2021最大看点AI for Science，在哪些领域有斩获？

【专栏：前沿进展】AI for Science是今年一大重点发展的新兴领域。中科院院士，北京大学教授鄂维南在2021年智源大会上表示：“传统的科研领域如化学、材料、电子工程、化学工程、机械工程等等，应该成为人工智能的主战场，或许不仅仅是主战场，很可能是未来十年最大的主战场。”AI for Science也被阿里达摩院评为2022年十大科技趋势之一。

回顾一年来的发展，AI在数学、物理学、量子化学、生物学、材料学等领域均取得了进步。作为2021年终盘点，智源社区整理今年AI for Science领域的发展情况和案例，形成《智源人工智能前沿报告》（AI Frontiers Report），预计将于2021年末发布，敬请期待。本篇文章来自该报告AI for Science技术相关板块。

撰文：戴一鸣

审校：熊宇轩

本文感谢中国人民大学魏哲巍教授提供的案例支持。

---

01

 传统科研领域成为人工智能发展的“新战场”

近年来，人工智能在科研领域被初步应用，越来越多的科学家自研或采用成熟的人工智能算法，辅助进行数据挖掘分析、建模、仿真、预测等科研工作，加快发现自然科学新规律、新模式，减少重复性人力工作，提升科学发现的准确性，显著提高科研人员的工作效率。

目前，人工智能已在物理学、化学、材料学、生物学等领域得到应用，如2020年11月“深度势能”团队获得戈登·贝尔奖（Gordon Bell Prize），AlphaFold2破解蛋白质折叠预测难题等。随着人工智能技术和科学研究的结合愈发紧密，已出现了“AI for Science”（人工智能科学研究）的新兴研究领域。

案例1：DeepMind开源AlphaFold2蛋白质预测算法和数据库/华盛顿大学等提出并开源蛋白质预测算法RoseTTAFold

7月，DeepMind使用新开发的AlphaFold2算法预测出了35万种蛋白质的结构，其中包括人类基因组表达的约2万种蛋白质，以及其他20种生物学研究中的常用模式生物（如大肠杆菌、酵母和果蝇）表达的蛋白质，是过去用实验方法解决的蛋白质数量的两倍多。

研究发现，AlphaFold2能对人类蛋白质组中58%的氨基酸结构位置给出可信预测。35.7%的结构位置的预测达到了高置信度，是实验方法覆盖结构数量的两倍。在蛋白层面，AlphaFold2对43.8%的蛋白中至少四分之三的氨基酸序列都给出了可信预测，该研究于7月22日登上《自然》杂志。

DeepMind宣布，已与欧洲生物信息研究所（EMBL-EBI）合作建立AlphaFold DB蛋白质结构数据库，将覆盖98.5%的人类蛋白质信息，预测结果免费开放。12月ÿ