從AGI到AI4S，“AI愛因斯坦”還遠嗎？

“通用人工智能的最高體現之一就是理解復雜世界、發現未知規律，就是打造‘AI愛因斯坦’，這也是AI for Science的關鍵目標。”

7月4日，在“人工智能：科研范式變革與產業發展”主題論壇上，上海科學智能研究院院長、復旦大學浩清特聘教授漆遠講述了他對于通用人工智能（AGI）和科學智能（AI4S）的發展判斷。

與會專家學者均認為，AI必須具備超越簡單數據處理的能力，結合創造力、探索精神和新的學習機制，推動各學科領域的不斷突破和自我學習與創造。

圖片由主辦方提供

阿卜杜拉國王科技大學人工智能計劃負責人、瑞士人工智能實驗室研發主任Jurgen Schmidhuber回顧了過去30年AI在科學與藝術創作領域的發展，并暢談了AGI的未來方向。他認為，未來世界模型需要新的算法機制，應該更加關注獎勵組合的設計。

諾貝爾經濟學獎得主、北京大學匯豐商學院榮譽教授Thomas J. Sargent全面比較了物理學和經濟學中的模型構建方法，闡述了如何在經濟學中實現理論突破。他強調，雖然AI工具強大，但經濟學家的理論洞察仍然不可或缺。

中國工程院院士、之江實驗室主任、阿里云創始人王堅探討了AI在科學研究中的新范式，主要包括規模、AI生成假設和自動驗證。他認為，數據驅動的研究假設對科學研究產生了深遠影響，并呼吁關注理科基礎模型的研究。

復旦大學物理學系教授、中國科學院院士龔新高在報告中介紹了他帶領團隊發展的Uni-H模型，可在幾秒內預測任意元素組成的材料能帶結構。龔新高認為，計算物理的研究范式已發展到“AI物理”，利用機器學習原子間作用勢和Uni-H，有望解決材料設計的最大挑戰。

北京大學理學部副主任高毅勤介紹了團隊基于國產軟硬件重新訓練Alphafold等工具模型，進一步提高蛋白質結構預測的精度和速度，實現了超越原版的性能。普林斯頓大學教授、普林斯頓AI創新中心主任王夢迪介紹了如何利用AI技術革新生命科學，但如何使這些模型真正用于科學研究和實驗設計，值得進一步探索和關注。前美國禮來制藥公司副總裁付灝達介紹了一些常用的生成式AI框架，把生成式AI的應用范圍從照片圖像的生成拓展到藥物分子結構的生成。