AI 持续在科学研发领域吸引关注，承诺带来更快速的发现和更明智的决策。然而，许多团队发现 AI 的结果并未达到预期。挑战不在于雄心壮志，而在于协调统一。大多数 AI 系统并非为科学的复杂性而构建。本文概述了组织可以提升 AI 表现并在科学研发中取得更大影响的五种方法。
1. 通过更干净、整理过的数据提升 AI 成果
科学研究产生的数据形式多种多样：图像、光谱、扫描笔记本以及复杂的化学结构。与其他行业中干净、标准化的数据集不同，科学数据通常杂乱且具有上下文依赖性。细微的差异可能承载重要意义。一个楔形、短划线或直线可能代表完全不同的化学构型，而一个小小的输入错误，例如将“3”误写为“8”，就可能改变化合物或反应的规格。当未经适当收录的噪声数据进入 AI 模型时，结果会迅速失去准确性。证据表明，基于整理过的科学数据集训练的模型，在使用约一半数据量的情况下，预测准确率几乎提高一倍。在研发中，数据质量始终优于数据数量。薄弱或不一致的信息会阻碍 AI 系统生成可靠的预测。
2. 使人工智能与科学变革的步伐保持一致。
每天都有成千上万篇新的论文、专利和实验结果丰富科学记录。同时，实验室仪器也在产生海量的新数据。科学知识本身是动态的，理解的基础构件随着新发现不断被精炼和更新。这种快速变化使得静态的 AI 系统难以保持最新状态。基于去年的数据训练的模型会迅速失去相关性，产生过时的结果。要保持科学的一致性，需要持续更新且经过专家收录的数据基础，而不仅仅是一次性的数据导入。大型语言模型可以帮助加快数据处理，但必须与科学专业知识结合，以维护数据的完整性、上下文和一致性。如果缺乏这种持续同步，AI 在快速发展的领域中就有可能变成一个落后的工具。
3. 与具备关键数据专长的合作伙伴共同构建
研究机构在生成新知识方面非常高效，但很少有机构专门设计来满足 AI 的技术和数据管理需求。数据仍分散在遗留系统中，这会减慢协作速度，而内部团队通常缺乏构建、训练和管理可靠模型所需的专业技能。数据管理、数据科学和 AI 工程等学科需要不同的技能组合，并且每一种都必须与深厚的科学理解相结合，才能产生有意义的成果。许多组织尝试在内部建立这些能力，但会遇到可扩展性和治理方面的挑战。更有效的方法是与数据科学和知识管理方面的专家合作，确保 AI 项目建立在高质量、经过科学验证的数据基础上。当这些合作关系建立起来时，研究人员可以专注于发现，而 AI 系统则提供预测能力和可重复性。
4. 通过透明性和可重复性赢得科学家的信任。
科学进展依赖于可重复性。当 AI 输出不透明或与已知原理不一致时，这种期望就会产生摩擦。三分之二的研发决策者表示对 AI 应用的速度和可靠性不满意，这反映出对其当前表现的信任有限。为了获得可信度，AI 必须提供透明、可解释且可重复的结果，并与实验现实保持一致。当使用带有验证原子映射的反应数据训练合成规划模型时，与机器整理的数据相比，路径预测准确率提高了超过 30%。同样，使用整理过的数据集训练的药物–蛋白结合模型，在仅使用一半数据的情况下准确率提高了两倍。这些例子表明，当 AI 系统建立在科学验证的数据基础上时，研究人员更有可能信任并采纳其洞察。
5. 将 AI 聚焦于能够产生可量化影响的特定使用场景
关于 AI 在几天内发现新药或实现十倍生产力提升的报道，抬高了科学研发的不切实际预期。这类报道通常来自复杂性较低、约束条件较少的领域。AI 在科学中的成功依赖于明确具体、可衡量的使用场景，而非宽泛的雄心。例如，在保持产率高于 80% 的同时优化整体合成时间，提供了一个具体目标，可以指导模型开发以实现有意义的成果。当使用场景模糊时，结果很少能达到预期。可持续影响来自将 AI 视为成熟度发展之旅，通过长期持续投资不断完善和扩展其能力。构建有明确目标、以科学为基础的应用，能够确保进展稳步累积，将早期试点转变为 R&D 值得信赖的高价值工具。
为科学智能型 AI 奠定基础
AI 在研发中经常受挫，因为它并非为科学的实际需求而设计。成功不仅依赖于巧妙的算法。还需要学科专业知识、收录的科学数据，以及与研发工作流程相匹配、协同运作的基础设施。
这就是科学智能 AI 所承诺的价值。在正确的基础上，组织可以突破停滞的试点项目，并通过团队信赖的洞察加速科研发现。
您的 AI 项目中也面临类似挑战吗？联系 CAS 专家，探讨科学智能 AI 如何帮助强化你的研发战略。