鑽石舞台

一艘 Triton 3300 潛艇用科學家設計的軟機械臂探索深海。來源：OceanX

人工智能（AI）已被證明是生物信息學的革命性工具；有了谷歌旗下Deep Mind公司建立的Alpha Fold數據庫，科學家得以預測100萬個物種中2億種蛋白質的結構。與此同時，其他領域也從中受益。在本文中，我們將介紹專注於追求前沿AI和機器人技術的研究人員的工作，包括更好地預測不斷變化的地球氣候，揭開藝術品背後隱藏的歷史，以及了解深海生態和開發新材料等。

只有堅韌的生物體才能承受深海生活的嚴酷考驗。但是從像水母和海參這樣柔軟而粘糊糊的生物，到堅硬但易碎的深海魚類和珊瑚，這些強韌的物種通常也非常纖細精巧。它們的脆弱性使研究這些生物體成為一項複雜的任務。

許多水下機器人身上堅固的金屬機械手有可能傷害這些標本，從而無法完好無損地將之取回。但是，基於柔性聚合物的「軟體機器人」，正在為紐約城市大學的David Gruber這樣的海洋生物學家提供一種更柔和的替代方案，與這些神秘的深海居民互動。

有些方法是在傳統自動航行器上用這些更柔軟的要素來造樣品處理臂，另一些方法則更密切模仿對象的形態，並完全由軟的柔性材料組成。Gruber說，問題在於這是否能讓科學家們在深海中採集活檢樣本，「並實現我們通常在受控實驗室環境或者潛艇球體內做的事」。

答案似乎是肯定的。在過去的八年裡，Gruber一直與哈佛大學的機器人專家Robert Wood合作，構建能夠在潛水員不敢去的環境中有效運行的機器人。他在該領域的許多同事已經完成了類似的壯舉。例如，在2021年，由浙江大學機器人專家李鐵峰領導的中國研究團隊設計了一種可以在馬里亞納海溝幽暗深處（西太平洋海面以下近11公里）航行的機器人。

這些軟體機器人早期主要專注於安全捕獲和處理活的海洋生物，但下一代應該能夠在不返回陸地的情況下進行更廣泛的分析。Gruber描述了在水下執行質譜分析或複雜成像方法的系統開發進展，他和Wood甚至開發了一種軟體機器人，可以對新捕獲的樣本進行基因組分析。

成本仍然是一個很大的障礙。Gruber指出，即使較小的潛水系統也可能花費數十萬美元。但軟體機器人的設計帶來很大的靈活性。例如，Gruber的同事已經證明，他們可以在海上工作時使用3D打印機創建專門的操縱和抓取組件，從而使他們能夠為探險期間發現的水母、珊瑚或其他生物快速定製機器人。

儘管這項技術尚未被廣泛接受，但Gruber對軟體機器人改變海洋生物學的可能性充滿熱情，因為比起來自潛艇相機的短暫快照，它能夠讓研究人員快速獲得對新物種的有用見解。「這些動物大多很新，我們對它們知之甚少，甚至一無所知。」他說。

每三到七年，太平洋海水的表面溫度會在相對溫暖和涼爽之間波動。雖然只有幾度，但這些變化對全球氣候影響重大，它們會強烈影響亞洲、大洋洲和美洲的降雨和風暴活動。

這些變化被正式稱為厄爾尼諾-南方濤動，或者簡稱為ENSO，對其時間的了解，可以幫助社區準備好面對乾旱、嚴重颶風或其他極端天氣事件。這樣的預測很難有很大把握，但在2019 年，韓國全南國立大學的Yoo-Geun Ham團隊開發了一種算法，該算法基於一種被稱為深度學習的AI技術，可以成功提前兩年預測這些海洋變暖和降溫。實際上，他們的算法在過去三年中一直在預測ENSO模式。「目前一切順利。」Ham說。

預示着颱風等事件的ENSO模式，可以提前很長時間進行預測。來源：NASA Earth/ZUMA Press Wire Service/Shutterstock

AI雖然是氣候科學工具箱的新成員，但它已被證明善於梳理觀察數據，發現有意義的大氣和海洋活動模式。有時AI可以生成很好的未來預測（例如Ham對ENSO開展的工作），但該技術也可以提供即時的相關見解。例如，谷歌姊妹公司Deep Mind的科學家在 2021 年進行的一項研究展示了一種「臨近預報」算法，該算法將深度學習應用於實時雷達數據，以準確預測未來數小時內的降水模式（S. Ravuri et al. Nature597, 672–677; 2021）。

氣候研究人員也在使用AI來克服傳統基於統計或物理學的氣候學方法的一些缺點。例如，深度學習算法可用於識彆氣候建模中根據當前知識或直接觀察無法準確量化的基本參數，例如海水混合或雲的區域運動。人們甚至可以應用AI來填補歷史氣候數據的空白。

迄今為止，大多數工作都集中在全球氣候的特定組成部分或區域要素上，但目前更大的、全球範圍的問題仍在很大程度上超出了AI能處理的範圍。這種規模的預測通常來自地球系統模型——基於對海洋、大氣和陸地生態系統中關鍵物理過程的理解所建立的數學框架。Ham表示，該領域「是應用深度學習進行氣候預測和氣候建模的未來」，儘管他同時也指出，該領域的大部分初步工作尚未在準確性方面得到有力的評估或驗證。

部分問題在於，當前的AI系統通常是在研究數據的模式，而不是真正在理解物理現象。除此之外，算法得出結論的過程也難以追溯。Ham說，他的團隊必須努力克服這方面的質疑。「我們應用了一種非常嚴格的驗證方法來證明我們的深度學習模型確實超越了其他最先進的預測系統，」他說。Ham認為，AI最終將改變氣候預測領域。「我認為未來非常光明。」他說。

過渡金屬元素，如鐵、銅和鉑，廣泛用於各種行業的化學加工和合成——部分原因在於它們獨特的、適合用於催化的電子結構。然而，材料科學家只是觸及了眾多可能配方的冰山一角，還有更多的化合物有待發現，它們可以提供卓越的催化性能、更低的成本或更簡單的生產方法。

使用AI算法來加快材料發現和設計過程的研究社區正在不斷壯大，麻省理工學院的計算化學家Heather Kulik就是其中的一員。在今年發表的一項研究（A. Nandy et al. JACS Au 2, 1200–1213; 2022）中，她的團隊使用了一種稱為「主動學習」的方法——其中AI算法使用自己的模型來識別數據，這些數據或可推動進一步提高表現——以發現能將甲烷有效轉化為甲醇的過渡金屬催化劑的結構和化學特徵。

「我們搜索了大約1600萬種候選催化劑，」Kulik說，「並且能在幾天到幾周內提出設計原理，這些本來可能花上幾十年時間。」這類催化劑很重要，因為它們可以促進甲烷（化石燃料和溫室氣體的主要成分）有效轉化為更多功能、更有用的基礎化學品。

Kulik將該領域的增長部分歸功於開源工具包的激增，這些工具包使研究人員更容易在廣泛的物理化學特徵上訓練AI，以發現潛在材料。有許多可公開訪問的理論和實驗衍生化學數據存儲庫可被用於算法開發，儘管Kulik指出獲取高質量數據仍是一個緊迫的問題。「我認為對於生成高質量數據集需要什麼尚未形成共識。」她說，並指出她的團隊通常完全依賴內部生成的數據來訓練他們的算法。AI在這裡也可能有用：機器學習算法可被應用於已發表的文獻，通過文本挖掘直接獲得有關不同化合物家族化學特徵的見解。

目前，這些分析主要用於識別針對某一特定特性優化的材料，例如在特定環境條件下的穩定性。但在「多目標優化」領域，目前有一些很有前景的工作正在進行，其中機器學習算法被用於確定可同時在各種參數上產生出色性能的化合物和結構。

Kulik還熱衷於計算化學的新興領域，該領域使用算法來監督AI建模過程本身的關鍵方面。其想法的核心是，通過訓練計算機識別低質量數據、不現實的材料或其他可能導致失敗的條件，來消除基於機器學習的實驗可能出現的典型錯誤開端和死胡同。

對 Kulik 來說，這並不意味着要把人類專家排除出這個過程，而是讓他們將更多的時間和精力投入到分析高質量的計算結果上，「這樣博士生就不用在重複乏味的工作上耗費大把時間」。

即使是最偉大的藝術家也是從草稿開始的。對於像列奧納多·達·芬奇這樣的大師來說，許多早期工作都已消失在歷史長河中，但結合複雜成像技術和AI算法，人們有可能發掘出隱藏在成品畫作下的初步草圖。

倫敦國家美術館首席科學家Catherine Higgitt與倫敦帝國理工學院電氣工程師Pier Luigi Dragotti合作，發現了隱藏在15世紀後期達·芬奇作品《岩間聖母》中的天使和其他人物的蹤跡。他們首先使用X射線熒光來檢測與整幅作品中與某些顏料相關的元素，然後使用AI重建由這些顏料形成的隱藏圖案。

非侵入性成像正在成為藝術修復領域的標準工具，但生成的數據量很快就會讓研究者不堪重負。「我們很少依賴單一技術，」Higgitt說，「我們傾向於將信息拼湊在一起，因此可能收集到一系列不同波長的成像數據。」這就是AI可以派上用場的地方：幫助整合和解釋複雜的數據集。

德·戈雅的《波塞爾夫人》，其下發現了另一幅肖像。圖源：© 2022 IEEE. Reprinted, with permission, from W. Puet al.,IEEE Transactions on Image Processing

這些類型的AI輔助圖像分析現在在生物醫學成像等學科中相當普遍，但博物館科學家通常缺乏計算資源和使用這些技術的專業知識。Higgitt與英國一項名為ARTICT的研究計劃聯手，該計劃匯集了藝術界的專家和不同學科的計算專家。

今天，AI是Higgitt在國家美術館工作的常規組成部分，這使她的團隊相對大多數其他博物館處於前沿領域，雖然她承認「這還只是邁出了非常初級的幾步」。

還有許多團隊展示了將算法分析應用於藝術品所獲的成果。例如，俄羅斯和比利時的研究人員使用神經網絡進行「虛擬修復」，以數字方式修補裂縫，填補退化畫作上缺失和褪色的顏料。另一個在凱斯西儲大學的團隊設計了一種算法來根據物理筆觸識別作品所屬的藝術家——甚至可能有助於識別贗品。

在Higgitt看來，在這個學科使用AI的早期階段，她對過多信任AI持謹慎態度。她指出很難檢查AI系統如何得出答案，同時目前尚不清楚在一件藝術品上訓練的算法在其他藝術品上會表現如何。她將之視為數據的「初篩」，以幫助提取「趨勢或信息，而專家（化學家、保護者或策展人）還會回頭檢查」。

隨着這些進步，Higgitt看到AI將有一些激動人心的機會，有望改變策展人和公眾與藝術互動的方式。Higgitt說，這甚至可能包括重建一個藝術品「生活故事」的各方面，讓觀眾「不僅了解一件作品最初可能的樣貌，還可以了解到它在歷史上各個時間點的樣子」。

Michael Eisenstein 是一位居住在賓夕法尼亞州費城的自由撰稿人。

原文以Getting a grip on denizens of the deep為標題發布在2022年10月13日出版的《自然》增刊「自然指數-人工智能與機器人技術」上