AI正再造贝尔实验室

全文2176字,阅读约需7分钟,帮我划重点

划重点

01MIT经济系博士生罗杰斯的论文《人工智能、科学发现和产品创新》显示,AI正在加快企业创新,显著提升研发效率。

02该研究分析了美国一家科技大公司的1,018名科学家,发现使用AI工具的科学家们发现的材料增加了44%,申请的专利增加了39%。

03然而,效率的提升并不是均匀地分配到每位科学家身上,底层三分之一的科学家几乎没有获得收益,顶尖研究人员的产出几乎翻倍。

04作者认为,专业知识在创新过程中起着关键作用,判断能力较强的研究人员更能有效评估AI的建议。

05未来,研发机构需要优先招聘具备较强专业判断力的人才,以提升研发效率。

以上内容由腾讯混元大模型生成,仅供参考


我们能否借助AI,再造那些伟大的实验室,如卡文迪许实验室、贝尔实验室?
最近一篇在AI、经济学、科学研究等圈子跨界转发的一篇论文,调研了一家大厂千余位科学家,借助AI工具发现新物质并进行产品创新,初步得出结论:AI正在加快企业创新,显著提升了研发的效率,如果企业调整研发机制,更好使用AI,创新能力会持续提升。
这是MIT经济系博士生罗杰斯(Aidan Toner-Rodgers)的论文,《人工智能、科学发现和产品创新》,他从一家美国科技大公司的研发实验室中选择了1,018名科学家,随机安排他们使用AI工具发现新材料,然后进行对照分析,得出了令人振奋的结论。
该实验室专注于材料科学在医疗保健、光学和工业制造领域的应用,雇用了化学、物理和工程学的高级研究人员。传统上,科学家通过昂贵且耗时的试错系统来发现材料,构思许多潜在结构并测试它们的性质。科学家现在可以使用一种AI模型,它从现有材料的成分和特性数据中学习训练,当科学家们想要某种性质的新化合物时,就用这个模型预测新的“配方”。一旦科学家创造出有用的材料,就将其整合到新的产品原型中,然后进行开发、规模化和商业化。

材料科学研发管线

图片
AI工具用于蓝色部分)
研究发现,使用AI工具的科学家们发现的材料增加了44%,申请的专利增加了39%,在下游的产品创新中增加了17%,而且这些化合物具有更新颖的化学结构,产生更多突破性发明。
作者还计算了研发效率的提升,研发效率=产品原型/(劳动力成本+其他可变成本+固定成本折旧),发现AI可以提升研发效率13%到15%。
实验室使用的AI技术是一组图神经网络(GNNs),一个从已有材料的结构和性质训练出来的模型。GNN将生成模型扩展到的场景,其几何结构包含了关键信息。GNN架构将材料呈现为原子和化学键的多维图,这使它能够学习物理定律并编码宏观性质。下面是他们所使用的模型及其工作原理:
发现新材料的AI工具

图片

不过,效率的提升并不是均匀地分配到每位科学家身上。底层三分之一的科学家几乎没有获得收益,顶尖研究人员的产出几乎翻倍。为什么会出现这种情况?
AI在科学家们研发工作的不同环节,所起到的作用是不同的。AI自动化了57%的"想法生成"任务,这样就产生了一个新任务,研究人员把更多的精力转向评估模型产生的候选材料。该组织内顶尖科学家利用专业知识优先考虑有希望的AI建议,其他研究人员却在测试“假阳性”结果上浪费大量资源。
具体而言,虽然AI生成了大量的化合物,但是绝大多数(88%)的科学家发现AI生成的化合物更难评估。原因很简单:AI按照指令设计材料的过程本身就包含了关于其质量的信息。识别出高质量的新材料的难度,在研究人员之间并不均匀分布;与判断能力最低的四分之一相比,判断能力最高的四分之一的科学家在不进行测试的情况下就能识别出假阳性的可能性几乎是两倍于前者。
而且这种差异,并不是因为对AI技术的熟悉程度,而是来自科学家的在相关专业领域的知识。判断能力较强的研究人员(前50%)在评估模型生成的候选材料时,更重视他们的科学训练和类似材料的经验。"直觉或感觉"——一种隐性知识的代表——与判断能力也呈正相关。判断能力最高的四分之一的科学家,在其研究的材料领域发表学术论文的可能性是其他人的3.4倍。所以他们能更有效评估AI的建议。

使用AI,专业判断能力更重要

图片
(在采纳了AI技术之后,创意生成的时间大幅度压缩,判断时间显著增长。)
对AI生成结果的评估能力越来越重要,这部分价值主要由专业知识创造。从机器学习的角度来看,这表明顶尖科学家观察到了一些模型未能捕捉到的材料设计特征。因此,将人类反馈整合到算法预测中,可能是科学发现的一个有前途的方向。这些发现突显了算法与专业知识在创新过程中的互补性。尤其需要指出的是一种新型的研究技能正在出现,即判断模型建议的能力,这种技能增强了AI技术的效果,今后会越来越重要。
论文也发现,有82%的科学家报告工作满意度下降,因为他们原先最能带来满足感的“想法生成”领域,被AI大量取代,他们感觉自己的创造力减少、技能未被充分利用。
这项研究最大的价值,在于证明了在新材料发现的研发与创新领域,AI具有增强的潜力,算法与专业知识在创新过程中是互补的。
所以,对于一个研发机构来说,优先招聘那些具备较强专业判断力的人才,会非常有助于提升研发效率。就在作者研究进入末期,该实验室进行了一次组织调整,裁掉了3%的研究人员,他们判断力较弱,同时又招入了更多判断力较强的科学家。
作者乐观地认为,随着时间的推移,研发组织将会体现出勒沙特列法则( LeChatelier principle ),即组织会调整以更好地适应新技术。初期的影响可能相对较小,因为系统还没有完全适应,随着组织结构、人员配置等的优化调整,工具的实际效果会进一步显现,因此长期来看,在机构的层面对研发效率的提升会更为明显。
材料科学经常被称为技术进步的"无名英雄", 它支撑了许多重大突破。如20世纪50年代硅的纯化使集成电路的发展成为可能,为现代计算奠定了基础。石墨烯是2004年创造的,已经改变了从电池到海水淡化过滤器等众多产品。最近,新型光伏结构提高了太阳能电池板的效率,推动了可再生能源成本的大幅下降。在医学领域,生物相容性化合物使植入物能够与人体组织无缝结合,改进了药物输送系统。超过三分之二的新技术依赖于创新材料。我们期待AI能帮助创造新的贝尔实验室。
人工智能对经济发展的促进,不仅在于其改变商品和服务生产方式的能力,更在于其对创新过程本身的强化作用。这篇论文在论证因果关系方面非常扎实和有技巧,被公认为是迄今研究AI与劳动生产率最优秀的论文,也是AI for Science方面的最有说服力的研究。作者是MIT经济系二年级博士生,研究方向是劳动经济学、宏观经济学和产业组织。帅吧!

图片

来源:MIT经济系