā)展階段，其中就包括了AlphaFold項目，其最新成果——由DeepMind在2021年發(fā)布的AlphaFold 2，已能成功預測98.5%的人類蛋白質(zhì)三維結(jié)構(gòu)，且預測結(jié)果與大部分蛋白質(zhì)的真實結(jié)構(gòu)只相差一個原子的寬度，可達到以往通過冷凍電子顯微鏡等復雜實驗觀察預測的水平。

類似于生命科學領域，分子動力學領域也出現(xiàn)了影響力同樣顯著的DeePMD-kit項目，其通過利用機器學習、高性能計算技術(shù)與物理建模相結(jié)合，能夠?qū)⒎肿觿恿W的極限提升至10億原子規(guī)模，同時保持高精度，大大解決了傳統(tǒng)分子動力學中“快而不準”、“準而不快”的難題。

還有在氣象預測領域，基于新型算子學習的神經(jīng)網(wǎng)絡模型FourCastNet，能夠?qū)⑻鞖忸A報提速45000倍；在工業(yè)領域的流體、結(jié)構(gòu)等PDE方程求解方面，也已證實基于數(shù)據(jù)+物理機理融合的AI方法，是解決復雜高維物理問題的突破口……

一言以蔽之，無論是今年爆火的AI繪畫、AI對話模型ChatGPT等AI應用，亦或是大量AI for Science領域的項目案例，都足以證明AI正在為各個行業(yè)、領域帶來了一場范式革新。但AI for Science更重要的意義在于，其對前沿科研所施加的加速作用，將對人類社會和經(jīng)濟發(fā)展有著更為基礎，也更為深遠的影響。

而且，AI for Science的應用也不僅僅局限于依據(jù)已知科學原理來高效驗證或試錯，它也讓更多科研人員能夠基于AI在更復雜的場景中做探索，結(jié)合數(shù)據(jù)反推復雜場景下更為準確的物理規(guī)律。

毫不夸張地說，人工智能將成為科學家繼計算機之后的全新生產(chǎn)工具，同時也正在催化一場新的“科學革命”。

跨越落地壁壘，從深度學習框架出發(fā)

但從暢想回歸現(xiàn)實，人工智能行業(yè)想要獲得長足發(fā)展，真正成為人類新的生產(chǎn)工具，必然要跨過落地這道關卡。而AI for Science所具備的全面、深層次革新價值，亦讓它面臨遠高于人們常見AI應用的落地壁壘。

主要原因在于，AI for Science的落地應用需要大量的工業(yè)場景數(shù)據(jù)支持，以及合理的科學機理等效，而且高維、海量的數(shù)據(jù)也對算力和內(nèi)存提出了更高的要求?？偟膩砜?，目前AI for Science落地應用的最大壁壘主要體現(xiàn)在數(shù)據(jù)、平臺技術(shù)、軟硬協(xié)同、領域求解能力和優(yōu)秀研發(fā)生態(tài)上。

從數(shù)據(jù)角度，工業(yè)場景的數(shù)據(jù)維度高、格式繁雜且存在孤島現(xiàn)象，同時由于隱私和法律上的一些限制，部分數(shù)據(jù)很難實現(xiàn)公開共享。因此如何高效治理這些多特征、多來源的數(shù)據(jù)，解決小樣本、零樣本數(shù)據(jù)建模，是當前AI在科研領域落地的基礎。

從軟硬件協(xié)同角度，AI for Science的發(fā)展既離不開深度學習框架的支持，也無法脫離底層高性能硬件的支撐。一方面，AI for Science需要更加科學地求解真實物理問題，如高階PDE方程組的求解，以及數(shù)據(jù)+物理機理驅(qū)動的模型開發(fā)。另一方面，傳統(tǒng)的科學計算中心已廣泛支持各類科研任務，在其持續(xù)增加智能計算硬件能力的同時，也需要科學計算/智算硬件與AI開發(fā)框架深度整合，支持各類新型AI for Science計算場景并達到性能領先。

從研發(fā)生態(tài)角度，AI for Science作為一個充分體現(xiàn)交叉學科的新興科研范式，涉及生物學、分子動力學、計算流體力學、固體力學等學科，需要大量的跨領域科研人才，且不斷擴展的開源生態(tài)庫要與傳統(tǒng)數(shù)據(jù)集模擬軟件、數(shù)據(jù)集打通，才能滿足研發(fā)人員對開發(fā)工具鏈的需求，逐步形成穩(wěn)定且優(yōu)質(zhì)的科研生態(tài)。

為了跨越這些壁壘，拉低AI for Science的應用門檻，產(chǎn)、學、研各界的科學家、企業(yè)們都開始踏上了AI for Science的范式革新+普惠之路。

在深度學習框架領域，國外如TensorFlow、PyTorch、MXNet等AI框架，自誕生以來就一直在幫助眾多科學家和工程師進行學術(shù)研究及工程實現(xiàn)，大大促進了AI領域的發(fā)展。作為國內(nèi)AI領域的先行者，百度也憑借百度飛槳（PaddlePaddle）從2016年打響國產(chǎn)AI框架開源第一槍，并一路朝著全面AI技術(shù)布局演進。如今，飛槳平臺已能夠?qū)Ω黝愑布崿F(xiàn)廣泛適配，并能直接部署到大規(guī)模的科學計算集群，與已有的科學計算生態(tài)緊密融合，強力支撐AI for Science方案的部署與應用。

同樣在2016年，向輝也開始在百度接觸AI行業(yè)，隨后親身經(jīng)歷了AI在計算機視覺、自然語言處理、推薦等領域的技術(shù)應用與快速更迭，如今她已成為百度飛槳AI for Science產(chǎn)品負責人。

向輝在接受36氪專訪時談到，面對AI for Science的落地挑戰(zhàn)，百度飛槳認為核心要解決的是構(gòu)建一個通用化的深度學習平臺，能夠銜接下游的各種異構(gòu)算力，提供支持科學計算問題求解的API，以及編譯加速機制等，以更好支撐典型的科學計算場景建設和分析，如支持氣象預測、流體仿真、材料發(fā)現(xiàn)等領域問題。“同時也要建設可持續(xù)的、融合科研、科學計算、平臺以及終端用戶的開放生態(tài)?！彼f。

為讓不同領域的科學工作者都可以靈活地使用當下熱門的科研模型，早在2019年，百度飛槳就已開始嘗試在AI for Science領域進行技術(shù)形態(tài)、產(chǎn)品路線等規(guī)劃，并在2020年初至2021年底相繼發(fā)布了生物計算平臺“螺旋槳PaddleHelix”、量子計算平臺“量槳PaddleQuantum”，以及面向流體、固體、電磁等領域的科學計算平臺“賽槳PaddleScience”。

此外，百度飛槳還提供了PINN、FNO、DeepONet等主流模型，以及用戶可直接復用的標準案例，如CFD中障礙物繞流、渦激振動、達西流等。

百度飛槳還支持基于組件進行定制化的問題復現(xiàn)與分析，支持數(shù)據(jù)驅(qū)動以及與物理機理相結(jié)合的多種方法，分別在物理仿真、化合物分子表征、量子糾纏處理等場景有了突破性的進展。

其中，為了更好地服務廣大科學計算用戶對各類PDE方程的求解需求，百度飛槳也在積極實現(xiàn)與優(yōu)秀科學計算Repo-DeepXDE的全量模型支撐，目前已初步完成所有模型的精度對齊工作，并在百度飛槳最新的高階自動微分機制、自動化的分布式策略以及編譯加速機制等加持下，部分用例的求解效率已領先同類產(chǎn)品。

為進一步推動AI for Science的落地進程，百度飛槳還與多家高校、科研機構(gòu)等開展了流體、材料、生物等方面的范例建設，并形成了一些開放性的、多學科交叉的生態(tài)社區(qū)。今年5月還推出了“飛槳AI for Science共創(chuàng)計劃”，希望通過與各方一道進行技術(shù)聯(lián)合開發(fā)、推廣資源共享，共建生態(tài)商機。

回想這些社區(qū)的發(fā)展經(jīng)歷，向輝對不少學生團隊的項目記憶猶新。她回憶，其中北航有一個學生團隊開展了一個真空羽流模擬實驗，實驗本身需要在真空條件下，無法在地面上復現(xiàn)，但通過飛槳AI for Science的產(chǎn)品，團隊繁衍出了玻爾茲曼方程的一些系數(shù)，最終達到了令人驚艷的效果。“這些案例都已證明，在某些場景中，百度飛槳的AI for Science能夠一定程度地解決開發(fā)者們的科研問題?！毕蜉x說。

一路發(fā)展至今，百度飛槳AI for Science工具集已能支持AI方法與基礎學科方法交叉融合，最大的特點在于能突破基礎學科中“基于數(shù)值計算求解控制方程”面臨的維數(shù)高、時間長、跨尺度、算力不足等挑戰(zhàn)，將數(shù)值差分等效為“基于數(shù)據(jù)、物理機理驅(qū)動的神經(jīng)網(wǎng)絡模型實現(xiàn)”。

開辟AI for Science賽道，對百度飛槳來說無疑是AI能力的又一次挑戰(zhàn)和躍升。在大幅加速科學問題求解的同時，它也將為行業(yè)在探索更多未知科學問題的路上深踩油門。

平臺之下，底層算力賦能軟硬協(xié)同發(fā)展

正如前文所說，AI for Science的科學問題加速求解和產(chǎn)業(yè)落地，不僅需要框架或軟件平臺層面的支持，亦需要基礎設施提供強大算力和軟件優(yōu)化能力。

面向科學計算領域，有大量芯片廠商在圍繞如何提高AI算力，加速AI應用落地做相應布局。而英特爾正是這一賽道中頗具代表性的領軍企業(yè)之一，其一直以來都在致力于“讓AI無處不在”。

在英特爾人工智能架構(gòu)師楊威與36氪的訪談中，他從一家芯片企業(yè)的角度出發(fā)，針對AI for Science這一領域給我們帶來了不一樣的視角和觀點。

楊威認為，AI for Science普及的主要難點卡在如何降低AI硬件的成本，以及要有易于上手的AI軟件優(yōu)化工具。

他強調(diào)：英特爾從第二代至強可擴展處理器開始，實現(xiàn)了CPU內(nèi)置的AI加速。通過AVX-512和DL Boost等AI加速技術(shù)，讓“用CPU跑AI”成為了可能。此舉的意義，在于能夠充分激活和利用部署更廣泛且成本優(yōu)勢更明顯的CPU的算力，在輸出絕大多數(shù)應用所需的通用算力的同時，還能通過對AI推理的加速推進AI應用的落地。同時英特爾還向公眾開源，即免費提供各種AI軟件優(yōu)化工具，包括oneAPI、OpenVINO等，這些軟件的技術(shù)門檻與使用難度較低，且能幫助用戶釋放至強CPU的AI加速能力。

此外，考慮到AI for Science領域的模型或相似變體對內(nèi)存的消耗非常敏感，且對大內(nèi)存應用來說CPU平臺的計算資源通常會更具優(yōu)勢，英特爾還有的放矢地的進一步強化了這方面的能力——其與至強CPU搭檔的英特爾傲騰持久內(nèi)存，能提供遠超主流DRAM的容量，更容易達成TB級內(nèi)存配置并擁有接近DRAM的性能。也就是說，它能夠在盡可能降低科學計算模型在整個鏈路上時延的同時，突破限制AI for Science應用的內(nèi)存容量瓶頸。

雖然在現(xiàn)階段，英特爾針對AI for Science等AI應用的核心硬件布局是以CPU為主，加速的應用類型也是以推理為主，但這只是其在XPU時代擴展AI產(chǎn)品組合的第一步。在英特爾的“XPU愿景”里，隨著未來數(shù)據(jù)類型和應用類型的高速增長和裂變，其底層硬件架構(gòu)也將從CPU拓展到CPU與GPU、FPGA和AISC加速器俱全的XPU架構(gòu)。

基于這一策略，英特爾2023年不但會推出代號為Sapphire Rapids的第四代至強可擴展處理器，還會發(fā)布可與這款CPU搭配，專攻科學計算及AI加速的、代號為Ponte Vecchio的數(shù)據(jù)中心GPU產(chǎn)品，并由此形成在AI推理上以高性價比、易獲取和使用的CPU為主，在AI訓練上則以GPU為主的更完善布局。而且這種XPU組合還可借助oneAPI工具包實現(xiàn)對異構(gòu)硬件的統(tǒng)一編程和管理，具有靈活調(diào)配、無縫協(xié)作和高效易用等特點。

依托上述產(chǎn)品組合已經(jīng)或即將帶來的強大算力支持，英特爾從硬件到軟件多維度地為AI for Science提供了優(yōu)化，力求讓更多科研人員可以親自參與到開發(fā)和定制當中，并實現(xiàn)科學智能的真正普及。在其持續(xù)的努力下，如今已有許多合作伙伴實現(xiàn)了產(chǎn)品落地。

例如在AI小分子藥物設計領域，英特爾與劑泰生物合作，在小分子藥物優(yōu)化方面實現(xiàn)了高通量的分子生成，有望在更大的化學空間中探索更多潛在的候選分子。在大分子藥物設計領域，英特爾則與百度飛槳、晶泰科技、上海交大等各大機構(gòu)和高校進行了深入合作，基于AlphaFold 2實現(xiàn)了高通量和長序列蛋白結(jié)構(gòu)預測推理的優(yōu)化，并在AlphaFold 2中引入了TB級內(nèi)存技術(shù)，總體達到了降本增效。

其中，英特爾與百度飛槳也早在2017年就開始了以軟硬件協(xié)同優(yōu)勢為主的合作。隨著雙方在AI領域的持續(xù)布局，合作的廣度和深度也在不斷提升。例如，英特爾和百度飛槳致力于實現(xiàn)英特爾全棧軟硬件和飛槳的相互支持，通過oneAPI實現(xiàn)深度適配與性能優(yōu)化，并通過飛槳+OpenVINO等方式共建部署生態(tài)。

有意思的是，如今百度飛槳與英特爾在AI for Science領域達成合作，不僅與這些前序的合作有關，也與開發(fā)者生態(tài)有著千絲萬縷的關系。

長期以來，百度飛槳都在積極發(fā)展開發(fā)者生態(tài)，如建設飛槳特殊興趣小組（PPSIG），希望通過開放的社區(qū)形式與全球開發(fā)者共同構(gòu)建一個開放、多元和架構(gòu)包容的生態(tài)體系。而英特爾的一位專家正巧是PPSIG-科學計算Science小組最早期的成員，曾積極參與了PaddlePaddle科學計算開源社區(qū)建設，并且對分子動力學模擬在生物蛋白分子和能源材料的應用產(chǎn)生了濃厚興趣。

在這個契機下，雙方在AI for Science的合作也水到渠成。從2022年3月起，百度飛槳與英特爾結(jié)合各自實際，經(jīng)過多次討論交流，最終確定了任務方向與合作內(nèi)容，共同開展AI for Science在分子動力學和生命科學領域的實質(zhì)性工作，并取得了一系列成果，包括：百度飛槳實現(xiàn)了國內(nèi)首個完成與傳統(tǒng)分子動力學軟件LAMMPS以及AI勢函數(shù)訓練軟件DeepMD-kit融合工作的AI深度學習框架，并基于英特爾oneAPI實現(xiàn)了從訓練到推理全流程打通的“0到1”式突破性進展；百度Helix Fold模型基于至強平臺的AVX-512、oneDNN和大內(nèi)存能力進行優(yōu)化，不但實現(xiàn)了性能的顯著提升，還可輕松預測推理長度超過4000，即超長序列的蛋白質(zhì)結(jié)構(gòu)。

結(jié)語：AI for Science的普惠之路，臨界點已近

一個是在深度學習領域深耕多年，已成長為國內(nèi)開源AI框架一哥的百度飛槳，一個是科學計算領域Top級玩家英特爾，雙方正依托各自優(yōu)勢產(chǎn)品和對AI領域的持續(xù)布局，以靈活多樣的“組合拳”不斷拉低AI for Science的應用門檻，共同朝著“讓AI無處不在，更加普惠千行百業(yè)”以及“讓合作貫穿產(chǎn)、學、研，助AI for Science打通理論、實驗和產(chǎn)業(yè)應用道路”的目標持續(xù)推進。

站在這個關鍵的時間節(jié)點，我們再次回溯AI發(fā)展的七十余年，或能更清晰地看到，它在每一個發(fā)展階段的爆發(fā)，都在歷史長河中砸出了創(chuàng)新的波紋，這些波紋終于在今天疊加成推動產(chǎn)業(yè)變革的巨浪。正如今天的AI for Science，就正在一浪又一浪地驅(qū)動著科研沖擊范式革新的臨界點，身處其中的每一個參與者，都在抑制不住地暢想這種沖擊成功后將為人類未來開辟的可能性。

畢竟，這將是如核裂變鏈接反應或寒武紀生命大爆發(fā)一樣的無窮種可能性。

審核編輯黃昊宇