“我認為重要的不是Gordon-Bell Prize（戈登貝爾獎），而是說我們第一次看到把機器學習、科學計算和高性能計算這三大最主要的工具結合在一起，我們有多么大的空間可以實現?！?月8日，2021世界人工智能大會全體會議“科學前沿”舉行，中國科學院院士、普林斯頓大學數學系和應用數學研究所教授、北京大數據研究院院長鄂維南在演講中如是表示。

戈登貝爾獎素有超算界諾貝爾獎的美譽，去年的11 月 19 日，美國計算機協會ACM公布2020年戈登貝爾獎的頒獎結果，鄂維南在內的一個中美研究小組獲得該獎項。他們通過機器學習將分子動力學極限從基線提升到了1億原子的驚人數量，同時仍保證了從頭算的高精度，效率是之前人類基線水平的1000 倍。

鄂維南1982年畢業于中國科技大學數學系，1985年于中國科學院計算中心獲碩士學位，1989年于美國加州大學洛杉磯分校（UCLA）獲博士學位。2009年入選首屆美國數學學會會士、2011年當選為中國科學院院士、2012年入選首屆美國工業與應用數學學會會士。

他于2003年獲國際工業與應用數學協會科拉茲獎。2009年獲美國工業與應用數學學會克來曼獎。2014年獲美國工業與應用數學學會卡門獎。2019年榮獲由美國工業與應用數學學會（簡稱SIAM）和蘇黎世聯邦理工學院（ETH Zürich）聯合授予的Peter Henrici獎。2020年獲得國際高性能計算應用領域最高獎——戈登?貝爾獎（ACM Gordon Bell Prize）。

中國科學院院士、普林斯頓大學數學系和應用數學研究所教授、北京大數據研究院院長鄂維南。

很多實際問題沒有得到解決：維數災難

鄂維南此次演講的題目是“AI for Science”，“ 我們研究科學有兩大基本目的，第一大目的就是尋求基本規律，比方說行星運動的三大定律、量子力學基本方程；第二大目的就是要解決實際問題，比方航空航天、生物制藥等?！彼J為，從尋求基本規律，尤其是基本原理這個角度來說，當90年前量子力學建立以后，這個任務基本上完成了，當然并不是徹底完成。

而人類真正的進步，鄂維南認為是從上世紀50年代開始有了電子計算機開始，在這個基礎上發展了一系列的數值方法，包括差分方法、有限元方法等，人們才第一次大規模地實現了用基本原理解決實際問題。“在這之前，雖然有基本原理，雖然有確定的方程，但是用它來解決實際問題是非常困難的，幾乎做不到。”

這些方法有個共同的出發點，即可以用多項式來逼近一般的函數，由此帶來的影響是巨大的。尤其在工科領域，用計算方法來解決問題已經成了一個很重要的工具，可以說是現代工業和技術賴以生存的基礎。

但鄂維南強調，我們仍然有很多問題沒有得到解決，“比方說材料的性質與設計，分子、藥物的分子與設計，這些遠遠沒有得到解決，基于基本原理的控制方法也沒得到解決。”造成的結果則是，“做理論的人、做實驗的人和做實際場景這三個團體差得非常遠，理論化學、實驗室的化學和實際工業應用的化學，這些場景差距很遠?！?/p>

這些問題困難在哪里？鄂維南總結它們都有一個共同的根源，就是所謂的“維數災難”，也就是它依賴的變量太多了。“維數災難是什么意思？就是隨著變量的個數或者維數的增加，計算復雜度是指數增加的。從數學上來講，它也有一個基本的困難，也就是多項式在高維不是一個有效的工具?！?/p>

鄂維南提出，能解開這一困局的或許正是深度學習。他以深度學習中最簡單的圖像識別舉例，“給了你一個圖像，你必須告訴我這個圖像的內容，那么從圖像到內容，這就是個函數，這個函數有多少個維度，也就是它有多少個自由度？”他在演講中指出，“每一個圖像都可以看成是3072維空間的一個函數。那么這樣的高維函數以前我們是根本沒辦法處理的?！?/p>

鄂維南提到的第二個例子則是公眾已熟知的AlphaGo，“圍棋的最佳策略實際上是一個Bellman方程的解，所以說AlphaGo做的事情實際上在試圖解一個Bellman方程。”

“這兩個例子，圖像識別是在逼近一個高維函數，AlphaGo是在解一個超大空間的Bellman方程。我也可以給大家舉很多例子，這些例子都有一個共同的特點，他們在處理一個高非常高維空間的數學問題?！焙我宰龅竭@些？鄂維南表示，因為神經網絡可以幫助我們來有效地表示或者是逼近高維空間的函數，多項式不行，而深度神經網絡是一個有效的替代品?！八哉f在最基本的層面，我們有了一個全新的非常有效的工具，它帶來的影響是巨大的?！?/p>

他總結稱，從科學的角度來說，機器學習在科學和科學計算領域的應用，可以帶來新的計算方法，新的科學模型，新的實驗方法，新的產業業態。

傳統的科學領域才是人工智能更大的主戰場

讓他斬獲戈登貝爾獎的分子動力學領域的應用就是一個例子。分子動力學（MD）是一種計算機模擬方法，可以用來分析原子和分子在一段固定的時間內如何移動與交互，其實際應用包括大分子的研究，如用于藥物研發的蛋白質等。

“它解的方程就是牛頓方程，困難在什么地方？困難在于描述原子和原子之間相互作用的勢能函數?！倍蹙S南提到，傳統的辦法，一個是猜，“如果能猜得出來當然是非常好，但是猜出來可能性有多大？所以這個方法非常的不可靠。”第二個方法則是1985年發展的第一性原理方法，也就是通過量子力學模型，每一步在線地把原子和原子間的相互作用力算出來，“它非常的可靠，但是它只能處理很小的體系，1000個原子就到頂了?！?/p>

鄂維南等人利用機器學習、科學計算和高性能計算這三大最主要的工具結合起來實現的突破，讓他認為，“這樣一個空間不僅僅是我這里面舉的分子動力學這個例子，對我前面講的很多，從量子力學到密度泛函到分子動力學等等，這樣的空間都是存在的，所以帶來的影響是非常巨大的。”

鄂維南在演講的最后還表示，其個人認為，現在做科研，做理論的也好，做實驗的也好，它基本上是一個‘小農經濟’的模式。整個過程需要好多年，是效率非常低下的模式。以后的模式是什么？“就是‘安卓模式’，我們有一個統一的大平臺，這個大平臺是我們大家一起貢獻的，那么這個平臺就提供了我們最基礎的模型，比方說分子動力學模型，你需要什么體系，只要在這個平臺上做簡單的應用開發就可以了?！?/p>

他最后強調，“我個人認為，傳統的科學領域，就是化學、材料、電子工程、化學工程、機械工程生物等，才是人工智能更大的主戰場。它給我們帶來的不僅僅是科學研究范式的改變，也是傳統行業的轉型升級?！?/p>