想要读懂一位顶尖的应用数学家，并不是件容易的事。
鄂维南，中国科学院院士、北京大数据研究院院长、北京科学智能研究院（AI for Science Institute,Beijing）院长、北京大学国际机器学习研究中心主任。9月19日，因其对应用数学的开创性贡献，特别是在机器学习算法的分析和应用、多尺度建模、稀有事件建模和随机偏微分方程等方面的贡献，鄂维南获得国际工业与应用数学联合会（ICIAM）麦克斯韦奖。该奖项奖励国际公认的在应用数学领域做出重大原创性工作的数学家，代表了近期应用数学的最重大成果与进展。
对当下学科建设、人工智能和大数据科研及产业的短板，鄂维南仍会毫不掩饰地直抒胸臆，坦率程度，令记者都略感意外。面对抛来的问题，鄂维南习惯性地紧锁眉头，不肯轻易给出一个“随便”的答案。而当忆及自己的恩师，又在不经意间袒露赤子情怀，令人不禁动容。
新华科技与鄂维南，相约在今年北京的秋季。独家专访开始前的设备调试时间，鄂维南办公室内的家具被不断搬挪摆放，他于纷乱中处静，一心挂在电话会上，培养计划、学科方案，甚至课表设置……都逐一过问。
一个前所未有的机会
近十年来，以深度学习为代表的人工智能算法快速发展，并大规模应用于人类的生产生活。
但鄂维南认为，深度学习还有更宏大的应用远景——为科学研究做贡献，基础科学研究将成为人工智能的“主战场”。人工智能将为基础研究带来了新工具和新范式。几年下来，鄂维南的这个想法已经得到广泛认可。2021年底发布的《达摩院2022十大科技趋势》将AI for Science列为重要趋势。
鄂维南表示，长期以来，从事科研工作面临着许多困境。“做科研主要有两条路径，一条是数据驱动，另一条是模型驱动。数据驱动主要的困境在于缺乏高质量的数据，也缺乏好的数据分析方法；而模型驱动的困境则在于虽然我们发现了基本原理，但用它来解决实际问题却非常困难。”
深度神经网络是一种适用于求解高维问题的数学工具；深度学习的成熟，让很多以前难以处理的复杂问题能被很好地解决，并且得出足以指导实践的有效结果，从而前所未有地促进科学发现和技术创新。
“无论是数据驱动还是模型驱动遇到的困难，AI的办法都提供了有效途径，AI能为科研工作带来很大的提升，甚至改变我们做科研的模式。”鄂维南说。
鄂维南举例介绍，典型的例子包括蛋白质折叠，这是生命科学里很重要的基础问题，DeepMind提出的蛋白质三维结构预测模型AlphaFold 2很大程度上解决了困扰科学家半个世纪的蛋白质折叠问题，将计算模拟的精度提升到实验结果的水平。在合成化学领域，也出现了很多自动化的、智能化的合成方法来提高合成化学的效率。而在理论和计算模拟领域，AI也帮助我们解决了一些困惑了我们多年的难题，比方说量子力学精度的分子动力学模拟。
鄂维南讲述，“我是从纯数学专业转到应用数学的，原因是希望我的工作能够有直接的实际应用。我一直对纯数学都非常喜欢，希望应用数学也像纯数学一样严谨，有非常清晰的标准和目标。但跟纯数学不一样的是，应用数学必须以实际应用作为主要驱动力。转行到应用数学之后，其实我心里的危机感一直很强。我的老师们那一代应用数学家，做出了很多原创性的工作，也解决了很多实际问题。那么我们这一代做科学计算的人，能在哪些领域做出原创性的工作，解决哪些实际问题？”
“这个问题让我困惑了很多年，我也探索了很多新领域，直至2012年左右转行研究机器学习，才发现以前碰到的困难，实际上都可以用机器学习的方法来解决。”鄂维南称。
“所以我认为，现在是一个前所未有的好机会。就好比上世纪20年代的量子力学，只用了几年的功夫，量子力学就被建立起来了，而且改变了整个物理学。如今人工智能给我们带来的也是类似的机会，它为科学研究的未来带来了新的机遇，它也会改变整个应用数学。做科研不应该总是想着走捷径。但的确有时候，就会出现一些新机会，这些机会是革命性的，比如AI for Science就是一个革命性的机会。它可以激发一场新的科学革命，重塑很多传统产业和科研模式，建立新业态，这样的机会我们应该去掌握，并且尽快抓住。”鄂维南说。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢