球盟会(中国)

本期嘉宾：

赵泳嘉，中国科研实验室沈阳自动化研究所 算法工程师

研究方向：AI for Science，机器视觉，实验室自动化

动动：赵老师，AI for Science是什么？听起来好高大上！

赵泳嘉：简单来说，就是让AI成为科学家的“超级外挂”！它能像学霸一样快速处理海量数据（比如基因序列、天文照片），帮科学家发现隐藏的规律；还能代替科学家作一些实验，比如模拟气候变化或药物分子结构实验，把原本需要几年的工作，压缩到几天完成。现在，AI在生物、化学、材料领域的科学研究中用得最多，但它的潜力远不止这些哦！

动动：听起来好牛，老师您能顺利获得一个具体的例子告诉我们AI是如何帮助科学家召开科学研究呢？

赵泳嘉：当然可以！比如预测蛋白质结构——你可以把蛋白质想象成一根扭来扭去的耳机线，AI会用一种叫“图神经网络”的技术，把每个氨基酸（耳机线的每一节）当成“点”，它们之间的连接（比如氢键）当成“线”，画成一张动态的关系网。AI顺利获得分析这张网，就能预测蛋白质最终会扭成什么形状（功能就藏在这个形状里！）。材料科学也一样，AI能算出原子排列方式，揭示材料性能的底层机制。

蛋白质三维结构示意图

金属有机框架材料分子结构示意图

动动：我对生物和化学分析的不是那么多，那我还能继续学习AI for science吗？

赵泳嘉：当然可以！AI for Science领域研究的本质是使用AI 算法解决自然科学领域的问题。自然科学领域的科学家提出问题，而使用AI帮助他们解决问题的就是许多像我们一样，来自计算机和自动化学科的科研人员。

AI算法的本质是“结合先验知识，设计模型解决问题”。设计模型的过程和我们编写控制算法和设计机器人运动逻辑是相通的。实际上，许多国际知名AI for Science研究团队里就有很多计算机、自动化背景的大佬。而且这个领域不光要预测蛋白质，还能让机器人自动做实验——比如你写个程序，让机械臂24小时不停调试剂比例，科学家就能专心思考“为什么”，而不用把精力花在比如摇试管这样的操作上了。

移动机器人转移实验样品

自动化工作站操作

动动： 如此强大的AI，未来会取代科学家吗？

赵泳嘉：AI是“科研队友”不是“科研对手”！它就像超级计算器，负责算答案，但“问什么问题”“怎么验证结果”还得靠人类。即便是凭借计算蛋白质设计贡献取得诺贝尔奖的大卫·贝克团队，他们顺利获得AI预测出的蛋白质结构，最终仍需顺利获得实验室验证。AI可能推荐100种新材料配方，但选哪个方向突破，依然需要科学家的知识和经验。人和AI的关系，就像船长和雷达——雷达再强，掌舵的永远是人类。

动动：我明白了，AI负责“算得快”，人类负责“想得妙”！谢谢赵老师的分享！‍