今天分享的是：王一博：大模型时代下的Al for Science

报告共计：64页

《大模型时代下的AI for Science》系统阐述了AI for Science相关内容，包括科研范式变革、AI带来的机遇与挑战、AI4S的发展阶段、基础设施、案例分析及学习路径等方面，具体如下：

- 科学研究范式与AI机遇

- 范式变革历程：科学研究历经实验、计算（数据驱动和物理模型驱动）等范式，各范式在不同时期推动科学发展，但均面临一定问题，如数据驱动范式的数据收集与分析问题，物理模型驱动范式在复杂问题上求解困难。

- AI带来机遇：AI为解决“维数灾难”提供手段，通过机器学习拟合高维势能面，如深度势能模型结合物理建模、人工智能与高性能计算，改变分子模拟领域格局，AlphaFold2在蛋白质结构预测上取得突破，推动药物设计等领域变革。

- AI4S发展阶段与基础设施

- 发展阶段特点：从2017 - 2022年概念导入期，到2022 - 2027年大规模基础设施建设期，未来将进入应用升级和创新体系发展迭代期，实现数据、模型、算力一体化融合。

- 基础设施构成：“四梁”包括基本原理、模型算法与软件系统（如构建预训练模型、开发开源平台及软件应用）、实验表征方法、算力平台（异构架构趋势）、数据库与知识库（如Uni - SMART多模态大模型提升科研信息处理效率）；“N柱”为面向不同领域的工业应用软件；“砖瓦”涵盖基础元素如关键行业需求、多样算力、数据采集标注和开源生态。

- 案例分析与AI4S学习路径

- 案例分析：以二维材料缺陷检测为例，展示AI在材料科学中应用，包括问题提出、方法选择（如U - Net、CycleGAN等）、数据处理、模型训练与推理等过程，体现AI解决实际科研问题能力。

- 学习路径：AI4S是快速变化技术体系，可通过系统课程学习，如《计算材料学》涵盖从算法原理到代码实现内容，国家关键领域工程硕博课程覆盖多方面AI4S知识，同时科研空间站Bohrium提供教学与科研平台，助力AI4S学习与实践。

以下为报告节选内容