「傳統(tǒng)研究方法高度依賴于科研人員自身的特征和問題定義能力，通常采用小數據，在泛化能力和拓展能力上存疑。而 AI 研究方法則需要引入大規(guī)模、高質量數據，并采用機器學習進行特征抽取，這使得產生的科研結果在真實世界的問題中非常有效」。

OpenBayes貝式計算創(chuàng)始人王臣漢在 COSCon’24 的 AI for Science 論壇中，以「AI 驅動的科研新范式：??智能對統(tǒng)計?法的全?升級」為題，分享了其面向 AI4S 發(fā)展的觀點。HyperAI超神經在不違原意的基礎上，對其分享內容進行了整理匯總，以下是精彩實錄。

機器學習是統(tǒng)計學的有效應用

OpenBayes貝式計算是國內領先的人工智能服務商，在賦能國內一流高校及研究機構的過程中，我們觀察到，在科研領域，尤其是理工科研究中，AI 技術和方法的應用規(guī)模正在大幅上升。今天，我想和大家分享的是，AI、機器學習為何能夠成為科研領域與工業(yè)研究領域的全新范式。

機器學習理論于上世紀 90 年代便已經建立，盡管經歷了多年的迭代發(fā)展，但從該領域目前的 backbone 來看，機器學習仍然沒有脫離傳統(tǒng)統(tǒng)計學的范疇，這也是 AI 為人所詬病的重要原因之一，即統(tǒng)計系統(tǒng)缺乏可解釋性。

相信大家對于我們公司的名字并不陌生——OpenBayes貝式計算，除了人們熟知的利用貝葉斯公式來完成自動化系統(tǒng)的復雜運算外，我們也認為機器學習就是統(tǒng)計學中的貝葉斯學派。

其中，監(jiān)督學習在工業(yè)應用和科研領域更加可靠。尤其是在科研領域，更加依賴于被標注的、結構化的數據，通過對這些數據集進行多種模型結構式的建模，來解析具體的科研問題。在這個過程中，我認為科研的本質是通過統(tǒng)計、解析研究人員收集的研究樣本，從而反應真實世界中的問題。

規(guī)模數據 X 模型結構 = AI 科研成績 - 傳統(tǒng)研究

不久前，AlphaFold 摘冠諾貝爾化學獎，引發(fā)大家的廣泛討論。其實 AlphaFold 近幾年一直在迭代升級，超越人類極限，實現了對人類蛋白質組的相對準確的預測。AlphaFold 1 始于 2018 年，在第 13 屆 CASP (Critical Assessment of protein Structure Prediction) 中，準確地從 43 種蛋白質中預測出了 25 種蛋白質的結構。而同組比賽中獲得第二名的參賽者僅準確預測出了 3 種。

到 2020 年，Google DeepMind 將其升級為 AlphaFold 2，在蛋白質結構預測方面的準確率能夠達到 94%-98%，對制藥領域起到了參考性意義，甚至對冷凍電鏡等觀測手段能夠實現 85%-90% 以上的替代。同時，當人類掌握了蛋白質結構的奧秘，那么在抗體和生物制藥的研究上，也就掌握了最為有效的即時性工具。相信這也是 AlphaFold 能夠榮獲諾貝爾獎的重要原因。

除了 AlphaFold 的案例外，我還想介紹一下與貝式計算合作的國內知名研究者，北京大學人工智能研究院施柏鑫教授團隊發(fā)表的論文「EventPS: Real-Time Photometric Stereo Using an Event Camera」，已經入選 CVPR 2024 最佳論文。

該研究入選 CVPR 2024 最佳論文

該研究通過事件觸發(fā)與表?法線建立關聯的「零化向量」信息，利?最優(yōu)化與深度學習分別實現了光度立體表?法線估計的求解，配合?研的?速轉臺所搭建的數據采集系統(tǒng)，和經過 GPU 優(yōu)化的算法，實現了超過 30 幀每秒的實時表?法線重建。

• 論文地址：
  https://openaccess.thecvf.com/content/CVPR2024/papers/Yu_EventPS_Real-Time_Photometric_Stereo_Using_an_Event_Camera_CVPR_2024_paper.pdf

總結來看，基于二維信息的三維信息模型重建一直是學術領域的研究重點之一，因為無論是從宏觀還是微觀的角度，人類都有對真實世界的理解需求。而 AlphaFold 便是將一維的化學、生物信息在空間中進行重構，EventPS 是通過事件相機來還原物體的三維輪廓。

上述介紹的兩個案例展示了機器學習方法推動前沿研究多帶來的價值，針對于此，借助貝式對科研群體的觀察，我總結出了一個簡單的公式：規(guī)模數據 X 模型結構 = AI 科研成績 - 傳統(tǒng)研究。

具體而言，在科研過程中，將規(guī)?；臄祿糜谟行У哪Ｐ徒Y構上，能夠起到「乘積」的作用，能在任何一個工業(yè)領域的落地研究課題上大幅超越傳統(tǒng)方法，這便是 AI 驅動的科研能夠在近兩年內實現了 2-5 倍增長的重要原因。

而我們提出的公式之所以是乘積而非加法，核心原因在于單獨依靠某一個參數的增長，其所得到的效果都不是很明顯。如果保持模型結構不變而一味地增加數據量，則可能會產生邊際效應，導致性能提升困難；同樣地，當數據規(guī)模一定時，模型參數也并非越大越好。

如下圖所示，如果使用線性函數對一組數據進行二分類任務，可以看到一元的線性函數有效性很有限；如果我們上升為二元函數，能夠看到，雖然有部分樣本錯誤，但整體實現了泛化；進而，如果在數據不變的情況下，繼續(xù)提供更高維的函數或更大參數規(guī)模的模型來擬合數據集，所得結果的擬合度和預測準確度是非常高的，但同時也會導致過擬合問題，使得模型喪失在該數據集之外的泛化能力。

所以，數據規(guī)模并不是越大越好，模型復雜度也不是越高越好。

近年來，業(yè)界激烈探討的 Scaling Law 也提到，只有當數據規(guī)模和參數規(guī)模都同等增大時，模型 loss 函數的下限，也就是其預測的失誤率將會下探到一個較低水平，這個水平是較小規(guī)模的數據和較小參數規(guī)模的模型無法實現的。

監(jiān)督式學習推動科學研究創(chuàng)新升級

聚焦到科研領域，通常還是使用監(jiān)督式學習的方法來推動科學研究。

監(jiān)督式學習的本質是抽樣調查，通過科研人員手中的數據集和樣本來嘗試解決真實世界的問題。當數據集規(guī)模與模型規(guī)模、復雜度同時擴大時，本質上是學習樣本變得更大了，研究人員得以在更大規(guī)模想樣本中抽取更多特征。這便是機器學習的優(yōu)勢所在，即將定義特征與抽取特征的工作從研究者手中解放出來。

其更高層次的價值在于，當數據集中的特征過于復雜時，人腦很難抽取其中的主要特征、并分配相應的權重，但機器學習能夠自動化提取特征，能夠很好的解決大規(guī)模樣本的特征提取，而越大規(guī)模的樣本和模型結構越能擬合真實世界的問題。

不妨大膽推斷，當機器學習變得更加成熟后，科研人員的主要工作就變成了定義問題、提升并提純手中的數據集規(guī)模，以及選定合適的機器學習模型。這也將帶來一個劃時代的創(chuàng)新，工業(yè)研究、理工科研究能夠像工廠制作產品一樣以流水線的形式進行生產。

使用機器學習對世界進行認知/感知與推演

貝式計算相信，隨著 AI 在科研領域的落地和新范式的不斷推廣，人類正面臨一個類似于寒武紀時代的大爆發(fā)，幾乎每一個工業(yè)、理工科研領域的前沿都會被推進。

我們認為，機器學習對科研領域的促進將體現在兩個方面，其一是使?機器學習對世界進?認知/感知，其二是使?機器學習對世界進?推演。

其中，在感知側最大的推動來自于機器學習方法對世界進行超采樣。

人類感知世界主要依賴眼耳口鼻等感官，在計算機領域可以理解為使用傳感器和大規(guī)模數據記錄來對世界進行采樣，而當人們擁有更大規(guī)模的數據集后，使用機器學習的方法就可以對采樣的精度和規(guī)模進行成比例的擴增，這也是使用機器學習認知世界的本質。

換言之，機器學習加強了對世界的感知，從而幫助人們對世界的本質展開研究。

舉例來看，中科院、上海交通大學等高校、研究機構，已經開始利用機器學習處理質譜和光譜數據，例如使用機器學習對光譜進行建模，從而提高地底礦物發(fā)現的準確率。

此外，在使用機器學習對世界規(guī)律進行推演方面，我想分享的是時序數據的研究范式。

時序數據就是在時間序列上對事物的發(fā)展進行量化的定義，最常見的就是股市數據、降雨量、氣溫變化等等，都是時序數據。在 AI 領域，大語言模型的本質就是將人類語言或知識使用文本方式進行表達的同時，將文本的序列當做一種時序數據來進行理解，預測前述輸入文字所帶來的下一個 token 出現的概率。

總結來看，時序數據能夠表達事物的前沿發(fā)展運行規(guī)律，那么，我們自然可以使用機器學習來擬合大量的數據，進而根據前序輸入的數據來推演后續(xù)輸出的數據。

舉例來看，在氣象領域，中國、美國、法國等國家的各類科研院所都在積極地將機器學習模型應用到各維度的預測中，目前的氣象預測不僅擴摸擴大、預測時間延長，而且精度也在不斷提高。

可以看到，從認知到推演，這是機器學習在科研領域最有可能批量產出科研結果的兩個方向。

傳統(tǒng)研究方法 vs. AI 研究方法

在此，我將傳統(tǒng)研究方法與 AI 的研究方法進行了對比。

傳統(tǒng)研究方法高度依賴于科研人員自身特征和問題定義能力，只采用「小數據」。而一旦數據量較小，研究成果在工業(yè)領域或更廣泛的人類社會中進行拓展應用時就會存疑。

當科研領域引入 AI 時，首先需要引入大規(guī)模的數據，人們使用機器學習模型進行相關特征的抽取，正如剛剛所講，只要使用規(guī)模性的數據和有效的模型結構，就能帶來科研領域的突破性進展。通常而言，如此產生的科研結果在真實社會的真實問題應用中仍然有效，這也恰恰是 AI 推動科研的最大魅力，即橫向擴展中的有效性。

OpenBayes貝式計算打造集群軟件

最后為大家介紹一下 OpenBayes貝式計算，我們是國內相對領先的人工智能服務商，在集群構架、編譯器和模型結構領域擁有豐富的創(chuàng)新成果與產品。目前 OpenBayes 的模型構件系統(tǒng)已經被超過百家企業(yè)和研究機構所采用，進行私有部署。同時，我們的線上公開服務注冊用戶已經超過 17 萬，其中大多數是終端工程師及科研領域的學者，重點用戶覆蓋了國內的雙一流 985、211 高校的工科和工業(yè)研究機構，例如清華大學、北京大學、天津大學、上海交大等等。

我們面向 AI for Science 提供的工具集能夠端到端覆蓋人工智能模型研發(fā)的全生命周期，將全球的開源數據集和大量 AI、HPC 領域的教程，同時還預置了開源和私有模型，將科研領域的要素整合到一個集群軟件中，這也是我們公司的主要產品——OpenBayes。我們將其部署在 NVIDIA 及其他國產芯片的計算集群中，為科研人員和團隊提供開箱可用的服務，幫助科研人員在模型構建、模型推理、工業(yè)軟件計算等方面實現一站式銜接。

整個套件能夠能夠將模型訓練成本降低到常規(guī) AI 構建此水準模型成本的 8.25%，例如，過去需要數千萬集群才能完成的計算，基于 OpenBayes 的軟件成本能夠降低至數十萬。

也正是基于對 AI for Science 領域的深度賦能，我們觀察到，目前在科研領域，仍然有大量 AI 仍未觸達、有待開墾的領域，我們也相信，科研領域的寒武紀時代即將到來，幾乎所有的工業(yè)研究、理工科研究都將落地 AI 范式及方法。