AI X Science 正处于快速发展阶段，其核心在于将 AI 技术应用于科学领域（AI for Science）和将科学知识融入 AI 算法（Science for AI）。2024 年诺贝尔奖的颁发标志着 AI 与科学深度融合的元年，为这一领域的发展提供了强大的推动力。
AI for Science 的前沿方向包括：
- 基于 LLM 的科学研究：LLM 正在改变科学研究的方式，通过知识重构、过程抽象和界面创新，LLM 成为科研人员的增强型助手，推动科研活动效率的提升和范式的革新。
- 垂直领域科学大模型：针对科学领域的特殊性，出现了许多垂直领域科学大模型，例如 AlphaFold、GMAI、GraphCast 等，这些模型在蛋白质结构预测、医学诊断、气象预测等领域取得了显著进展。
- 融入先验知识的 AI 模型：通过融入逻辑规则、概率图、数学公式等先验知识，AI 模型的可解释性和泛化能力得到提升，例如神经符号人工智能、几何图神经网络、物理启发的图神经网络等。
- AI 科学家：AI 科学家是能够自主或半自主地执行科学研究活动的人工智能系统，例如 The AI Scientist、Nova、Agent Laboratory 等，这些系统正在推动科研自动化和智能化的发展。
- 复杂世界的多智能体建模：基于 LLM 的多智能体系统可以模拟更符合实际的复杂系统，例如宏观经济系统、社会群体行为等，为解决复杂科学问题提供了新的思路。
- AI 仿真与系统模拟：AI 驱动的科学仿真技术正在推动科学研究的范式转变，例如 AI for PDE、因果数字孪生、AI 驱动的多尺度数字有机体建模等。
Science for AI 的前沿方向包括：
- 物理世界的第一性原理：通过自由能原理、泊松流模型、范畴论等，从物理或数学的第一性原理出发，理解和改进 AI 大模型，例如 AlphaGeometry、PFGM 等。
- 科学启发的 AI 新架构：受神经科学和物理学启发，出现了许多新型 AI 架构，例如 KAN、SNN、RC、MNN、FNO 等，这些架构在能效比、计算精度和可解释性等方面具有优势。
基础设施 对于 AI X Science 的发展至关重要，包括合成数据、数据基础设施和新型智能计算等。合成数据可以有效解决数据稀缺问题，数据基础设施为 AI 研究提供支撑，新型智能计算则推动 AI 技术向更高效、更安全、更节能的方向发展。
AI X Science 面临着两大特殊挑战：
- Science for AI：如何将人类专家知识融入 AI 系统，并提高 AI 系统的可解释性。
- AI for Science：如何设计巧妙的实验，使 AI 系统能够自主地从世界获取新的数据，以促进 AI 系统的学习。
为了应对这些挑战，提出了科学世界模型框架，该框架包含数据驱动模型、深思者、人机对齐界面和 AI-现实互动界面等组成部分。
展望未来，AI X Science 将在解决生命科学、能源、气候等重大科学问题上发挥越来越重要的作用，推动科学发现的进程，并为人类带来更美好的未来。
