中國網(wǎng)/中國發(fā)展門戶網(wǎng)訊 隨著深度學(xué)習(xí)等技術(shù)近年來的突破，人工智能（AI）在數(shù)學(xué)、物理學(xué)、化學(xué)、生物學(xué)、材料學(xué)、制藥等自然科學(xué)和高技術(shù)領(lǐng)域的研究中得到了廣泛應(yīng)用。例如，DeepMind利用機(jī)器學(xué)習(xí)方法輔助發(fā)現(xiàn)數(shù)學(xué)猜想和定理證明；生物學(xué)領(lǐng)域中AlphaFold2已經(jīng)可以預(yù)測超過350 000種人類基因組蛋白質(zhì)，以及超過100萬個(gè)物種的2.14億個(gè)蛋白質(zhì)，幾乎涵蓋了地球上所有已知的蛋白質(zhì)，解決了困擾結(jié)構(gòu)生物學(xué)50年的難題；DeepMind和瑞士等離子體中心合作提出將強(qiáng)化學(xué)習(xí)用于優(yōu)化托卡馬克內(nèi)部的核聚變等離子體控制；華盛頓大學(xué)戴維·貝克教授團(tuán)隊(duì)利用AI技術(shù)精準(zhǔn)地從頭設(shè)計(jì)出能夠穿過細(xì)胞膜的大環(huán)多肽分子，創(chuàng)新了口服藥物設(shè)計(jì)的新思路。這一系列人工智能技術(shù)的成功應(yīng)用都標(biāo)志著以AI for Science（智能化科研）為核心的第五科研范式已經(jīng)成為提升科研效率，推進(jìn)科學(xué)發(fā)現(xiàn)和科技創(chuàng)新的強(qiáng)大工具，有望帶來人類社會(huì)的重大變革。

雖然AI for Science應(yīng)用領(lǐng)域非常廣泛，但在不同學(xué)科領(lǐng)域的應(yīng)用又有所差別。筆者認(rèn)為可以將其進(jìn)一步細(xì)分為廣義和狹義的AI for Science。其中，廣義的AI for Science是多種人工智能技術(shù)在科學(xué)技術(shù)領(lǐng)域的廣泛應(yīng)用，既包括了自然科學(xué)領(lǐng)域的規(guī)律和知識(shí)發(fā)現(xiàn)（如數(shù)學(xué)猜想的證明、物理規(guī)律的發(fā)現(xiàn)等），也涵蓋了解決高技術(shù)領(lǐng)域的關(guān)鍵技術(shù)難題（如超短臨天氣預(yù)報(bào)、托卡馬克控制、生物制藥等）。狹義的AI for Science重點(diǎn)強(qiáng)調(diào)自然科學(xué)領(lǐng)域的內(nèi)在規(guī)律、知識(shí)和結(jié)構(gòu)發(fā)現(xiàn)，如發(fā)現(xiàn)行星運(yùn)動(dòng)的開普勒定律、發(fā)現(xiàn)人類基因組蛋白質(zhì)結(jié)構(gòu)等。與狹義的AI for Science不同，AI用于解決高技術(shù)領(lǐng)域的關(guān)鍵技術(shù)難題主要依賴于發(fā)明和創(chuàng)造出新的人造物（artifacts），包括新方案、新方法、新工具和新產(chǎn)品等。AI在高技術(shù)領(lǐng)域的應(yīng)用，由于其應(yīng)用目的、技術(shù)路線等方面和狹義的AI for Science有所不同，筆者認(rèn)為更適合將其歸類到AI for Technology（技術(shù)智能）的范疇。

表1總結(jié)了狹義的AI for Science和AI for Technology的區(qū)別。從應(yīng)用目的來看，如前所述，AI for Science目的是希望發(fā)現(xiàn)自然科學(xué)領(lǐng)域人類目前未知的運(yùn)行機(jī)制、機(jī)理、規(guī)律、結(jié)構(gòu)等；而AI for Technology更強(qiáng)調(diào)的是發(fā)明創(chuàng)造出滿足特定需求的方案、方法、工具和物品等。以信息論來進(jìn)行類比，AI for Science可以看作是信息編碼和壓縮的過程，通過AI將大量觀察數(shù)據(jù)編碼成符號(hào)化的規(guī)律或知識(shí)；AI for Technology可以看作是信息解碼和解壓縮的過程，通過AI將大量滿足需求規(guī)范的樣例解碼成人造物的具體設(shè)計(jì)細(xì)節(jié)和組成成分。從輸出結(jié)果來看，AI for Science本身具有強(qiáng)烈的探索性，其輸出結(jié)果是事先未知的；AI for Technology是設(shè)計(jì)出符合預(yù)定義需求規(guī)范的人造物，其輸出結(jié)果是精確已知的。從技術(shù)路線來看，AI for Science主要利用了AI的強(qiáng)大建模能力，實(shí)現(xiàn)對大量觀察數(shù)據(jù)的準(zhǔn)確擬合；而AI for Technology則更側(cè)重于利用AI的生成能力，以生成滿足需求規(guī)范的目標(biāo)人造物。從算法精度要求上看，AI for Science追求的是大量數(shù)據(jù)下統(tǒng)計(jì)意義的可接受性，要求輸出的結(jié)果可以合理地解釋自然現(xiàn)象（輸入數(shù)據(jù)），如輸入數(shù)據(jù)符合特定的統(tǒng)計(jì)分布規(guī)律；而AI for Technology強(qiáng)調(diào)的是單個(gè)個(gè)體的精確，要求輸出的個(gè)體結(jié)果能夠精確地滿足預(yù)定義需求規(guī)范，如計(jì)算機(jī)程序自動(dòng)設(shè)計(jì)要求輸出的程序代碼能夠正確滿足功能和性能規(guī)范。從這個(gè)角度看，AI for Technology對AI算法提出了更高的精度要求。

實(shí)際上，有關(guān)AI for Technology的研究自AI誕生以來就一直備受關(guān)注。1969年，諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)及圖靈獎(jiǎng)獲得者、人工智能的奠基人之一赫伯特·西蒙（Herbet Simon）在其《人工科學(xué)》（The Sciences of the Artificial）一書中對“自然物”和“人造物”進(jìn)行了區(qū)分，并明確了發(fā)明創(chuàng)造滿足人類需求的人造物本身也是門科學(xué)（artificial science），可以通過基于計(jì)算機(jī)程序的通用問題求解系統(tǒng)（general problem solver）來建模人類解決問題的流程，以實(shí)現(xiàn)“無人干預(yù)的設(shè)計(jì)”。赫伯特·西蒙和另一位人工智能的奠基人艾倫·紐威爾（Allen Newell）實(shí)現(xiàn)了通用問題求解系統(tǒng)，以自動(dòng)解決多種不同類型的問題。這本質(zhì)上是把人類求解問題的過程建模成由機(jī)器自動(dòng)完成的搜索過程。其中的重要組成部分是“生成器—測試”（Generator-Test）的循環(huán)，即通過生成器產(chǎn)生大量的潛在候選，然后通過測試來確定候選是否滿足需求規(guī)范，反復(fù)迭代直到找到滿足需求的候選。

參考上述流程，可以將AI for Technology建模成為“搜索+驗(yàn)證”的流程。“搜索+驗(yàn)證”流程的核心是通過搜索算法挑選合適的候選，自動(dòng)驗(yàn)證所挑選的候選是否滿足需求規(guī)范，如果不滿足則需要自動(dòng)修改和調(diào)整以生成新的候選，直到最終的輸出結(jié)果滿足需求。近年來，隨著AI技術(shù)的快速演進(jìn)，有望同時(shí)提升上述搜索和驗(yàn)證的效率，在擴(kuò)大應(yīng)用領(lǐng)域的同時(shí)加速整個(gè)問題求解的流程。

AI for Technology的科學(xué)問題及關(guān)鍵挑戰(zhàn)

實(shí)現(xiàn)AI for Technology中“搜索+驗(yàn)證”的循環(huán)迭代，本質(zhì)上是要解決如何在龐大的高維空間中找到精確滿足復(fù)雜約束的最優(yōu)解問題。對于實(shí)際的工程技術(shù)問題，其待搜索空間通常包含海量的潛在候選。以圍棋為例，棋盤有361個(gè)位置，而每個(gè)位置有3種可能，其狀態(tài)空間為3361；以蛋白質(zhì)設(shè)計(jì)為例，長度為200的氨基酸蛋白，其可能序列有20200種可能；以軟件程序設(shè)計(jì)為例，長度僅為100條指令的小程序（以廣為使用的SPEC CPU程序?yàn)槔瑢?shí)際程序的指令數(shù)通常為上百萬條），其狀態(tài)空間就已經(jīng)達(dá)到了26 400。這意味著計(jì)算機(jī)程序需要在龐大高維空間中進(jìn)行搜索。搜索的目標(biāo)是要得到滿足人類需求的輸出，而人類需求涉及功能、性能甚至是心理感受等多個(gè)維度，這也使得搜索目標(biāo)的約束異常復(fù)雜。以手機(jī)的設(shè)計(jì)為例，除了核心的功能和性能等參數(shù)，還涉及需要滿足視覺、觸覺和交互等主觀感受的約束。傳統(tǒng)人工求解方法由于搜索空間龐大同時(shí)“搜索+驗(yàn)證”的迭代周期太長，在求解問題時(shí)通常僅限于找到滿足約束的解，而人工智能方法可以極大加速“搜索+驗(yàn)證”過程，從而找到滿足約束的最優(yōu)解。

上述科學(xué)問題的求解面臨諸多挑戰(zhàn)，主要體現(xiàn)在搜索效率、約束表達(dá)和驗(yàn)證精度上。

挑戰(zhàn)一：如何對龐大的高維空間進(jìn)行有效剪枝。對于傳統(tǒng)的人工方法而言，由于人腦搜索能力和驗(yàn)證開銷等限制，必須引入專家領(lǐng)域知識(shí)對空間進(jìn)行大幅裁剪，從而在剪枝后的有限空間中進(jìn)行搜索和驗(yàn)證。對于AI技術(shù)而言，由于沒有領(lǐng)域知識(shí)或難以形式化表達(dá)，需要在龐大的高維空間中直接進(jìn)行搜索。這種方式可以比人類專家考慮更多的潛在候選，從而找到人類專家未知的更優(yōu)解。但是，由于空間過于龐大，即使是計(jì)算機(jī)程序也無法做到對整個(gè)空間的全遍歷，因此通過AI技術(shù)對空間進(jìn)行精確剪枝，從而在不丟失最優(yōu)解的前提下將空間壓縮多個(gè)數(shù)量級(jí)至關(guān)重要。

挑戰(zhàn)二：如何準(zhǔn)確地表達(dá)人類模糊二義甚至是不完整的需求規(guī)范。很多情況下，人類需求通常采用自然語言來進(jìn)行描述，天然具有模糊二義性。同時(shí)，初始的用戶需求經(jīng)常具有不完整性，需要通過不斷地迭代交互來細(xì)化和明確需求規(guī)范。例如，赫伯特西蒙就以艦艇設(shè)計(jì)為例說明了設(shè)計(jì)約束的復(fù)雜性，需要指揮官、作戰(zhàn)人員、設(shè)計(jì)人員和各組件設(shè)計(jì)負(fù)責(zé)人等的不斷交互迭代才能轉(zhuǎn)變成為方便計(jì)算機(jī)求解的“結(jié)構(gòu)良好問題”（well-structured problem）。近來熱門的大語言模型由于建模了大量人類常識(shí)和經(jīng)驗(yàn)，有望在從需求描述到問題形式化定義的轉(zhuǎn)換過程中提供有效支撐。

挑戰(zhàn)三：如何保證輸出個(gè)體精確滿足復(fù)雜約束。如前所述，AI for Technology要求輸出的單個(gè)人造物能夠精確地滿足預(yù)定義的需求規(guī)范，即在單個(gè)樣本上就要達(dá)到絕對正確。這與主流AI算法（如神經(jīng)網(wǎng)絡(luò)）主要強(qiáng)調(diào)統(tǒng)計(jì)意義上的精確性（對一張圖片的識(shí)別錯(cuò)誤影響不大）是矛盾的。即便是大語言模型在很多場景下提高了輸出結(jié)果的精度，也無法在理論上提供精度的保證，導(dǎo)致在很多關(guān)鍵場景下仍然無法應(yīng)用。因此需要通過算法理論的創(chuàng)新，能夠在理論上保證輸出精度或給出算法的理論下界，使得用戶對輸出結(jié)果是否滿足需求規(guī)范有明確判斷。

AI for Technology的應(yīng)用實(shí)踐：CPU芯片的全自動(dòng)設(shè)計(jì)

筆者將AI for Technology的基本思想應(yīng)用到了信息技術(shù)的核心物質(zhì)載體——中央處理器（CPU）的設(shè)計(jì)和實(shí)現(xiàn)中，首次成功實(shí)現(xiàn)了在無人干預(yù)情況下由機(jī)器全自動(dòng)設(shè)計(jì)出一款32位CPU——“啟蒙1號(hào)”。與傳統(tǒng)流程一般需要2—3年才能設(shè)計(jì)出一款工業(yè)級(jí)的CPU芯片不同，筆者團(tuán)隊(duì)僅在5小時(shí)內(nèi)就完成了“啟蒙1號(hào)”的全部前端設(shè)計(jì)，極大地提高CPU芯片的設(shè)計(jì)效率，有望變革傳統(tǒng)的芯片設(shè)計(jì)流程。

與傳統(tǒng)基于人工的CPU設(shè)計(jì)流程從需求規(guī)范出發(fā)，并且主要由工程師完成架構(gòu)設(shè)計(jì)、邏輯設(shè)計(jì)、功能驗(yàn)證等流程不同，筆者團(tuán)隊(duì)提出的CPU設(shè)計(jì)方法本質(zhì)上是以驗(yàn)證為中心的設(shè)計(jì)方法：在驗(yàn)證計(jì)劃指導(dǎo)下從隨機(jī)電路出發(fā)，由機(jī)器全自動(dòng)完成包括驗(yàn)證、調(diào)試和修復(fù)的反復(fù)迭代直到獲得滿足設(shè)計(jì)需求的目標(biāo)電路（圖1）。其中，自動(dòng)驗(yàn)證主要是檢查結(jié)果是否滿足需求并自動(dòng)生成新的驗(yàn)證用例，自動(dòng)調(diào)試是根據(jù)出錯(cuò)的結(jié)果搜索并定位出錯(cuò)的電路邏輯，自動(dòng)修復(fù)則是在出錯(cuò)的電路邏輯基礎(chǔ)上進(jìn)一步搜索正確的電路邏輯。因此，自動(dòng)調(diào)試和自動(dòng)修復(fù)都可以看作是搜索的過程，與自動(dòng)驗(yàn)證一起組成的完整流程遵循前面所介紹AI for Technology的“搜索+驗(yàn)證”核心流程。

為了保證驗(yàn)證的精度，筆者提出了基于二元猜測圖（Binary Speculation Diagram，BSD）的設(shè)計(jì)方法。BSD方法是建立在傳統(tǒng)的二元決策圖（Binary Decision Diagram，BDD）的基礎(chǔ)上，通過將傳統(tǒng)BDD中的確定性子圖替換成BSD中通過蒙特卡洛采樣來確定的猜測節(jié)點(diǎn)。該方法天然具有良好的可解釋性和“單調(diào)性”（即算法每次對電路的修改都能夠比之前的設(shè)計(jì)更接近正確的設(shè)計(jì)），從而解決前述“自動(dòng)調(diào)試”和“自動(dòng)修復(fù)”的問題。具體而言，首先，BDD算法的樹狀結(jié)構(gòu)能夠很快搜索確定節(jié)點(diǎn)所對應(yīng)的邏輯函數(shù)與外部輸入輸出之間的關(guān)系，從而自動(dòng)定位錯(cuò)誤以解決自動(dòng)調(diào)試的問題；其次，隨著BDD的不斷搜索展開，其所對應(yīng)的邏輯函數(shù)理論上可以不斷逼近原始函數(shù)，從而解決自動(dòng)修復(fù)的問題。

CPU全自動(dòng)設(shè)計(jì)是AI for Technology的典型應(yīng)用，即通過AI技術(shù)來發(fā)明創(chuàng)造出CPU設(shè)計(jì)。實(shí)際上筆者發(fā)現(xiàn)自動(dòng)設(shè)計(jì)出來的CPU不僅滿足了由指令集架構(gòu)（ISA）所預(yù)定義的功能需求，同時(shí)機(jī)器學(xué)習(xí)過程中甚至自主地發(fā)現(xiàn)了包含控制器和運(yùn)算器等在內(nèi)的馮諾依曼架構(gòu)。對于機(jī)器而言，由于事先并沒有關(guān)于馮諾依曼架構(gòu)的任何預(yù)定義知識(shí)，這在一定程度上也同時(shí)呈現(xiàn)出了AI for Science用于“科學(xué)發(fā)現(xiàn)”和“結(jié)果未知”的特征。

AI for Technology的未來展望

為了讓AI for Technology能夠在更多的高技術(shù)領(lǐng)域得到深度應(yīng)用，未來可以從“搜索+驗(yàn)證”的核心流程入手，考慮如何進(jìn)一步提高搜索和驗(yàn)證的效率，在加速創(chuàng)新流程的同時(shí)具備更強(qiáng)的創(chuàng)造能力，最終期望超過人類的發(fā)明創(chuàng)造水平。具體可以分別從人工智能范式的交叉融合、與第三科研范式的交叉融合等方面進(jìn)行探索研究。

從搜索的角度看，其核心目的是提高搜索算法本身的效率，使其能夠以更快速度逼近最優(yōu)解。梯度下降法在神經(jīng)網(wǎng)絡(luò)等領(lǐng)域取得了巨大的成功，但是很多實(shí)際問題本身并不可微或者可微近似會(huì)帶來極大的精度損失，導(dǎo)致難以直接應(yīng)用梯度下降法。這種情況下應(yīng)考慮多種人工智能范式的交叉融合。例如，AlphaGo中蒙特卡洛樹搜索結(jié)合了以深度學(xué)習(xí)為代表的連接主義和以強(qiáng)化學(xué)習(xí)為代表的行為主義。這標(biāo)志著連接主義和行為主義已經(jīng)在實(shí)際應(yīng)用中呈現(xiàn)出了交叉融合的趨勢。前面所介紹的CPU設(shè)計(jì)例子主要是基于以BDD為代表的符號(hào)主義來進(jìn)行搜索。未來通過符號(hào)主義、連接主義和行為主義的深度交叉融合，有望大幅度提升搜索效率，從而在更大的搜索空間中找到更優(yōu)的結(jié)果。

從驗(yàn)證的角度看，對輸出結(jié)果是否滿足需求規(guī)范進(jìn)行判斷通常要在真實(shí)環(huán)境中進(jìn)行實(shí)驗(yàn)驗(yàn)證。例如，新材料的設(shè)計(jì)需要通過實(shí)際實(shí)驗(yàn)來對其力學(xué)特性和耐久特性等進(jìn)行充分測試。這勢必會(huì)造成驗(yàn)證的資源投入和時(shí)間開銷太大。為加速驗(yàn)證收斂，可以借助計(jì)算機(jī)模擬來構(gòu)建響應(yīng)模型，通過與響應(yīng)模型的交互來判斷是否滿足需求規(guī)范。仍以CPU設(shè)計(jì)為例，實(shí)踐中無法對每種可能的處理器設(shè)計(jì)都通過實(shí)際流片來進(jìn)行驗(yàn)證，而是通過構(gòu)建準(zhǔn)確的模擬器來判斷是否滿足需求。因此，未來通過與基于計(jì)算機(jī)模擬的第三科研范式進(jìn)行深入融合，構(gòu)建起高效且準(zhǔn)確的響應(yīng)模型，有望進(jìn)一步加速驗(yàn)證乃至整個(gè)創(chuàng)新流程。

（作者：陳云霽，中國科學(xué)院計(jì)算技術(shù)研究所 中國科學(xué)院大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院；郭崎，中國科學(xué)院計(jì)算技術(shù)研究所；編審：劉一霖；《中國科學(xué)院院刊》供稿）