智能科学家 ——科技信息创新引领的下一代科(5)

[12] 王鑫,周立华.从社会需求看基础科学研究关键领域[J].中国科学院院刊,2019,34(5):40-49.

[13] 世界科技大趋势：孕育新突破[EB/OL].[2019-11-30].

[14] 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊,2012(6):5-15.

[15] 麻省理工科技评论.科技之巅[M].北京:人民邮电出版社,2016.

[16] US Department of minerva initiative:funded research[EB/OL].[2019-11-30].

[17] [EB/OL].[2019-11-30]./automating-scientific-knowledge-extraction.

[18] discovery and dissemination[EB/OL].[2019-11-30]. //research-programs/kdd.

[19] Summa [EB/OL].[2019-11-30].

[20] GAMBHIR M,GUPTA V.Recent automatic text summarization techniques:a survey[J].Artificial Intelligence Review,2017,47(1):1-66.

[21] LAWRENCE P A.The last 50 years:Mismeasurement and mismanagement are impeding scientific research[M]//LAWRENCE P topics in developmental Press,2016:617-631.

[22] EVANS J,RZHETSKY science[J].Science,2010,329(5990):399-400.

[23] TURING A machinery and intelligence[J].Mind,1950,LIX:433-460.

[24] KITANO intelligence to win the nobel prize and beyond:Creating the engine for scientific discovery[J].AI Magazine,2016,37(1):39-49.

当前，中国处于近代以来最关键的发展时期，而世界处于百年未有之大变局，两者同步交织、互相激荡。在此变局之下，科技制胜必将成为大国之间竞争的战略制高点。科技信息是科技活动中使用及产生的各类信息，蕴含着科技要素及其关系，能够全面、客观地反映科技活动中的研究进展、成果应用、科技决策等。随着大数据和人工智能时代的来临，传统的科技信息工作模式尤其是科技情报工作可能被颠覆，更有甚者传统的科研活动本身也可能在科技信息与人工智能的结合中产生变革性的“范式”突破，形成科技信息创新引领的下一代科研范式——智能科学家。1科研范式的演变与趋势科研范式是一个经典的科学哲学概念，狭义的科研范式概念规定了科学研究的基本理论和基本研究方法，广义的科研范式概念还包括研究目标、研究流程、研究设施和评价标准等要素。在一定的科研范式下，对于基于现有的理论和方法仍无法解决的问题，亟须人们突破已有的科研范式，进入科学革命娇蒲蟹妒降难荼淙死嗬飞希蒲а芯糠妒骄硕啻巫洌看巫涠即戳丝萍嫉某ぷ憬健８軯.Gray的观点，人类的科研范式存在着四个阶段[1]。在人类科研的早期，人们使用实验科学方法记录和描述自然现象，探索与发现自然规律，这种以实验为基础的科学研究模式即为科学研究的第一范式。随着时间的推进，仅靠观察自然现象已无法解释已有的自然科学现象，于是需通过演算与推理得出定律和定理来对以上自然现象进行归纳总结，这种应用了各种定律和定理的科学研究模式被称为第二范式。20世纪中叶，许多计算科学问题、理论分析方法变得非常复杂，人们开始寻求模拟的方法取代实验和理论研究，利用电子计算机对科学实验进行模拟仿真的模式得到迅速普及，逐渐成为科研的常规方法，即第三范式。近20年来，数据密集型科学研究逐渐成熟，构成了从计算科学中单独区分开来而形成的一种新型科研模式，即数据密集型计算为基础的科学研究第四范式。科研范式科研范式的新特点近年来，随着科研活动的日益复杂和体系化，以及人工智能、大数据、科技信息挖掘服务技术的逐渐成熟，信息技术在科研攻关中发挥的作用逐渐增大，不仅仅能实现模拟仿真、科学计算等功能，还在逐步深入到科研活动的各环节中，已在辅助创新、实验方案设计、科研假设生成、假设自动验证等领域产生价值。在科技信息的引领下，人工智能将能进行认知、学习、分析并总结理论，集成机器智能和专家智慧，向着科研活动自动化、智能化的方 人工智能技术与领域知识的深度融合，有望促进复杂科学问题的解决 正如国家最高科学技术奖得主赵忠贤院士所说，人工智能可以推动材料科学发展[2]。目前，以计算机视觉、自然语言处理和机器学习等为代表的人工智能技术已在海量文献智能分析与推荐、实验操作流程辅助等科研活动中承担了部分重复性繁重工作，特别是在生物医学、化工等领域中，节约了研究人员大量时间，使其能够聚焦科学问题本身，激发其创造性。例如，在生物和化学领域，2004—2011年间英国曼彻斯特大学牵头开展的Adam项目旨在研究酵母功能基因组机制，着重于研究自动化生物实验，使用逻辑编程来表示背景知识，将新陈代谢建模为有向标记超图的形式，并使用生物信息学和生物化学证据进行了人工验证[3-4]；2019年，Tshitoyan等在已知材料中寻找有应用潜力的候选热电材料，其算法预测出的前10位候选热电材料，均具有较高的功率因数，其中前三位材料的功率因数高于95%的已知热电元件[5]。目前，人工智能技术在科研工作中发挥的作用主要体现在对科学问题研究范围或研究宽度的快速扩展上，然而对于科学问题的深度探索，如复杂科学问题的研究线索发现，仍然主要依靠科学家的智慧投入。实际上顶尖科学家的研究灵感往往可以极大地扩展研究探索的深度。随着人工智能技术的不断发展，必将促使其与专家领域知识持续深入融合，使得计算机能够持续吸收科学家智慧的精华，进一步扩展辅助科学研究探索的广度和深度，形成融入科研活动全流程的智能辅助技术体系和工具体系，推进科学研究工作进入自动化和智能化的轨道，促进复杂科学问题的解?协同发展的人机共生科研环境逐步形成，释放科研主体创新潜能 爱因斯坦曾指出，如果人类要生存下去，将需要一种全新的思维方式[6]。协同发展的人机共生伙伴关系能促使人类大脑以前所未有的新方式进行思考，将比单独的人或单独的机器更具创新性。随着人本计算、人因工程学、人工智能的发展，人机共生是未来人类与机器和谐相处的最好方式之一。麦肯锡预测[7]，到2025年知识工作自动化的工具和系统能够完成相当于1.1亿～1.4亿全职员工的工作量。未来的科研环境中，人与机器紧密耦合，一方面让计算机促进公式化思维和公式化问题的解决；另一方面让人和机器合作应对复杂未知情况并做出判断决策。机器向人学习得越多，机器变得越智能，机器解决的科学问题越复杂，人就可以思考更前沿更具挑战性的问题，形成“人机共生、迭代优化”的共生伙伴关系。例如，在人机协同与智慧共生方面，美国2019年启动的“机器通用感知”(MCS)项目[8]旨在探索赋予机器常识性推理能力的方法，创建更多类似于人类的知识表示，使机器能够在物理世界和时空现象中实现常识推理，使人类在任务过程中通过互动和合作来教授或纠正机器，实现人类和机器之间的共生伙伴关系。当下科技竞争日趋激烈，科学研究活动中存在诸多人力投入密集的重复性、流程性工作，在一定程度上降低了科研攻关效率，减缓了科技制胜的步伐。因此，亟须厘清科学研究活动的一般规律，梳理掌握科研人员创造性研究工作与重复性、事务性工作的基本特征，设计以创新突破为核心的科研活动辅助模块框架，形成支持协同创新的科研资源利用体系，构建人机协同、相互促进的科研环境，释放科研人员的最大效能，提高其核心竞争力，形成对?智能驱动的科研范式逐步形成，助推基础科学领域创新模式变革 伴随科技体系的日益复杂和科研工作的日趋繁重，以人工智能为代表的智能化技术将驱动科研范式向自动化与智能化方向迈进。例如，2014年“大机理”(Big Mechanism)项目[9]旨在对大型复杂系统进行解构、理解和推理，发现隐藏在大数据中的因果模型，为计算机自动构建问题解决模型提供支撑。2018年8月，DARPA发布第三代人工智能技术重要计划“人工智能探索计划”(AIE)[10]的第一个项目——“自动科学知识提取”(ASKE)项目[11]，旨在开发能够构建、维护和推理复杂系统的方法，通过解释和揭示现有模型代码中的科学知识和假设，自动识别新数据和信息资源，提取有用信息并将其集成到机器策划的专家模型中。科学技术是一个国家综合国力的重要体现，而基础科学研究则是科学技术发展的重要基础[12]。在基础科学研究领域，智能驱动技术所能解决的科学问题的复杂度进一步提升，将给材料、化学、物理等基础科研领域带效率和效果的极大提升。因此，未来基础科研领域的发展亦将构筑在科技信息深度挖掘和人工智能基础之上，助推基础科学领域创新模式变革，引领生物医学、材料化学、物理科学等基础科学领域创新式、颠覆式发展。未来，科研活动自动化和智能化将主要在两个方面展开：一是人工智能技术、大数据技术和其他相关新兴技术将极大地提升科技工作效率，形成嵌入科技创新全周期和科技体系全布局的科研工作辅助技术体系和工具体系；二是科技工作将逐步走向“智能科学家”和人类科学家协作发展的阶段，形成以人工智能和知识图谱为基础的机器“学科大脑”，实现科学机理智能探究、科研假设自动生成，实验验证智能支撑，研究结果智能整合，科研成果智能呈现，形成智能驱动的新一代科研范式和体系。2科技信息引领的科研创新构想当今世界科技正呈现新的发展态势和特征，孕育着新一轮科技革命。科技发展呈现多点突破、交叉汇聚的态势，大数据科学成为新的科研范式[13]。新科技革命前夜，科技信息将成为引领科研创新的一盏明灯，依托人工智能技术和新兴信息技术，逐步构建智能科研助理、智能科研生态、智能科学家，实现辅助科研创新、协助科研创新、自主科研创新，达到科研活动自动化智能化目标，从而引发下一代科研范式科技信息引领的辅助科研创新科技信息是科研创新活动的重要基础条件，“科技情报引领科技发展”的新使命要求科技信息助力中国科技实现历史性跨越。加强科技信息的分析利用对科技战略合理规划布局与科技资源优化配置等有重要意义。当前围绕科技信息的挖掘与利用，已形成了包括科技信息检索与推荐、科技查新、科学计量与评价等科研创新辅助服务。科技信息利用的基本目标是实现科研活动全过程信息的快速感知、汇聚、分析与预警，对全面、及时、准确地把握科技发展趋势具有重要作用。以美国国防部“技术监视和地平线扫描项目”(TW&HS)[14]等为代表的技术情报项目，实现了深入细致地捕捉和了解与军事相关的各领域新技术进展的能力。“密涅瓦”计划[15]通过加强科学界与军方的合作，加深对世界范围内具有战略利益关系的国家和地区的社会、文化、政治动态的理解，弥补美军在某些政策相关领域基础积累的不足，提高尖端研究和跨学科、跨机构研究的能力和将学术研究应用于政策咨询的新模式。辅助科研创新需要科技信息分析与挖掘，而科技信息分析与挖掘离不开科技信息抽取。科技信息抽取主要包括科研信息的实体识别与关系抽取等，是科技知识库以及科技知识图谱构建的基础，也是实现科研创新智能化的基础。科技信息抽取涵盖科研过程的众多实体(如研究学者、研究机构、研究目标、研究假设、研究方法、引用成果、实验结果、研究结论等)，各类实体之间的相互关系(如合作与引用等关系)，以及基于实体与关系的科技信息知识结构化组织[16]。以自动知识提取(AKA)[17]、知识发现与传播(KDD)[18]、多语言媒体的可扩展理解(SUMMA)[19]等项目为代表，围绕不同来源科技信息数据集成、知识本体构建、术语快速对齐、知识推理与知识传播过程评估等，构建面向不同领域方向科技信息的结构化知识库与知识图谱，实现了多源多语科技信息的自动化抽取。面对海量且日益迅速增长的科技文献资源，时间有限的科研工作者难以全面快速地了解相关进展，文档自动摘要是实现机器阅读辅助人工阅读的重要应用。文档自动摘要则可以利用抽取式摘要或生成式摘要，将大量科技文献内容进行浓缩，提供给科研工作者阅读，减少阅读量而保持较好的覆盖度，达到辅助科研创新的目标[20]。科研管理与决策离不开对科研工作的评估评价[21]。科技文献作为重要的科技成果，对其进行评估评价是科研管理中必不可少的一环。通过科技文献之间的引用分析既可以找到科研工作之间的相关性，又可以评估研究工作的影响力，加上对科研文献研究内容的关联分析可以勾勒出科研发展的脉络与发展趋势。针对新时期科研创新发展需求，唯有深入挖掘科技信息价值，依托科技信息赋予的强大动力支撑，才能突破科研创新面临的科研决策、科研体系、发展趋势、能力评估等的认知瓶颈，通过科技信息辅助形成知识驱动、自主迭代的新型科研创新究萍夹畔⒁斓男蒲写葱驴萍夹畔⒌耐诰蛴肜茫欣诳萍夹畔⒌幕袢。欣诳蒲蟹较虻牟季郑砸炜蒲写葱乱哑鸬揭欢ǜㄖ饔谩５强蒲写葱碌耐黄谱钪苯永醋杂诳蒲泄瘫旧恚宦凼强萍夹畔⒌淖橹胪萍觯故强萍夹畔⒌母兄氤槿。胁荒苤苯尤谌肟蒲泄讨校萍即葱碌淖詈诵哪谌荨岢黾偕琛⒖寡橹ぁ⒔饩鑫侍猓谰赏耆览悼蒲腥嗽钡哪粤疃Ｒ虼耍菇ㄖ悄芸蒲猩纬伞叭嘶采⒌呕钡墓采锇楣叵担迪挚蒲谢疃娜嘶鳎砸炜蒲写葱缕鸬街匾耐贫饔谩？蒲写葱抡诜⑸羁瘫浠Э屏煊蛑浣徊嫒诨愠潭热找婕由睿蒲侍獾母丛佣日诳焖僭黾印Ｒ虼耍诘鼻翱蒲谢疃校孩倏蒲醒√饽讯却蟆⒎缦崭撸罂蒲腥嗽倍钥蒲侍馍婕暗墓惴貉Э屏煊虻幕≈逗颓把囟谐浞值恼莆眨匀徊惶质担虎谑笛榉桨干杓平且桓鱿低彻こ蹋唤鲆拇罅康氖奔浜途Γ挂醋圆煌Э屏煊虻牟煌哦涌狗桨腹婊銎疽患褐苣淹瓿桑虎凼笛榱鞒探哂懈嗟幕方冢笛楣探母嗟氖奔洌ゴ恳揽靠蒲腥嗽笨勾罅炕敌浴⒎乘觥⒅馗吹娜挝窆ぷ鳎谋蟮目蒲凶试矗档涂蒲腥嗽钡耐度氩鲂省Ｔ诳萍夹畔⒁斓娜嘶蒲写葱轮校鞑斡肟蒲写葱陆幌抻谧ㄒ盗煊虻淖柿鲜占胝怼⒅冻槿∮胱橹雀ㄖ怨ぷ鳌；鹘嗖斡氪丛煨怨ぷ鳎持殖潭壬希鹘魑芯客哦拥囊辉保茉谝枷鲁械２糠盅芯抗ぷ鳎饔肟蒲腥嗽惫餐纬扇嘶采目蒲猩琜22]。1)在科研选题过程中，科研人员可采用多种人机交互方式，与科技信息+人工智能驱动的智能科学家展开协同工作。人类科学家根据主观的研究兴趣和研究经验制定方向和边界；而智能科学家利用强大的科技大脑，激发扩展人类科学家研究创意、主动感知人类科学家的研究意图，基于大规模科技信息驱动科研选题过程。2)在实验方案设计过程中，智能科学家发挥海量科技信息资源的掌握能力，依托文献理解和推理能力，按照人类科学家指定实验的既定构想和目标，自动或半自动地生成详细完整、安全可行、快速高效的实验设计方案，以及相应的实验评估指标和预期实验结果。3)智能科学家具有强大的计算、存储、理解和推理能力，在科研工作的日常环节中，可以成为强有力的科研助理。依托海量的科技文献作为训练数据，智能科学家与人类科学家协同，有望在科研的各个环节担负起助理的责任、承担烦琐的工作任务，包括自动的文献分析、试验记录、数据处理、图表绘制、报告编撰、日程规划等工作，解放人类科学家的生产力。面对科研创新难度和复杂度增加的新形势，科技信息的深度开发利用将给科研创新范式带来深刻而广泛的影响。基于科技信息构建人机协作科研新模式，使机器具备基于海量科技信息自动提出科学选题、生成问题解决模型、承担部分实验研究工作的能力，成为研究团队中值得信赖和依靠的一员，从而大幅度提升科研创新效率，形成新型人机共生智能科研生态，实现科研创新范式科技信息引领的自主科研创新科研创新活动是人类智慧的最高体现，是人类文明进步的核心驱动力之一。科研创新要求科学家能够独立承担研究工作，自主提出假设、开展验证、解决问题并形成有价值的科学知识结论。构建具备科研活动自动化、智能化能力的自主科研系统将对科研发展起到深远影响，同时也将起到如图灵测试[23]对人工智能那样对整个科研领域方法论的引领作用，是一项诺贝尔奖级别的工作[24]。在科研创新中，核心场景是科研假设形成、实验验证和结果分析。在当前科研活动中：①科研假设的形成主要基于科学家大量阅读文献和对实验结果进行分析总结，其效率依赖于科学家的经验和精力；另一方面，考虑到科学文献的海量规模，科学家的知识结构往往无法反映科学知识和规律的完整性，容易错失重要的突破性成果。②在实验验证方面，实验方案往往由科学家人工设计，其经验往往通过不同科学家之间(如导师和学生)的传授机制或简单的对比实验方案模仿机制，实验的效度和全面性无法得到保障；同时大量机械化实验活动仍然需要通过人工操作来完成，对当前科研人力资源形成了极大浪费。③实验结果分析主要基于科学家的主观解释，常常受科学家本身的预置结论影响，同时全面性无法保证，容易得出片面甚至错误的结论；实验结果的溯因解释过程往往缺乏有效的支持，重度依赖于科学家的手工劳动和猜测，其高效性和准确性无法保证。通过研究科技信息引领的智能科学家，构建科研假设的自主形成能力、实验自动验证能力和实验数据智能分析能力，上述自主科研创新过程中的知识瓶颈、能力瓶颈和经验瓶颈可以有效解决。①在科研假设形成过程中，科技信息记录了科学家对科研假设空间的探索过程、结果呈现和规律刻画，通过充分抽取、分析、整合海量科技信息中的科研假设空间知识，并建模科研假设空间的整体结构规律，智能科学家可以建立科研空间的高效、无偏、全面搜索算法，自主发现高价值科研假设。②在实验验证方面，科技信息中包含了海量〈科研假设，实验方案〉信息，通过因子化拆解科研假设和实验方案，并建立假设因子和实验方案之间的对应关系，智能科学家可以构建高效的实验方案规划算法，自动形成全面、有效的实验方案；同时通过构建自动化、智能化实验装备与平台，自动执行实验方案，智能科学家可以从大量重复性科研活动中解放高价值人力。③在实验结果分析方面，通过挖掘科技信息中科学家的实验结果分析模式，以及〈数据，结论〉之间的因果关系，形成数据到结论之间的复杂因果网络，智能科学家可以多维度深入分析实验结果，并对错误进行高效溯因，最终形成准确、可靠、全面的科学知识结论。随着科研活动的爆炸性增长，以及科学领域的进一步细化发展，单纯依靠科学家人力投入为核心的科研创新模式已然遇到信息瓶颈、知识瓶颈、能力瓶颈、经验瓶颈和劳动力瓶颈，当前正是科研范式变革的节点所在。科技信息是已有科技活动的记录、呈现与具象。作为科技信息创新引领的新一代科研范式，智能科学家将基于科技信息对未知科学知识空间进行全面建模、精准探索和高效验证，并建立科研活动的深层规律和整体模式，从而突破当前科研范式的瓶颈，实现科学研究过程的彻底革新。3智能科学家发展之路智能科学家不是单一学科、单一领域的纵深研究，而需要科技信息、人工智能、计算机、自动控制、机械工程及各专业学科领域统筹发力、持续投入才能实现。在构建全领域智能科学家的道路上，依据其不同的发展阶段，需要将不同专业领域与智能化技术深入结合才能形成合力。在科学机理探索研究中，需将信息技术与领域科学研究结合，大力发展知识表示与组织、信息抽取、知识图谱构建、知识检索等自然语言处理和知识工程核心技术，实现对领域科学知识的精准刻画与建模。在科研过程智能化的研究中，需综合信息技术、智能装备与领域学科深度结合，大力发展多模态信息融合、知识理解、知识推理、自然语言理解、因果关联分析、跨模态内容理解、任务规划等多领域关键技术，针对重点学科领域逐步开展实验装备、实验平台、实验流程的自动化与智能化研究，实现对科学研究过程的精准刻画与重建，形成自动化、智能化的科学研究验证能力。在科研环境智能化建设方面，需大力发展多模态人机交互、智能问答、跨模态信息检索、多模态内容组织与生成、个性化精准推荐等关键技术，有序开展通用科研协作平台的智能化建设，实现科研人员与科研环境的有机协同，形成以人为本、人机共生的科研生态。综上，应急时代之所需，全局统筹动员，依托科技信息的强大动力，以智能科学家为牵引，突破现有瓶颈，逐步推进下一代科研范式的变革，切实提高我国科技发展核心竞争力，为实现跨越式发展提供科技支撑。□参考文献[1] HEY T,TANSLEY S,TOLLE K.第四范式:数据密集型科学发现[M].潘教峰,张晓林,等,译.北京:科学出版社，2012.[2] 当人工智能“遇见”新材料——中科院聚焦粤港澳大湾区科技创新[EB/OL].[2019-11-30].[3] KING R D,WHELAN K E,JONES F M,et genomic hypothesis generation and experimentation by a robot scientist[J].Nature,2004,427(6971):247-252.[4] KING R D， ROWLAND J,OLIVER S G,et al.The automation of science[J].Science,2009,324(5923):85-89.[5] TSHITOYAN V,DAGDELEN J,WESTON L,et word embeddings capture latent knowledge from mate-rials science literature[J].Nature,2019,571::10.1038/s-019-1335-8.[6] REGLI the human-machine symbiosis[EB/OL].[2019-11-30].[7] 贾伟,刘润生.麦肯锡：影响未来的颠覆性技术[J].科学中国人,2013(9):19-22.[8] [EB/OL].[2019-11-30].[9] [EB/OL].[2019-11-30].[10] the exploration of promising artificial intelligence concepts [EB/OL].[2019-11-30].[11] scientific knowledge extraction[EB/OL].[2019-11-30]. /automating-scientific-knowledge-extraction.[12] 王鑫,周立华.从社会需求看基础科学研究关键领域[J].中国科学院院刊,2019,34(5):40-49.[13] 世界科技大趋势：孕育新突破[EB/OL].[2019-11-30].[14] 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊,2012(6):5-15.[15] 麻省理工科技评论.科技之巅[M].北京:人民邮电出版社,2016.[16] US Department of minerva initiative:funded research[EB/OL].[2019-11-30].[17] [EB/OL].[2019-11-30]./automating-scientific-knowledge-extraction.[18] discovery and dissemination[EB/OL].[2019-11-30]. //research-programs/kdd.[19] Summa [EB/OL].[2019-11-30].[20] GAMBHIR M,GUPTA V.Recent automatic text summarization techniques:a survey[J].Artificial Intelligence Review,2017,47(1):1-66.[21] LAWRENCE P A.The last 50 years:Mismeasurement and mismanagement are impeding scientific research[M]//LAWRENCE P topics in developmental Press,2016:617-631.[22] EVANS J,RZHETSKY science[J].Science,2010,329(5990):399-400.[23] TURING A machinery and intelligence[J].Mind,1950,LIX:433-460.[24] KITANO intelligence to win the nobel prize and beyond:Creating the engine for scientific discovery[J].AI Magazine,2016,37(1):39-49.

文章来源：《中国科技信息》 网址: http://www.zgkjxx.cn/qikandaodu/2020/0713/378.html