想象一下，人工智能不仅能回答你的问题，还能像人类一样，停下来“思考”如何解决问题。这样的人工智能，是不是很让人期待？

　　 科学家也很期待。除了期待，警醒同样必不可少。

　　 作为人类科技创新的结果，人工智能正在改变千行百业，甚至开始“反哺”科学本身——改变科研人员从事科学研究的方式，帮助他们解决复杂的科学问题。

　　 人工智能时代，科学研究方式会发生什么变化？如何推动科研人员找到新发现、实现新发明？它只是科研的工具，还是可能更进一步，取代科研人员？本期邀请来自物理、数学、医学、气象等领域的科技工作者，各抒己见，分享他们的观察和思考。

　　物理实验用上了人工智能

　　讲述人：中国科学院大学物理科学学院教授 何吉波

　　 我在科研过程中经常使用人工智能，如将深度机器学习应用于粒子物理实验中的在线触发、离线信号事例选择，以及空间引力波探测中的噪声压制、信号检索与引力波波源参数反演等。应该说，人工智能是非常强大的工具，尤其是在基于GPU等计算“加速器”的发展带来的算力大幅提升之后，使用人工智能可以大幅度提高物理数据分析的效能。我也曾尝试问人工智能引擎一些物理问题，它能实时给出相关文献的初步总结，但只能作为参考，想要准确深入理解，还是要仔细阅读文献。

　　 人工智能“火”了之后，经常讨论的一个话题是：人工智能是否会取代物理学家？我一直是坚定的反方。

　　 物理是一门实验的学科，人类通过观测自然界，总结出一些物理规律来描述自然界。像牛顿、爱因斯坦等在已有知识和实验观测数据的基础上，提出了描述自然的全新理论方式，然后给出一些新的预言，这些预言通过实验的检验后，相应理论才会被广泛接受。这个过程中也发展了新的数学工具，例如微积分等。人类若不去进一步做实验，就无法知道这些理论的对错和局限性，更无法发现新的现象和新的规律。

　　 有人认为，将来可以采用计算机仿真，包括更进一步用“数字孪生”来代替实验。如果说仿真是照片，那么数字孪生就是电影，不但能描述状态（照片），还能描述状态随时间的演化。但即使是相对简单的仿真，我们必须对其中的组分及其相互作用有非常好的理解，仿真才可能接近真实实验。

　　 所以，我很认同一种对计算机仿真的观点——计算机的输出，取决于人类给的输入。这也就意味着，只有人类先理解清楚了物理机制，计算机才可能实现“仿真”。而真正意义上的“数字孪生”需要更进一步理解演化规律才可能实现，对于超过“三体”的复杂系统而言难度更大。在我看来，人工智能只能获取和利用已有知识，但是无法创造新的知识，所以物理学家不用担心有一天会被人工智能取代。

　　人工智能与数学互帮互助

　　讲述人：西北工业大学计算机学院计算机科学与软件系主任 陈伯林

　　 我的本科和硕士教育背景是数学，目前主要从事基于人工智能与大数据分析技术的复杂疾病致病机理认知与精准诊疗方法研究。在日常科研中，我深切体会到人工智能与数学这两个学科之间的相互融合、相互促进。

　　 最深的感受就是，人工智能与数学，须臾不可分。许多人工智能算法和模型都建立在数学的基础上，比如机器学习中的分类、聚类、回归等都依赖数学中的统计学、线性代数与最优化理论，而深度学习中的神经网络以及参数训练方法也依赖代数、图论与微积分理论。这些数学中的理论与方法，为人工智能提供了大量的算法工具。同样的，人工智能也可以使用大规模运算和自动推理来求解复杂的数学问题，从而更高效地解决数学难题，推动数学领域的发展。例如，人工智能可以在超高维空间中进行快速搜索，从而找到人类数学家可能忽略的新定理，也可以通过数理逻辑，完成复杂且漫长的数学推导与计算，提高解决问题的效率。

　　 这么看，人工智能正如一个“黑盒子”：一组输入经过一定的处理，得到一种输出，这不就是“函数”嘛。人工智能的核心，或许是一种“函数”关系，只是区别于普通的函数，大部分深度学习模型的函数关系都是无法显性表示的。而由于模型够深，其具有足够的表现能力，能够去拟合几乎任意的函数关系，所以人工智能没有追究这个黑盒子的工作原理到底是什么，而是用大量的数据去拟合它，就得到了相对较好的结果，取得了广泛的应用。

　　 人工智能与数学的融通共进，更不意味着一方可以取代另一方。著名数学家丘成桐先生曾指出，“人工智能对数学有很多好处，可以帮助数学发展，但还不可能改变数学”。人工智能可以通过大量的计算与逻辑推理，帮助数学家产生新的创意与想法，为数学家提供更多的创造灵感，从而加速数学的研究。但数学是一门非常广泛与抽象的学科，很多概念和问题都已经超出了人工智能的能力范畴，需要人类的创造力、洞察力与理解能力来解决问题，这些是人工智能尚无法模拟的。而人工智能的发展，也深度依赖基础算法与理论的提出、算力的提升以及大规模数据的支持。数学在其中也只是起到了基础性的作用与贡献。

　　 因此，我认为，在当前的时代，人工智能与数学，就像两位互帮互助的朋友，它们快速发展、融通共进，共同为人类的进步作出自己的贡献。

　　医学需要人工智能也需要人性化

　　讲述人：北京大学人民医院胸外科副主任医师 周健

　　 近年来，人工智能技术在生物医学领域取得了显著进展。比如，传统的肿瘤研究需要耗费大量时间和人力来分析多模态数据，寻找关键突变与潜在治疗靶点。现在，深度学习模型能够快速、高效地处理海量多模态数据，帮助科学家从复杂的数据中提取有价值的信息。通过这些数据驱动的模型，我们不仅可以更快地识别肿瘤相关的基因突变等重要信息，还能够预测患者对特定治疗方案的反应。借助深度学习算法，人工智能还可以精准地检测早期肺癌、识别病灶，并提供详细的病理信息。

　　 从临床科研的角度来看，人工智能的确推动了科研范式的变革。过去，医学研究依赖于假设驱动的实验设计。如今，数据驱动的研究模式逐渐成为主流。这种模式让我们能够从数据中发现新的规律，提出新的假设，甚至挑战传统医学理论。例如，科研人员利用人工智能成功发现特发性肺纤维化的新靶点，并推进了相关药物的开发。

　　 当然，这种新范式也带来了挑战。一方面，数据驱动的研究需要大量高质量的数据作为支撑，但现实中数据往往存在噪声、偏差甚至缺失。这可能导致模型训练出现偏差，影响研究结果的可靠性。另一方面，科研人员需要具备跨学科的知识背景，包括计算机科学、统计学和生物医学。这对传统医学教育提出了新的要求，一定程度上加剧了“数据科学家”与“医学专家”之间的知识鸿沟。此外，医学数据的共享对于人工智能模型的训练至关重要，但如何在保护患者隐私的同时实现数据的开放共享，是一个需要深思的问题。

　　 但不管怎么说，我们都应以开放的心态迎接这一技术革命，同时保持审慎，确保其在应用过程中造福人类。期待人工智能技术能够进一步提升诊断的精准度，帮助我们更好地理解肿瘤的发生发展机制，从而开发出更高效的治疗方案。但与此同时，我们应警惕，不能因过度依赖人工智能而忽视医学的“人性化”。医学不仅仅是一门科学，医生的临床经验、直觉以及与患者的沟通，都在诊疗过程中扮演着不可替代的角色。人工智能不应替代人性化因素，而应成为医生的辅助工具，与医生共同为患者提供最优治疗方案。

　　天气预报迎来新的“革命”

　　讲述人：江苏省气象台高级工程师 庄潇然

　　 作为一名气象预报工作者，我能感受到人工智能特别是深度学习技术，已逐渐影响到气象预报的方方面面。与数值天气预报所带来的“寂静的革命”相比，这次人工智能革命似乎来得更加“喧闹”。

　　 首先还是要肯定人工智能发挥的作用。比如，在强对流等灾害性天气的监测及短临预报中，过去主要依赖天气雷达开展灾害识别。相较之下，深度学习技术对于复杂非线性现象的刻画能力，与强对流天气局地性、突发性、并发性等特质不谋而合，使得预报对流风暴强度演变成为可能。

　　 在中短期天气预报领域，人工智能大模型不仅在运算效率方面远超传统数值模式，对于高空环流形势和台风路径预报也具有明显优势。聚焦智能网格定量降水预报，江苏省气象台利用深度学习技术实现模式偏差演变规律的有效挖掘，形成了0至36小时短期模式降水偏差订正技术，暴雨预报准确率较数值模式提升超25%。

　　 尽管阶段性进展显著，但当前人工智能在气象领域的应用仍存在诸多挑战。就技术层面而言，强对流天气发展演变瞬息万变，如何利用更高维度、更深层次的人工智能模型，挖掘更多的复杂规律以实现3至6小时甚至更长时效的强对流预报？就物理可解释性层面来说，人工智能不可避免的“黑箱”属性使其仍难以完全得到气象领域的广泛认可，如何实现气象物理特征量与人工智能模型的科学共生，将是未来相当长一段时间内气象从业者探索的主题。就预报业务流程而言，如何利用人工智能推动气象预警流程的智能化？除此之外，如何利用多源气象观测构建更高质量人工智能数据集，如何克服深度学习普遍存在的“模糊”，如何建立场景化的人工智能预报技术评估方法……很多具体的问题亟待解决。

　　 可见，无论是预报技术的突破还是新型智能化预报流程的建立，对于气象预报科研人员而言，人工智能带来的挑战与机遇将并存。我们要做的，就是积极拥抱人工智能，做好这场变革的见证者和参与者。

　　 （项目团队：记者 崔兴毅、张亚雄、陈海波）

(责编：李昉、郝孟佳)