AI 不只是工具，正在成为科学研究的参与者。
先讲科研范式怎么变，从人工主导走向机器辅助和自主驱动。再讲AI在生命科学、数学、材料、气候四个基础学科里做出的具体成果。
前面三部分讲AI去了什么新地方，这一部分讲AI在做一件更根本的事，帮人类发现新知识。
后面十页每一页都是一个真实的成果，涉及化学、物理、生物、数学、材料和气象。这些例子放在一起，能说明AI已经不只是产业工具，而是在改变知识生产本身的方式。
让机器做科研，你觉得最难的是哪一步？
利用人工智能方法，辅助科学发现、实验设计和知识生成。
在数据规模快速增长和科学问题日益复杂的背景下，AI 能够从海量数据中发现潜在规律，生成研究假设，并加速实验验证过程。它可以参与科学问题提出、假设生成、实验优化和结果解释等多个环节。
研究人员向AI提出问题，AI 选择实验方案，自动化系统执行实验，收集实验数据，AI 处理数据并学习，研究人员检查结果，然后再来一轮。人和机器各占一段，转成一个圈。
一个实验做一千次和做一百万次，能发现的东西一样多吗？
深度学习模型加机器人合成系统，自动完成化学实验。
典型案例是 IBM RoboRXN 平台。核心能力是自动生成化学反应路径、智能调控合成条件、自动完成实验操作。科研价值是缩短分子筛选与验证周期、提升实验的可重复性与可靠性。
化学实验里同一个步骤不同的人做，手法、时间、温度都有细微差别，结果就不一样。机器人每次都一模一样，这本身就是科研价值。
第 7 章第 3 页讲实验要留下数据版本和训练配置才能复现。科学实验的可重复性问题和AI项目的可复现问题，本质上是同一件事。
同一个实验换个人做结果不一样，问题出在哪？
国内案例，移动机器人加智能化学工作站加高通量计算系统。
自动阅读文献、自动设计实验、自动执行操作、自动优化结果。这四步走完就是一个完整的科研闭环，人只需要提出问题。
页面写着每日可完成约 2000 次实验操作，相当于 5 到 6 名科研人员的工作量。而且它不休息、不走神，每一步都留有记录。
一个方向每年发表几万篇论文，人根本读不过来。机器先读一遍，把有用的实验条件提取出来，光这一步就能省掉大量时间。
四个自动里，你觉得哪一个最难做到？
AI 帮大型实验装置处理海量数据。
典型案例是智慧光源大脑系统。应用场景是大型光源实验数据解析与管理。核心能力是自动识别实验信号、智能优化数据处理流程、辅助提取关键科学信息。
用同步辐射光源照射样品来研究物质结构的实验装置，一次实验产生的数据量极大。过去靠人工筛选信号，效率低还容易漏掉重要的东西。
AI 在这里不是提出新理论，而是把科研人员从海量的数据处理里解放出来。价值不在替代思考，在于替代重复劳动。
实验数据多到人看不过来，会漏掉什么？
用 AI 算法实现激光脉冲参数的实时优化与稳定控制。
美国劳伦斯伯克利国家实验室的高功率激光装置 BELLA 采用 AI 算法实现激光脉冲参数的实时优化与稳定控制。
这类装置有几十个参数互相耦合，改一个其他都跟着变。人调一轮要几个小时，AI 可以在每一发激光之后立即调整。这和第 5 页提过的核聚变控制是同一类问题。
参数多、耦合强、变化快、人反应不过来。凡是符合这四条的控制问题，都是强化学习的用武之地。
几十个互相影响的旋钮，人为什么调不过来？
从氨基酸序列到三维结构的高精度预测。
AlphaFold 系列模型实现从氨基酸序列到三维结构的高精度预测。AlphaFold3 构建统一建模框架，可同时预测蛋白质及其与小分子、核酸等多种生物分子的相互作用。系统能够模拟离子、翻译后修饰等复杂因素。
蛋白质的功能由它折叠成的三维形状决定。过去测一个蛋白质的结构要花几个月甚至几年，AlphaFold 把这件事变成了几分钟。生物学研究的速度因此整体提了一个档。
这是全章最常被引用的AI4S成果，也是AI改变一门学科最清楚的一个例子。
知道了蛋白质长什么样，能拿来做什么？
能设计出自然界里没有的蛋白质。
AlphaFold 做的是预测，给序列算结构。ESM3 做的是生成，可在蛋白质序列、结构与功能三重维度上进行联合推理与生成。一个是读，一个是写。
研究中成功生成了新型绿色荧光蛋白，其序列差异相当于约 5 亿年的自然进化跨度。也就是说自然界要靠随机突变和自然选择花 5 亿年才可能演化出来的东西，模型直接给出来了。
把氨基酸序列当成一种语言，一个氨基酸就是一个词。第 5 章讲的那套 Transformer 直接搬过来就能用，图上中间那几个方块正是 Transformer 模块。
会预测和会创造，哪一个更难？
让 AI 在算法空间里自己搜索更优的计算方案。
AlphaTensor 将矩阵乘法问题转化为张量分解问题，并结合深度强化学习与蒙特卡洛树搜索进行自动求解。模型能够在算法空间中自主搜索最优解，不仅复现人类已知的高效算法，还发现了新的更优计算方案。
矩阵乘法是几乎所有科学计算和深度学习的底层操作。让它快百分之几，全世界的算力消耗就少百分之几。人类几十年才改进一点点的地方，AI 自己找到了更好的走法。
可以理解成把一次大的矩阵乘法拆成若干次小的乘法和加法，拆法不同，需要的乘法次数就不同。AI 要做的是找一种乘法次数最少的拆法。具体的数学属于后续课程内容。
AI 发明了一个比人更好的算法，这算不算创造？
用图神经网络预测晶体结构，自动发现新材料。
DeepMind 提出 GNoME 系统，利用图神经网络对晶体结构进行建模，并在大规模化学组合空间中进行高效搜索与预测。系统能够自动生成稳定晶体候选材料，不仅复现已知结构，还发现此前未探索的新型材料组合空间。
晶体是原子按一定规律排列成的网络，原子是点，化学键是线，天然就是一张图。用处理图的模型来处理晶体，是很自然的匹配。
化学元素上百种，组合方式几乎无穷。人一辈子能试的材料是有限的，AI 可以先在计算机里把不可能的排除掉，只把最有希望的几个交给实验室。
找一种新材料，先在电脑里筛一遍能省下什么？
把全球大气建模为图结构，用图神经网络做预测。
DeepMind 提出 GraphCast，将全球大气与地表信息建模为图结构，并利用图神经网络进行时空预测。在多项测试中，GraphCast 在超过 90% 的变量预测上优于传统数值天气预报系统，并可提前识别飓风等极端天气事件。
把大气分成很多小格子，用流体力学方程一步步算出每个格子下一时刻的状态，这需要超级计算机跑几个小时。GraphCast 是从历史数据里学出规律，算一次只要一分钟左右。
从左到右网格越来越密，这是多重网格的消息传递机制。粗网格传远距离的信息，细网格传近距离的信息，两者结合既看得远又看得细。
用方程一步步算和从数据里学规律，各有什么长处？
复旦大学研发的全球天气预报模型。
0.25 度空间分辨率是把地球表面按经纬度切成 0.25 度一格的网格，大约相当于 25 公里见方。6 小时时间分辨率是每 6 小时给出一次预测。15 天是能往后预测的最远时间。
不给一个确定的答案，而是给出几十种可能的情况以及各自的概率。天气本身就有不确定性，与其给一个可能错的确定值，不如告诉你降雨概率百分之七十。
名字里的 U 指的是先下采样再上采样的结构，Transformer 是第 5 章讲过的那套。级联的意思是把多个模型串起来，各管一段时间尺度。
天气预报说明天降雨概率百分之七十，这句话是什么意思？