在7月6日举办的2023世界人工智能大会昇腾人工智能产业高峰论坛上,由中国科学技术信息研究所、科技部新一代人工智能发展研究中心联合相关研究机构编写的《中国ai for science创新地图研究报告》(以下简称《报告》)正式发布。
中国科学技术信息研究所党委书记、所长
科技部新一代人工智能发展研究中心主任 赵志耘
据中国科学技术信息研究所党委书记、所长,科技部新一代人工智能发展研究中心主任赵志耘介绍,人工智能赋能科学研究(ai for science)日益表现出突破传统科学研究能力瓶颈的巨大潜力,正在成为全球科学研究新范式。近年来,我国ai for science领域紧跟世界前沿,研究热度高、能力提升快,形成良好发展态势。《报告》以可视化形式从多结构类型融合的数据、多领域特点融合的基础软件、多学科融合的人才、多样化融合的算力等创新要素维度,对我国ai for science发展进行深度剖析,为促进我国ai for science创新发展提供客观观察。
《报告》对当前全球ai for science模型和基础软件发展脉络进行梳理发现,2017年前后,科学家开始尝试将机器学习等人工智能技术用于求解科学问题,五年来学科不断加入,模型精度、泛化性逐渐提高,不同技术路径、不同应用场景的ai for science成功应用不断涌现,深度融合领域知识的ai for science基础软件也蓬勃发展,为各领域ai for science研究人员提供了一大批简单易用的工具软件。
ai for science多路并进,蓬勃发展
《报告》通过分析全球已发布的ai for science成果发现,中国、欧洲和美国大幅领先,我国ai for science论文发表数量最高。同时,国内外知名高校、大型科研机构和头部企业均十分重视ai for science,国外的谷歌、英伟达、deepmind,国内的华为、百度等机构都在积极推动全球ai for science发展。
中美欧共同引领全球ai for science发展
《报告》指出,在政策指引下,我国ai for science发展迅速,涌现出“mega-protein”、“鹏程.神农”、“东方.御风”以及盘古天气等多项具有国际影响力的成果。paddlescience、mindspore science等国产化ai for science基础软件也日益成熟,为ai for science研究提供了丰富的数据集、基础模型及专用化工具。
中国ai for science发展正当时
《报告》通过对国家数据中心等公开信息调研发现,我国已经积累了丰富的科学研究开放数据资源。从数据类型上看,开源数据以基础学科和调研数据为主;在学科分布上,地理科学、天文学、物理学等学科开源数据最为丰富。
《报告》指出,深势科技和北京科学智能研究院的deepmd、华为的mindspore science,百度的paddlescience等一大批ai for science基础软件相继涌现,并在积极推动开源。但总体而言,开源影响与英伟达的clara等国外领先ai for science基础软件相比还存在明显差距。
中国ai for science算法和基础软件相继涌现
《报告》对ai for science论文作者进行统计分析发现,我国ai for science人才已初具规模,除人工智能领域外,主要集中在生命科学/医学、地球科学、环境科学等科研领域。从地域分布来看,北京、广东、江苏等三地ai for science人才指数最高,山东、湖北、四川、辽宁和陕西等科教资源丰富的地区也聚集了较多ai for science人才。
中国近年ai for science领域学科发文情况
《报告》通过调研全国范围内的算力基础设施分布情况发现,我国算力建设聚集度高,北京、广东、浙江、上海和江苏近5年人工智能加速卡销售量占约全国的90%,中西部省份的算力资源还有待拓展。在广东、江苏等省份,人工智能计算中心公共算力增长最为迅速,通过共享方式为ai for science的发展提供了重要算力保障。
《报告》对国内正在开展的80多项ai for science研究的调查分析发现,在当前最活跃的五个重点科学研究领域中,生物医疗、化工/材料等领域的ai for science发展迅速,成果最多,其他领域ai for science还处于起步阶段。从特征上看,我国ai for science技术正在各科学研究领域实现专业化的单一场景应用,已经展现出巨大的产业化潜力,但还没有出现跨领域的通用ai for science模型。在应用和落地方式上,提供服务平台和套件是当前主要落地方式,其他落地模式还有待探索。
ai for science各行业应用场景
赵志耘书记指出,人工智能在科学研究领域的应用潜力巨大,当前正处于突破性发展的关键窗口期,但同时也面临着要素供应、协作机制等诸多挑战。建议持续强化ai for science领域研发支持、有序推动科学研究数据开放共享、加快完善基础软硬件技术生态体系、统筹推进算力基础设施建设、大力培养多学科交叉复合型人才以及深化拓展ai for science领域国际合作。