【导言】
8月8日至11日，主题为“AI for Science：共创新未来”的首届科学智能峰会召开。在为期4天的讨论中，来自产、学、研各界的重磅嘉宾带来数十场精彩报告，分享了国际生命科学，新能源、新材料等领域的最新进展，深刻剖析了“AI for Science”的发展趋势。
作为中国科学院院士、北京大学前沿交叉学科研究院院长、国家自然科学基金委交叉科学部主任，同时也是与鄂维南院士最早讨论“AI for Science”的学者之一，汤超院士在大会首日的主论坛上发表了致辞，从三个层面分析了“AI for Science”的内涵。以下为汤超院士的致辞实录，与大家分享。
【原文回顾】
大家好！祝贺中关村论坛AI for Science智能峰会的召开。
好几年前，鄂维南找到我，商量是否可能在北大设立一个学科交叉的program，来探索机器学习在不同的科学和工程领域的应用，我们给它取了一个名字，叫AI for Science。我们两个当时都很为这个名字得意。现在来看，应该是很多人都想到了这个名字，AI for Science也成为了一个趋势。
这是一个重要的前沿交叉领域，涉及到许多不同的学科，需要不同学科的深度交叉融合，而它所带来的，很可能是新的科研范式。大家也许知道，国家自然科学基金委在2020年底设立了交叉科学部，来统筹基金委在交叉科学领域的整体资助工作，其中任务之一就是探索建立交叉科学研究范式。交叉科学部成立以来的第一个重大研究计划就是在AI for Science方向的。
关于AI for Science，我有一些粗浅的想法，借此机会和大家交流一下。我觉得它包含三个方面，或三个层次的内容。第一个方面是目前这个领域大部分人在做的，就是把AI技术，更准确的说对大部分人来说是深度学习技术，用于各个不同的场景，用于各个学科中的科研、技术创新、成果转化等。这在目前是影响比较大，见效也比较快的。在这个方面，目标一般都是明确的、具体的：比如解量子力学方程、解复杂的流体力学方程、建议合成化学分子的路径、蛋白质折叠、针对靶点设计小分子药物、各种影像识别、等等。这方面的进步、产生的成果，确实在一些方面，大大加速了科学和技术的进步。但也应该认识到，在这方面，从1到10、10到100、甚至10到1000的例子不少，而从0到1的可能不多。当然有许多实际问题的解决并不一定需要0到1的创新。但我认为我们应该努力营造一个良好的创新生态，少做一些表面文章，多鼓励原始创新。只有这样，AI for Science才能健康、平衡、长远的发展。
我觉得AI for Science 还应该有第二个层次的内容，就是利用AI来发现new science。举一个比较极端的例子，用大量的行星运动数据来训练AI，它应该很容易就能预测行星的轨道，以及将来任何时刻行星在轨道上的位置。进一步，很有可能它也能发现开普勒三定律。但至少现在来看，很难想象它能再进一步，发现牛顿定律。而牛顿定律的发现建立了一个全新的理论框架，在本质上改变了科学范式。2009年，Science杂志发表了一篇文章，题目是：“Distilling Free-Form Natural Laws from Experimental Data”。翻译成中文就是“从实验数据中提炼自由形式的自然规律”。作者用计算机来分析诸如简谐振动、双摆的运动轨迹（双摆的运动是混沌状态的），机器自动的发现了一些有意义的守恒量的解析表达式，比如哈密顿量、动量守恒等。猛一看，似乎机器可以发现新科学。但本质上，是人去让机器找运动的守恒量。而不是机器提出了守恒量的概念。果然，两个月之后，Phil Anderson（著名物理学家）在Science杂志上发表了对此项工作的评论，题目是：“Machines Fall Short of Revolutionary Science”，翻译成中文就是“机器离科学革命还有距离”，严厉反驳了上篇文章的观点，认为上篇文章曲解了科学的本质。Anderson的观点是，就像Thomas Khun说的，科学实践分为两类，一类是大部分科学家大部分时间都在做的所谓“normal science”，它只是在充实、完善已有的科学范式的结果。还有一类就是偶尔发生的科学革命，建立新的科学范式。Anderson说尽管机器也许可以对normal science有贡献，但他看不见有任何机制可以让机器来创造一个科学革命、发现新的物理定律。我并不完全同意Anderson的观点。且不说Thomas Khun的简单分类是否合理，我觉得没有理由来否认AI发现新的科学定律的可能性。当然就像Anderson说的，第一篇文章里的例子没有说服力，机器找到的都是我们已经知道的定律（比如守恒律），换句话说，是我们告诉机器要去找什么。AI是否能发现新的科学规律，引发科学革命，我认为是一个很有意思、很值得探索的问题。
AI for Science 还有第三层意思，简单说就是Science of AI 。AI是一个强大的使能技术，但背后肯定有其科学原理，也就是说，会有相应的Science。计算机科学家、数学家、物理学家已经在这方面做了不少工作。去年的诺贝尔物理学奖的一半颁给了Giorgio Parisi，表彰他在自旋玻璃方面的工作，其中提到他通过自旋玻璃模型发展的统计物理理论在神经科学和机器学习领域中的影响。我觉得这方面应该还有更广泛、更深刻的科学内涵。不仅仅是已有的一些概念和理论的应用，更是新的概念和理论的出现。AI最早是想模拟人类的Intelligence，深度学习的网络架构也受启发于人类大脑的神经网络。从直觉上看，神经生物学的进步应该会进一步促进AI的进步，反过来，AI的进步也应该会启发帮助我们对大脑、对人类智能的理解。当然也有可能最后AI和NI（natural intelligence）没有太大关系。但无论如何，Science of AI 应该是有的，也是科学的前沿。
总之，我觉得AI for Science是一个非常有意思、非常有挑战的交叉学科领域，也是一个难得的机遇。它从基础研究到转化，再到企业都有很好的前景。它也必将在推动科学与技术的进步、促进经济发展、提高人们生活水平等方面发挥重要作用。
最后，预祝大会圆满成功！谢谢！
