特斯拉Cybertruck上市，起售价6万美元； 快手推出独立“短剧App”西番；魅族正式宣布要“造车” -极客们已经知道
06-17
作者 |由 Bryan McMahon 编译 |编辑：bluemin |陈彩娴 自 20 世纪 50 年代发现 DNA 以来，生物学家一直试图将基因序列的长度与一系列细胞成分和蛋白质合成过程联系起来。
例如，这些联系包括为特定抗体提供动力的 mRNA 转录过程。
现在著名的 mRNA 疫苗。
尽管自 DNA 发现以来，基因组测序和理解方面已经取得了进展，但仍然缺少一个重要的环节。
生物学家缺乏一种仅使用DNA或RNA源序列就能准确有效地预测未知蛋白质三维形状的方法。
在生物学中，结构决定功能。
蛋白质在细胞中的作用取决于其形式。
中空的圆柱形结构有利于形成良好的膜受体，而U形酶则催化峡湾状空腔中的化学反应。
能够预测甚至设计蛋白质结构将是理解人类疾病的一个飞跃，并可能为一系列疾病开辟新的治疗方法。
但 70 多年来，科学家们一直在使用令计算机不堪重负的缓慢方法，并在很大程度上依靠自己的猜测来梳理蛋白质结构。
尽管生物学家知道构成每种蛋白质的每种氨基酸的DNA密码的长度，但他们缺乏一个可重复的、可推广的公式来解决所谓的“蛋白质折叠问题”。
他们需要系统地了解任何一串氨基酸一旦连接起来，如何折叠成三维形状，从而解开浩瀚的蛋白质宇宙。
来源：DeepMind 2016年，谷歌人工智能团队DeepMind宣布其算法AlphaFold解决了蛋白质折叠问题。
起初，大多数人都对这一惊人的突破感到兴奋，当科学家准备测试这种新工具时，这引发了一些兴趣。
这不就是几年前推出AlphaGo、让它在中国策略游戏围棋中击败世界冠军的同一家公司吗？掌握比国际象棋更复杂的游戏虽然很困难，但与蛋白质折叠问题相比却显得微不足道。
但 AlphaFold 在一年一度的竞赛中证明了它的科学实力，在竞赛中，生物学家团队仅根据蛋白质的基因序列猜测其结构。
该算法的表现远远超过了人类竞争对手，其得分将最终形状预测在一埃（单个原子的宽度）以内。
不久之后，AlphaFold 通过了首次现实世界测试，正确预测了 SARS-CoV-2“刺突”蛋白的形状，该蛋白是该病毒用于靶向疫苗的表面膜受体。
来源：《Nature》AlphaFold 的成功很快就变得不容忽视，科学家们开始在实验室中试验该算法。
到 2016 年，《科学》 杂志将 AlphaFold 的开源版本评为“年度最佳方法”。
“就科学成就和未来研究而言，蛋白质折叠方面的突破是有史以来最伟大的突破之一，”生物化学家兼《科学》主编 H. Holden Thorp 在一篇社论中写道。
如今，AlphaFold 的预测如此准确，以至于经过 70 多年的思考，蛋白质折叠问题被认为已经得到解决。
虽然蛋白质折叠问题可能是迄今为止人工智能在科学领域最引人注目的成就，但人工智能正在许多科学领域悄然取得新发现。
人工智能还通过加速发现过程并为科学家提供新的研究工具来改变科学研究的方式。
这项技术升级了显微镜和基因组测序仪等研究支柱，为仪器增加了新的技术能力，使其更加强大。
人工智能驱动的药物设计和引力波探测器为科学家提供了探索和控制自然世界的新工具。
在实验室之外，人工智能可以部署先进的模拟和推理系统来开发现实世界的模型并用它们来测试假设。
随着科学方法的广泛影响，人工智能正在通过突破性发现、新技术和增强工具以及提高科学过程速度和准确性的自动化方法引发科学革命。
资料来源：人工智能辅助的超分辨率宇宙学模拟 除了蛋白质折叠问题之外，人工智能在从宇宙学和化学到半导体设计和材料科学的许多领域的发现都证明了其科学价值。
例如，DeepMind 的一个团队设计了另一种算法来计算分子的电子密度，击败了科学家们 60 年来所依赖的捷径方法。
了解给定分子的电子密度对于理解材料的物理和化学性质大有帮助。
但由于电子受量子力学控制，计算特定电子的密度需要复杂的方程，这些方程很快就会变成计算噩梦。
相反，科学家们使用材料中电子的平均密度作为指导，避开了困难的量子计算。
然而，DeepMind 的算法直接解决了问题的量子方面，并且已被证明比捷径方法更准确。
与蛋白质折叠问题类似，人工智能可以超越科学家几十年来使用的方法，并解锁准确预测物理和化学性质的新方法。
人工智能对科学的影响不仅仅体现在技术的新发现上，还表现在四个关键方面。
首先，人工智能可以快速阅读科学文献，了解科学的基本规则、事实和方程，帮助科学家管理充斥各个领域的大量论文和数据。
仅 2019 年，就发表了 100,000 至 180,000 篇有关 COVID-19 的科学期刊文章。
虽然研究人员关注像持续的全球大流行这样紧迫的问题是有道理的，但有关 COVID-19 的论文仅占最大生物医学数据库中文章总数的 4-6% 左右。
产生的论文和数据的浪潮远远超出了任何科学家的阅读能力，使研究人员无法真正跟上各自领域创新的步伐。
这就是人工智能发挥作用的地方。
例如，在药物化学领域，Insilico 正在进入一种完全由 AI 设计的药物的 I 期临床试验，该药物用于治疗特发性肺纤维化 (IPF) 疾病。
Insilico 的算法通过阅读医学文献来寻找潜在的蛋白质、细胞或病原体来选择疾病目标。
一旦选择了目标，算法就可以设计一种治疗方法来治疗该疾病。
Insilico 开发了一个用于药物发现的端到端人工智能平台，该平台可以自动跟上该领域的最新结果和数据，以便科学家能够随时了解情况而不会不知所措。
资料来源：图片由美国阿贡国家实验室领导计算设施、可视化和数据分析小组提供。
其次，随着仪器越来越精密，对自然奥秘的探索越来越深入，科学家需要面对海量的数据。
AI在这方面也可以发挥作用。
阿贡国家实验室 (ANL) 的一个科学家团队开发了一种算法，可以理解引力波，即爱因斯坦预测但直到 2011 年才被发现的时空连续体结构中的涟漪。
该算法只需 7 秒就能处理一个月的数据。
分钟，提供一种加速、可扩展且可重复的引力波检测方法。
该算法还可以在标准图形处理单元（GPU）上运行，从而无需研究人员使用专门设备来收集和解释引力波数据。
ANL 数据科学与学习 (DSL) 主管 Ian Foster 表示：“我对这个项目感到很兴奋，它展示了如何通过正确的工具，将人工智能方法自然地集成到科学家的工作流程中，使它们更快、更高效。
”更高效。
做好工作，增强而不是取代人类智能。
“有了人工智能，曾经的海量数据现在变成了可控的信息流，加快了科学发展的步伐。
第三，人工智能一直在悄然升级实验室的一些长期支柱：显微镜和 DNA 测序仪。
在 ANL，研究人员找到了一种方法，可以增加电子显微镜检索样本的信息量，同时提高仪器的分辨率和灵敏度。
与许多人在高中或大学生物课上熟悉的显微镜不同，电子显微镜不依赖可见光来构建图像。
相反，顾名思义，它们使用电子，这使得它们能够拍摄比其他显微镜更高分辨率和更精细结构的图像。
ANL 的研究人员设计了一种使用人工智能在电子显微镜上记录相位数据的方法，该方法可以提供有关样品物理和化学性质的关键信息，从而提高仪器的功率和容量。
同样，人工智能的另一个进步是所谓的光场显微镜，它可以捕捉运动的高清 3D 图像。
科学家通常需要几天时间才能重建视频，但有了人工智能，处理这些运动的高分辨率数据所需的时间减少到几秒钟，而不会损失分辨率或细节。
DNA 测序仪是基因组时代的主力，并且通过人工智能得到了增强。
今年早些时候，一组科学家利用人工智能将 DNA 测序所需的时间减少了一半，他们希望很快能再次减少一半。
简而言之，人工智能正在升级最基本的科学工具。
来源：《Science》最后，人工智能在实验室中真正的亮点在于模拟复杂系统，使其成为基础科学研究中日益标准的工具。
去年，研究人员通过在物理、天文学、地质学和气候科学等十个科学领域建立突破性的模拟实验，展示了人工智能的多学科能力。
所有 10 个模拟器均由名为 DENSE 的同一深度神经网络进行训练，与其他方法相比，该网络将模拟速度提高了十亿倍，同时保持了准确性。
至关重要的是，模拟器可用于解决“逆问题”，即研究人员知道结果但想要找出哪些变量导致输出。
人工智能擅长这种计算，可以轻松找出特定答案的路径。
虽然模拟很有用，但研究人员还希望确保他们的模型在现实世界中发挥作用。
谷歌和三星这两家领先的科技公司最近都转向人工智能来规划其部分芯片的布局。
谷歌得出的结论是，人工智能设计的芯片“在所有关键指标上都优于或与人类生产的芯片相当，包括功耗、性能和芯片面积”。
更进一步，该公司正在使用人工智能来设计其下一代人工智能加速器（TPU 是人工智能制造的芯片，而不是标准的 CPU 或 GPU）。
同样，三星依靠 AI 芯片设计软件创建了 Exynos，这是一种用于可穿戴产品和汽车的芯片。
凭借高保真模拟，人工智能为科学家提供了强大的工具，彻底改变了他们对自然世界进行建模和实验的方式。
资料来源：AI 支持对 COVID-19 患者的快速诊断 对于 AI 建模能力来说，没有比 COVID-19 大流行更好的现实测试了。
首先，蛋白质折叠算法 AlphaFold 正确预测了重要的“尖峰”蛋白质，展示了人工智能如何在未来的大流行中加速疫苗或治疗方法的开发。
但也许更令人印象深刻的是，今年夏天，日本科学家使用世界上最强大的超级计算机 Fugaku 来模拟 COVID-19 通过空气的传播。
在深度神经网络和数千个 GPU 的支持下，Fugaku 向世界提供了病毒通过空气传播的确凿证据，并说服世界卫生组织相应改变其控制 COVID-19 的指南（例如口罩、通风和室内通风）。
户外活动的风险）。
在现实世界中，人工智能正在通过为危机期间的全球缓解策略提供信息来证明其价值。
除了做出新发现并为科学武库添加新工具之外，人工智能还可以发现数据模式，做出可测试的预测，并利用它们将新证据纳入其模型中，从而反映科学方法。
哲学家卡尔·波普尔普及了这样一种观点，即科学的进步是通过抛弃可被证伪的假设来实现的，这些假设可以通过实验来检验并证明是错误的，而这种通过理论和实验进行消除的过程正是科学方法的标志。
正如人工智能最近的一些突破所表明的那样，该技术还产生可以通过实验进行测试的假设，通过排除过程提供严格且可证伪的答案。
DeepMind 的电子密度模型通过近似科学过程并迭代预测和实验之间的反馈，直到更好地掌握量子计算，击败了研究人员。
人工智能通过在数千个实验确定的蛋白质上测试其模型、完善猜测并通过为更接近解决方案的分支赋予更高的权重来修剪神经网络来解决蛋白质折叠问题。
研究人员构建了 AlphaFold 的开源版本后，其他科学家可以使用该模型来解开 RNA 结构如何折叠和蛋白质如何结合在一起的奥秘。
来源：端到端刚性对接的独立 SE(3) 等变模型 总体而言，了解蛋白质结合为强大的新药开发打开了大门，因为细胞中的许多反应都是蛋白质协同作用的结果。
这两项进步开创了治疗设计的新时代，利用端到端人工智能管道来定位疾病并设计精确的治疗方法。
例如，华为人工智能实验室的一个研究团队使用该模型的一个版本来自动生成针对目标感染的抗体。
从药物设计到蛋白质结合，人工智能建模、分析和控制自然世界的能力只会不断提高。
DeepMind 的最新突破是将人工智能应用于控制和维持核聚变反应的问题。
人工智能成功控制了氢和氦的聚变反应，为宇宙中的每颗恒星提供了创纪录的能量，并发现了稳定等离子体的新形状。
这项实验是开发可行的聚变能源的重要一步，可以提供足够的可再生能源来为世界提供动力。
这个案例凸显了人工智能在科学中最有前途的应用：它看到我们看不到的模式，并从不同但互补的角度分析我们的环境。
人工智能与研究人员合作，以科学方法为基础，可以利用支撑科学过程的迭代理论和实验来解决相同的探索性问题。
科学可以最好地描述为对未知的探索。
人工智能是这段旅程的合作伙伴，它以与我们不同的方式感知自然世界及其未探索的部分，开辟了理解和利用世界力量的新方法。
正如索尼研究总监 Hiroaki Kitano 所描述的那样，科学发现是一个基于假设、实验和数据的自我校正系统的“搜索”问题，可以通过人工智能模拟。
但在搜索过程中，人工智能不仅仅是科学家和合作伙伴手中的强大工具。
该技术还正在改变科学流程，实现自动化并增加人们使用它可以完成的任务。
人工智能正在引领新的科学革命，在多个领域取得重大突破，开辟科学研究新途径，加快科学创新步伐。
AI作为合作伙伴，将与科学家一起探索更多无尽的科学前沿。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-18
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态