人工智能（AI）正逐步成為科學發現的強大驅動力，盡管全面自主的科學探索AI系統尚未問世，但其在多個科學任務中的進展已引發廣泛關注。近年來，大型語言模型（LLMs）與其他AI技術的融合，為文獻分析、實驗設計、假設生成及方程發現等領域帶來了革命性變化。
科學發現，即通過探索自然現象并提出、驗證新概念、規律和理論，一直是人類最具挑戰性的智力活動之一。早期的人工智能研究主要基于符號AI方法，模擬科學推理過程。然而，近年來，深度學習及大型語言模型的興起，使AI在科學發現中的應用邁入新階段。
在文獻分析與頭腦風暴方面，大型語言模型已成為處理海量科學文獻的得力助手。通過預訓練于大規?？茖W語料庫，如PubMedBERT、BioBERT和SciBERT等模型，能夠高效檢索、摘要及回答復雜科學問題。這些模型不僅加速了研究人員的文獻瀏覽過程，還幫助他們快速提煉關鍵信息，綜合回答跨學科問題。
定理證明是AI在科學研究中的另一重要領域。近年來，通過將LLMs與形式化推理系統結合，自動定理證明取得了顯著進展。例如，GPT-f框架通過訓練基于Transformer的語言模型，學習證明策略，從而在復雜數學證明過程中導航。Draft-Sketch-Prove方法則進一步模擬人類從直觀理解到嚴謹證明的過程，通過LLMs草擬非正式證明，并借助證明助手工具完成正式證明。
實驗設計是科學探索中的關鍵環節，通常需要豐富的領域知識和創新思維。AI驅動的實驗設計系統能夠自動生成、規劃、優化甚至執行實驗，顯著加速了科學發現過程。在物理學、化學、生物學及醫學等領域，LLM代理系統已展現出巨大潛力。例如，在物理學領域，基于LLM的系統成功設計了復雜的量子實驗，優化了高能物理模擬參數；在化學領域，AI驅動的自動化實驗系統能夠設計和優化化學反應；而在生物學和醫學領域，AI則優化了基因編輯協議，設計了更有效的臨床試驗。
數據驅動的發現已成為現代科學研究的核心，利用不斷增長的實驗、觀測和合成數據揭示新規律。方程發現，即數據驅動的符號回歸任務，近年來取得了顯著進展?；赥ransformer的語言模型將方程發現視為數字到符號的生成任務，結合搜索技術提高了發現效率。SNIP模型等多模態表示學習方法，進一步將方程發現搜索移動到低維且平滑的表示空間，提高了搜索準確性。
然而，評估AI系統在開放式科學發現中的表現仍面臨挑戰。目前的基準測試主要集中在重新發現已知科學定律或解決教科書式問題，缺乏對新科學發現的評估。因此，開發專注于新穎科學發現的基準數據集，以及創建多方面的科學發現評估指標，成為當前研究的重要方向。領域專家的參與對于開發有意義的基準和評估AI驅動的科學發現至關重要。
面向科學的智能體是當前科學AI研究的另一重要趨勢。這些智能體能夠利用廣泛科學知識，進行推理并自主驗證其推理和假設。然而，開發有效的面向科學的智能體也面臨領域特定工具集成、自適應實驗設計與假設演化等挑戰。潛在的研究方向包括開發模塊化架構，整合領域特定知識庫和工具接口，以及開發元學習框架和層次化規劃算法。
科學數據的多樣性為AI驅動的科學發現提供了挑戰和機遇。大多數科學數據并非自然語言形式，而是包含圖像、基因組序列、時間序列傳感器數據等多模態信息。因此，推進多模態科學表示，成為AI在科學發現中的重要任務。通過結合不同模態的數據，AI能夠更全面地理解和解釋科學現象。
盡管完全自主的人工智能科學家仍遙不可及，但AI作為強大的科學助手，已展現出巨大潛力。通過導航科學文獻、集思廣益、生成新穎假設、設計實驗及發現復雜數據中的模式，AI正逐步成為科學家不可或缺的合作伙伴。隨著研究的深入，AI有望在未來科學發現中發揮更加重要的作用。
