創造共同語言
新任教職員Kaiming He討論人工智能在降低科學領域之間的障礙和促進科學學科間合作中的角色。
Kaitlin Provencher | 科學學院
發佈日期：2025年2月7日
Kaiming He是一名麻省理工學院（MIT）施瓦茨曼計算學院的副教授，也是科學研究與人工智能整合的倡導者。他指出，自從他成為博士生的15年來，科學界發生了很大的變化。
“當你處於博士階段時，不同學科和領域之間有著高牆，甚至計算機科學內部也存在高牆，”He說。“坐在我旁邊的人可能正在做我完全無法理解的事情。”
自從他在2024年2月加入MIT施瓦茨曼計算學院，擔任電機工程與計算機科學系的Douglas Ross（1954）職業發展教授以來，He表示他正在體驗到一種在他看來“在整個人類科學歷史中非常罕見”的現象——跨越不同科學學科的牆正在降低。
“我無法理解高能物理、化學或生物研究的前沿，但現在我們看到了一些可以幫助我們打破這些牆的東西，”He說，“那就是在人工智能中找到的共同語言的創造。”
建立人工智能橋樑
He認為，這一變化始於2012年“深度學習革命”之後，當時人們意識到基於神經網絡的一系列機器學習方法如此強大，可以被更好地利用。
“從那時起，計算機視覺——幫助計算機像人類一樣看見和感知世界——開始迅速增長，因為事實證明，你可以將這種相同的方法應用於許多不同的問題和領域，”He說。“因此，計算機視覺社群迅速壯大，因為這些不同的子主題現在能夠使用共同的語言並分享共同的工具。”
隨著時間推移，He表示這一趨勢開始擴展到計算機科學的其他領域，包括自然語言處理、語音識別和機器人技術，為ChatGPT和其他人工通用智能（AGI）的進展奠定了基礎。
“所有這一切在過去十年中發生，帶領我們迎向一個新興的趨勢，我真的很期待，這就是觀察人工智能方法如何向其他科學學科擴展，”He說。
He提到的一個著名例子是AlphaFold，這是一個由Google DeepMind開發的人工智能程序，能預測蛋白質結構。
“這是一個非常不同的科學領域，一個非常不同的問題，但人們也在使用相同的人工智能工具，相同的方法來解決這些問題，”He說，“我認為這只是個開始。”
人工智能在科學中的未來
自從來到MIT以來，He表示他與幾乎每個系的教授進行了交談。有時他發現自己與來自不同背景的兩名或多名教授進行對話。
“我當然不完全理解他們的研究領域，但他們會提供一些背景，然後我們可以開始討論深度學習、機器學習和神經網絡模型在他們問題中的應用，”He說。“在這個意義上，這些人工智能工具就像是這些科學領域之間的共同語言：機器學習工具將他們的術語和概念‘翻譯’成我能理解的術語，然後我可以學習他們的問題，分享我的經驗，有時提出解決方案或探索的機會。”
擴展到不同的科學學科具有重要潛力，從利用視頻分析預測天氣和氣候趨勢，到加快研究週期並降低新藥發現的成本。
雖然人工智能工具為He的科學家同事的工作提供了明顯的好處，但他也指出，它們對人工智能的創造和進步也能產生互惠的影響。
“科學家提供新的問題和挑戰，幫助我們不斷進化這些工具，”He說。“但同時也要記住，今天的許多人工智能工具源於早期的科學領域——例如，人工神經網絡受到生物觀察的啟發；用於圖像生成的擴散模型受到物理術語的激勵。”
“科學和人工智能不是孤立的主題。我們從不同的角度接近同一目標，而現在我們正在聚集在一起。”
而MIT正是他們聚集的最佳場所。
“MIT能比其他地方更早看到這一變化並不奇怪，”He說。“[MIT施瓦茨曼計算學院]創造了一個連接不同人員的環境，讓他們坐在一起、交談、合作、交流想法，同時講著同樣的語言——我看到這一點開始發生。”
至於牆會何時完全降低，He指出這是一項長期投資，不會在一夜之間完成。
“幾十年前，計算機被認為是高科技，需要特定的知識才能理解，但現在每個人都在使用計算機，”He說。“我預計在十年或更長的時間內，每個人都會以某種方式使用某種人工智能進行研究——這只是他們的基本工具，基本語言，他們可以使用人工智能來解決他們的問題。”
在這篇文章中，Kaiming He的觀點強調了人工智能在科學研究中的潛力，以及它如何作為一種共同語言，促進不同領域之間的合作。隨著技術的進步和學科的融合，我們或許能看到未來科學界的突破性發展，這不僅有助於解決當前的科學問題，還將改變我們對科學研究的理解。這種跨學科的合作不僅能加速創新，還能推動科學的全面進步，讓我們期待未來的可能性。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
