Artificial intelligence (AI) for science is changing scientific discovery in fundamental ways. The capacity of large language models (LLMs), neural networks, generative AI, and machine learning to analyze huge datasets is making it possible to evaluate more information than a human researcher alone possibly could — and in ever-shorter timeframes. As the evolution of AI-powered technology opens new possibilities in fields ranging from personalized medicine to petrochemicals, here are some recent examples demonstrating how AI is making meaningful impacts on scientific discovery.
相关阅读：观看我们的“AI 助力科学”网络研讨会录像 ，来自 3M、莫菲特癌症中心及研究所（Moffitt Cancer Center and Research Institute）以及 CAS 的专家们探讨了在当前动态研究环境下，AI 的具体应用场景、挑战与机遇。
生成式 AI 助力基于预期属性的新型材料设计
设计具有特定属性的材料往往是一个缓慢的过程，需要专家手动筛选大量的候选名单并进行反复试验。生成式 AI 正在推动材料科学的范式转移，通过从基本原理出发预测物质属性并快速筛选更多材料，帮助研究人员评估远超以往的候选方案。
生成式 AI 让研究人员能够以最终目标为导向，而非仅仅在现有材料基础上进行迭代。这不仅节省了时间，而且通过探索非常规组合来快速生成数千甚至数百万种假设化合物，研究人员可以利用 AI 提升创新的潜力。例如，过去几年中涌现出多种旨在优化材料设计流程的生成式 AI 模型：
- 微软研究院的MatterGen使用扩散模型作为材料生成的基础。
- MatAgent利用增强了材料知识库的大语言模型来提出新成分，通过扩散模型结构估计器根据所提成分确定晶体结构，并利用基于图神经网络（GNN）的属性评估器来预测该晶体结构的属性。IBM 研究院也发布了一套使用
- 专家混合（mixture-of-experts）方法的模型，该方法在设计PFAS 替代品方面展现出了前景。
Meta 最近发布了用于推进分子发现的数据集 Open Molecules 2025，以及原子通用模型（UMA）。
机器学习在预测候选材料属性方面也非常有效。微软开发了MatterSim，作为 MatterGen 的配套工具，这是一个基于主动学习、生成模型和分子动力学模拟数据训练的深度学习模型。谷歌也发布了一款名为 GNoME 的材料发现工具，被誉为“材料界的 AlphaFold”。研究人员利用 DeepMind 将 220 万种材料的候选名单缩小至 38.1 万种，随后使用 GNoME 预测哪些材料最稳定，最终发现了 528 种可用于电池的潜在锂离子导体。
人工智能助力精准医疗的兴起
人工智能驱动的遗传建模现在可以分析和解读海量的遗传、表观遗传和生物信息学数据，帮助研究人员理解基因变异及其影响。这种方法利用机器学习算法和其他 AI 工具识别遗传信息中的模式和相关性，从而为每个人量身定制预防措施、治疗方案和药物。其目标是实现早期干预、最大限度地减少副作用并降低成本，最终为每位患者提供个性化的护理方案。
人工智能在遗传建模中的应用已在以下领域取得了重大进展：
- 数据整合与分析：AI 模型处理海量遗传数据，包括 DNA 测序（如全外显子组/基因组测序）、转录组、蛋白质组和代谢组数据，以发现传统算法可能遗漏的见解。卷积神经网络（CNN）和循环神经网络（RNN）能够识别生物标志物、疾病风险与药物反应之间的复杂关联。这些模型能够捕捉基因组数据中传统统计方法可能忽略的复杂模式，从而更准确地预测疾病易感性和治疗结果。
- 预测分析：AI 正被应用于根据个人的遗传特征、家族病史甚至医生的记录来预测患特定疾病的可能性。这种方法利用机器学习算法和临床信息学分析复杂的遗传数据和家族模式，为预防措施和个性化治疗规划提供见解。
- 定制化治疗方案：AI 支持基于个人独特的基因组和表观基因组开发精准疗法。AI 模型分析并识别可能影响疾病风险和治疗反应的特定变异与突变。AI 解决方案还可以检查表观遗传修饰（如 DNA 甲基化和组蛋白修饰），以了解环境因素和生活方式选择如何影响基因表达。
- 多组学数据整合：利用 AI 关联基因组、转录组、蛋白质组和代谢组数据的能力，研究人员可以创建更全面的生物系统模型。这种整体方法有助于更深入地理解遗传因素、非遗传因素与环境影响在疾病发生和发展过程中的复杂相互作用。
人工智能驱动的解决方案能够分析海量数据，助力开发出综合考量每位患者多种因素的诊断和治疗方案。无论是向患者健康状况的全组学模型迈进，还是解决遗传和表观遗传数据的计算复杂性，人工智能都有望成为推动精准医疗发展的核心力量。
利用人工智能算法提高碳捕集与封存效率
即使今天停止所有二氧化碳排放，大气中 现有的二氧化碳仍会继续捕获热量并推动全球变暖。正如政府间气候变化专门委员会（IPCC）指出的那样，虽然二氧化碳捕集与清除不能替代减排，但要将全球升温控制在 2°C 以内，就必须降低温室气体排放。
人工智能科学正在众多二氧化碳捕集方法中发挥日益重要的作用，包括碳捕集与封存（CCS）和增强岩石风化（ERW）。
- Carbon capture and sequestration (CCS): AI algorithms are optimizing carbon capture systems by analyzing operational data to improve efficiency. For example, reinforcement learning algorithms were used for process optimization of CO2 removal from industrial flue gas while minimizing the required operational energy. The results show that predictive models and algorithms can reduce energy costs in more than 70 percent of cases. Machine learning can also identify porous materials for adsorption faster than traditional methods. Microsoft MOFDiff, a coarse-grained diffusion model, generates structures of metal-organic frameworks (MOFs), which are highly effective in carbon capture.
- Enhanced rock weathering (ERW): ERW removes CO2 from the atmosphere by accelerating normal geological processes. By adding a fine layer of crushed silicate or carbonate rocks to land, such as agricultural fields, chemical weathering processes in the presence of rainwater convert atmospheric CO2 to bicarbonate ions. AI-powered solutions can support ERW efforts by identifying target locations and soil conditions, as well as running the predictive models that are needed to determine project effectiveness.
虽然人工智能在碳捕集活动中有许多应用，但必须注意，运行人工智能所产生的排放也必须纳入考量。否则，它们不仅不能缓解全球变暖，反而会加剧这一问题。
利用数字孪生技术提升石化运营的安全性和效率
“数字孪生”是一种基于人工智能的技术，用于创建物理空间的高保真虚拟副本，以分析实时数据并预测结果。在石化行业，这些副本能够对复杂的化学过程进行模拟、分析和优化。通过嵌入详细的运行数据和反应动力学，数字孪生技术可以深入洞察不同工况下的化工厂系统。
数字孪生软件近年来已日趋成熟，许多行业都在利用这些模拟技术提供的预测能力。数字孪生在石化生产中的成功应用依赖于几项关键技术：
- 高保真模拟平台：Aspen HYSYS、gPROMS 和 AVEVA 等软件工具集成了详细的化学动力学和热力学，创建了石化运营的精确虚拟副本。
- 物联网与传感器集成：广泛的传感器网络提供实时数据流，不断更新数字孪生模型，以准确反映当前的运行状态。
- 机器学习与人工智能集成：人工智能驱动的分析技术增强了预测能力，使数字孪生能够预见运行干扰并主动优化工厂性能。
这些创新使石化企业能够实施预测性维护和资产管理。数字孪生甚至可以通过在设备故障发生前进行预测、主动安排维护并显著减少停机时间和运营成本，从而提高安全性。它们还结合了实时分析功能，能够动态调整工艺流程，以优化产量并降低能耗。例如，通过对乙烯裂解装置进行详细的建模，数字孪生可以通过精确的运行调整，最大限度地提高原料利用率和产品产量。
利用人工智能模型加速药物发现与药物重定位
药物重定位长期以来一直是药物开发中的一种成功策略。然而，它通常需要耗费大量人力进行缓慢的临床观察和研究文献审查，随后还要进行广泛的测试和验证。通过人工智能科学，制药公司现在可以更高效地预测药物适应症和禁忌症，有时甚至无需新的参数或数据，这得益于一种被称为“零样本推理”的方法。
人工智能在药物重定位中的应用包括：
- 利用知识图谱的人工智能模型，比人类研究人员单独工作更快地评估更多的疾病和潜在候选药物。
- 利用遗传数据网络生物学识别重定位候选药物，以确定针对疾病通路多个部分的多种药物。
- 多药理学，研究人员可以探索可与其他药物联合使用的脱靶效应。
这些工作的成功在很大程度上取决于高质量数据的可用性，而这仍然是一个挑战。据一些估计，55% 的组织知识属于“暗数据”，即随着时间推移积累的非结构化信息。这些数据通常未经整合且存储在分散的系统中，可访问性有限，阻碍了其在人工智能战略中的应用。
人体结构的复杂性以及缺乏有效治疗手段的疾病所带来的挑战，意味着人工智能的计算能力对于确定现有药物的新用途至关重要。
用于微观结构分析的计算机视觉技术，助力提升安全与质量
在材料科学研究中，计算机视觉利用人工智能处理海量视觉数据（如显微或光谱图像），以识别材料的属性、结构和缺陷。这种分析长期以来一直是理解材料机械性能的重要步骤，并在安全性、材料选择和质量控制方面发挥着关键作用。晶粒尺寸和分布是影响材料强度和延展性的重要因素，航空航天和电子等行业对材料和组件的微观结构分析有着极高精度和准确性的要求。
人工智能驱动的计算机视觉正在彻底改变这一过程。过去耗时的人工程序现在可以更快速、更准确地完成，实现了相识别和微观结构分类等任务的自动化。计算机视觉算法可以定位并识别裂纹、空洞和异物等缺陷。它们还可以分割微观结构中的单个晶粒，检测存在的不同材料相，并利用机器学习特征实现各种定量分析功能。
对于制造商而言，基于计算机视觉的微观结构分析通过确认材料符合特定规格，从而改善了质量控制。通过比人工分析更快地识别潜在缺陷，这些系统有助于确保材料在极端条件（如核反应堆）下的完整性，或确认焊接材料的稳定性。
人工智能赋能科学的未来：变革性与惊喜并存
技术进步与科学突破始终相辅相成。随着人工智能驱动的技术不断完善，它们有望进一步变革众多科学研究领域。
正如上述案例所示，人工智能在科学领域的应用并无“万能”方案。其影响力将以不同方式渗透至各类科学与计算学科——从数据挖掘、整合、分析与优化，到模拟、可视化、预测分析及建模，无所不包。
在 CAS，我们持续分析 CAS Content CollectionTM（全球最大的人工标引科学信息库），旨在深入洞察科研格局，探究人工智能如何为医疗健康、材料科学等领域带来实质性改变。凭借对前沿创新的第一手洞察，我们期待见证人工智能在 2025 年及未来引领科学发现的新篇章。
