2023人工智能未來(lái)產(chǎn)業(yè)領(lǐng)域典型案例

人工智能未來(lái)產(chǎn)業(yè)領(lǐng)域典型案例人工智能賦能生物醫(yī)藥研究（一）AlphaFold2實(shí)現(xiàn)對(duì)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)媲美實(shí)驗(yàn)室精度蛋白質(zhì)是生物醫(yī)藥研究的基礎(chǔ)，解析蛋白質(zhì)的3D折疊結(jié)構(gòu)是生物醫(yī)藥長(zhǎng)期以來(lái)的聚焦問(wèn)題。目前數(shù)據(jù)庫(kù)記錄的已解析蛋白質(zhì)機(jī)構(gòu)X射線衍射、核磁共振、冷凍電鏡技術(shù)等17萬(wàn)個(gè)蛋白質(zhì)結(jié)構(gòu)解析，生物醫(yī)藥領(lǐng)域?qū)Φ鞍踪|(zhì)結(jié)構(gòu)解析的需求數(shù)量遠(yuǎn)超過(guò)目前實(shí)際解析數(shù)量。1、傳統(tǒng)解析方法具有局限性傳統(tǒng)蛋白質(zhì)結(jié)構(gòu)解析的方法主要有兩種，分別為物理模型計(jì)算法和結(jié)構(gòu)特征統(tǒng)計(jì)法。物理模型計(jì)算法通過(guò)采樣方法根據(jù)序列隨機(jī)生成蛋白質(zhì)構(gòu)象，再基于分子模擬來(lái)獲得能量最小的構(gòu)象。結(jié)構(gòu)特征統(tǒng)計(jì)法通過(guò)預(yù)設(shè)序列相近的蛋白質(zhì)具有

相似的結(jié)構(gòu)，尋找當(dāng)前序列的高度同源序列來(lái)建模蛋白質(zhì)結(jié)構(gòu)。這種方法通常在模板蛋白序列與目標(biāo)蛋30%的情況下才能得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果，在序列等同度較低時(shí)則精度較差。以上兩種傳統(tǒng)預(yù)測(cè)方法對(duì)超過(guò)150個(gè)氨基酸序列的蛋白質(zhì)結(jié)構(gòu)解析都極其困難，繼續(xù)采用物理實(shí)驗(yàn)室方法解析蛋白質(zhì)結(jié)構(gòu)則效率更加低下。23D能算法介紹3D結(jié)構(gòu)預(yù)測(cè)是生物醫(yī)藥領(lǐng)域創(chuàng)新應(yīng)用人工智能技術(shù)的主要方向之一。2017年，芝加哥大學(xué)豐田計(jì)算技術(shù)研究所開(kāi)拓性的運(yùn)用深度學(xué)習(xí)計(jì)算蛋白結(jié)構(gòu)氨基酸之間空間距離。傳統(tǒng)老方法只能計(jì)算每對(duì)氨基酸距離，深度學(xué)習(xí)算法可以對(duì)空間中所有氨基酸對(duì)距離進(jìn)行同（對(duì)蛋白序列進(jìn)行卷積變換，準(zhǔn)確地預(yù)測(cè)蛋白質(zhì)氨基酸之間的低維相互作用關(guān)系，之后再通過(guò)相互關(guān)系建立三維坐標(biāo)，從而精確預(yù)測(cè)3D結(jié)構(gòu)。谷歌旗下的DeepMind公司受到上述方法的啟發(fā)，構(gòu)建了AlphaFold，創(chuàng)新使用深度卷積殘差網(wǎng)絡(luò)從MSA來(lái)預(yù)測(cè)蛋白氨基酸距離地圖，同時(shí)計(jì)算預(yù)測(cè)蛋白質(zhì)中二面角旋轉(zhuǎn)折疊情況，最終輸出的是二維圖像。2018年AlphaFold首次計(jì)算結(jié)果表明人工智能預(yù)測(cè)蛋白質(zhì)3D結(jié)構(gòu)可行，加快了人類對(duì)蛋白質(zhì)結(jié)構(gòu)的解析進(jìn)程。2020年第二代AlphaFold2在國(guó)際蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)大賽中，對(duì)大多數(shù)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)與真實(shí)蛋白質(zhì)結(jié)構(gòu)差距僅一個(gè)原子，突破了傳統(tǒng)物理方式的觀測(cè)水平，這是AI賦能蛋白質(zhì)結(jié)構(gòu)的重大突破。AlphaFold2能夠?qū)崿F(xiàn)直接端到端生成原子的三維坐標(biāo)。引入structuremodule（結(jié)構(gòu)模塊）和新算法構(gòu)建注意力機(jī)制（Attention架構(gòu)），以及對(duì)三維結(jié)構(gòu)進(jìn)行原子水平的優(yōu)化，輔之以更強(qiáng)大的深度卷積殘差網(wǎng)絡(luò)序列比對(duì)和三維模板搜

索能力，整體上提升了預(yù)測(cè)精度。AlphaFold2的預(yù)測(cè)精度能達(dá)到物理觀測(cè)精度主要?dú)w功于以下四點(diǎn)：一是AlphaFold2在MSA序列比對(duì)中引入了BFD、MGnify和UniRef90這三個(gè)更大的蛋白序列數(shù)據(jù)庫(kù)，以及通過(guò)搜索三維結(jié)構(gòu)的模板引入了PDB和PDB70聚類蛋白結(jié)構(gòu)數(shù)據(jù)庫(kù)。二是在MSA序列比對(duì)、三維結(jié)構(gòu)模板搜索中都創(chuàng)新加入了注意力機(jī)制，能實(shí)現(xiàn)自監(jiān)督和相互監(jiān)督。三是算法架構(gòu)中引入了Recycling多輪迭代優(yōu)化機(jī)制，使得在結(jié)構(gòu)預(yù)測(cè)、StructureModule以及多輸出這幾個(gè)功能模塊進(jìn)行多輪迭代，推動(dòng)整個(gè)模型深度更深，能夠通過(guò)自我迭代使得結(jié)構(gòu)預(yù)測(cè)更精確，能預(yù)測(cè)到更為復(fù)雜的結(jié)構(gòu)。四是具備多結(jié)果輸出的功能，構(gòu)建了并行功能打分機(jī)制，能夠在輸出蛋白結(jié)構(gòu)的同時(shí)還輸出了Ca局部距離差異測(cè)試（IDDT-Ca）的打分，用于反映系統(tǒng)自身對(duì)蛋白質(zhì)三維結(jié)構(gòu)預(yù)測(cè)的精度。3、對(duì)未來(lái)的影響2022年7月29日，DeepMind與歐洲分子生物學(xué)實(shí)驗(yàn)室的歐洲生物信息學(xué)研究所聯(lián)合宣布，AlphaFold的開(kāi)源數(shù)據(jù)庫(kù)現(xiàn)已包含超過(guò)2億蛋白質(zhì)結(jié)構(gòu)，這些預(yù)測(cè)的結(jié)構(gòu)涵蓋了科學(xué)界已知幾乎所有已編蛋白質(zhì)。可以預(yù)見(jiàn)，未來(lái)數(shù)據(jù)庫(kù)將包含植物、細(xì)菌、動(dòng)物等多種生物蛋白質(zhì)結(jié)構(gòu)，也將為更多生物領(lǐng)悟的科研人員提供了新渠道，有望在生命起源、解析疾病、加速藥物開(kāi)發(fā)等方面推動(dòng)原始創(chuàng)新。人工智能賦能環(huán)境科學(xué)研究（一）DGM天氣預(yù)測(cè)模型實(shí)現(xiàn)天氣快速高精度預(yù)測(cè)天氣預(yù)測(cè)對(duì)經(jīng)濟(jì)社會(huì)活動(dòng)具要智慧城市等領(lǐng)域都很大程度受天氣動(dòng)態(tài)影響。從科學(xué)合理提升社會(huì)生產(chǎn)生活穩(wěn)定度來(lái)看，天氣預(yù)測(cè)應(yīng)涵蓋多維度的天氣信息，如降雨多維（溫度多維度信息、風(fēng)量多維度信息等天氣預(yù)測(cè)分指標(biāo)。1、傳統(tǒng)天氣預(yù)測(cè)算法無(wú)法滿足快速高精度預(yù)測(cè)的要求目前各國(guó)天氣預(yù)報(bào)均基于超級(jí)計(jì)算機(jī)計(jì)算預(yù)測(cè)，通過(guò)超過(guò)數(shù)千萬(wàn)次暴力計(jì)算得出溫度、風(fēng)、降

雨等天氣事件預(yù)測(cè)方程式的解。天氣預(yù)報(bào)即要求預(yù)測(cè)準(zhǔn)確性，也要求計(jì)算速度，這對(duì)超級(jí)計(jì)算機(jī)的絕對(duì)算力提出了極高的挑戰(zhàn)。在時(shí)間有限的情況下，傳統(tǒng)算法難以實(shí)現(xiàn)高準(zhǔn)確性預(yù)測(cè)天氣，以降雨預(yù)測(cè)為例，傳統(tǒng)算法主要是數(shù)值天氣預(yù)報(bào)(NWP)。該算法主要是通過(guò)模擬大從而生成多個(gè)真實(shí)的降水預(yù)報(bào)結(jié)2NWP則無(wú)法勝任。此前的預(yù)測(cè)手段主要采用NWP系統(tǒng)。該系統(tǒng)主要是通過(guò)模擬大氣的耦合物理方程，估計(jì)降雨概率，從而生成多個(gè)真實(shí)的降水預(yù)報(bào)02小時(shí)的降水臨近預(yù)報(bào)，NWP卻無(wú)法勝任，NWP的模型基于第一性物理原理，計(jì)算緩慢，難以保證計(jì)算結(jié)果的時(shí)效性。2、DGM天氣預(yù)測(cè)模型運(yùn)作方式介紹深度學(xué)習(xí)崛起后，天氣預(yù)測(cè)研究人員開(kāi)始創(chuàng)新運(yùn)用深度學(xué)習(xí)模型開(kāi)發(fā)降雨預(yù)測(cè)系統(tǒng)，希望擺脫對(duì)傳統(tǒng)算法的依賴，在兼顧物理準(zhǔn)確性的情況下將預(yù)測(cè)效率提高至“實(shí)時(shí)”級(jí)別。深度學(xué)習(xí)主要通過(guò)在大型雷達(dá)觀測(cè)資料庫(kù)上訓(xùn)練模型，而不是依賴內(nèi)在的物理設(shè)置，可以更好地模擬傳統(tǒng)方法難以預(yù)測(cè)的非線性降水現(xiàn)象，比如對(duì)流啟動(dòng)與強(qiáng)降水。2021年，《Nature》收錄DeepMind新成果。研究人員用深度生成模型取代了大氣物理方程，實(shí)現(xiàn)了200萬(wàn)平方公里的大氣層的物理仿真。DeepMind用深度生成模型（DGM）開(kāi)發(fā)了一種基于觀察的臨近預(yù)報(bào)概率方法。DGM通過(guò)學(xué)習(xí)數(shù)據(jù)的概率分布，從學(xué)習(xí)到的分布中生成樣本，能夠?qū)崿F(xiàn)在給定的歷史雷達(dá)上從未來(lái)雷達(dá)的條件分布中模擬大量樣本，生成天氣預(yù)測(cè)集合。3、對(duì)未來(lái)的影響與傳統(tǒng)方法相比，DeepMind的天氣預(yù)測(cè)模型在統(tǒng)計(jì)上有顯著改善。通過(guò)對(duì)英國(guó)國(guó)家氣象局（MetOf?ce）50多位氣象學(xué)家進(jìn)行的調(diào)研表明，與傳統(tǒng)降雨預(yù)測(cè)方法相89%的案例中DGM。從長(zhǎng)遠(yuǎn)來(lái)看，人工智能賦能環(huán)境科學(xué)的新范式有望幫助解決一些

最復(fù)雜的環(huán)境科學(xué)科學(xué)問(wèn)題，如氣候變化、碳排放和碳中和、污染治理等重要課題。除此以外，借助人工智能技術(shù)開(kāi)發(fā)降碳技術(shù)也是未來(lái)發(fā)展方向之一?，F(xiàn)有技術(shù)仍聚焦于植樹(shù)造林對(duì)二氧化碳進(jìn)行改造，面臨高額基礎(chǔ)設(shè)施投資成本，從而無(wú)法實(shí)現(xiàn)低價(jià)、高效降碳。通過(guò)人工智能探索新的降碳路徑，從研發(fā)端出發(fā)找到降碳低成本路徑，如將二氧化碳高效轉(zhuǎn)化為淀粉、燃料等物質(zhì)，實(shí)現(xiàn)高效“再利用”，同時(shí)也可以借助人工智能優(yōu)化和管理系統(tǒng)的作用，降低實(shí)際生產(chǎn)中的浪費(fèi)等，拉近實(shí)驗(yàn)與產(chǎn)業(yè)距離，推進(jìn)降碳技術(shù)未來(lái)的產(chǎn)業(yè)化應(yīng)用。在污染防治治理領(lǐng)域，人工智能有望通過(guò)算法來(lái)實(shí)現(xiàn)優(yōu)化能源使用全流程、揭秘空氣中污染物的反應(yīng)路徑等方式，幫助深入研究酸雨、光化學(xué)煙霧、霧霾等環(huán)境污染問(wèn)題，助力發(fā)展綠色轉(zhuǎn)型。人工智能賦能6G網(wǎng)絡(luò)研究目前世界多國(guó)都已將6G標(biāo)準(zhǔn)研發(fā)和技術(shù)研究作為6G焦點(diǎn)，其中6G網(wǎng)絡(luò)運(yùn)維和6G網(wǎng)絡(luò)優(yōu)化是6G標(biāo)準(zhǔn)協(xié)議制定的重點(diǎn)。在網(wǎng)絡(luò)運(yùn)維方面，6G時(shí)代各種異構(gòu)用戶設(shè)備以及網(wǎng)絡(luò)內(nèi)部產(chǎn)生了大量需要實(shí)時(shí)分析的數(shù)據(jù)，傳統(tǒng)的網(wǎng)絡(luò)運(yùn)維往往依靠工作人員憑借過(guò)往經(jīng)驗(yàn)判斷并解決故障，人力、時(shí)間代價(jià)大，從技術(shù)和經(jīng)濟(jì)角度都不再可行。在網(wǎng)絡(luò)優(yōu)化方面，6G對(duì)用戶服務(wù)質(zhì)量和用戶終端體驗(yàn)有更高要求，因此，通過(guò)優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)覆蓋和網(wǎng)絡(luò)容量?jī)蓚€(gè)性能指標(biāo)間的最佳平衡更為關(guān)鍵，無(wú)線網(wǎng)絡(luò)環(huán)境復(fù)雜，參數(shù)維度高，很難根據(jù)確定的公式平衡覆蓋和容量?jī)蓚€(gè)指標(biāo)，傳統(tǒng)的網(wǎng)絡(luò)優(yōu)化依靠半手動(dòng)方法，存在操作復(fù)雜、經(jīng)濟(jì)成本高，不能給出最優(yōu)參數(shù)配置等問(wèn)題。針對(duì)數(shù)據(jù)量龐大且參數(shù)之間互相耦合的復(fù)雜通信網(wǎng)絡(luò)中的問(wèn)題，創(chuàng)新應(yīng)用人工智能自學(xué)能力、計(jì)算存儲(chǔ)能力和高速優(yōu)化求解能力，人6G6G網(wǎng)絡(luò)運(yùn)維中的故障檢測(cè)、故障定位等6G網(wǎng)絡(luò)優(yōu)化中覆蓋和容量的在線自動(dòng)調(diào)整等問(wèn)題。（）基于人工智能的F-RAN故障診斷6GF-RAN中（基于邊緣云計(jì)

算處理的無(wú)線接入網(wǎng)絡(luò)）的故障診斷借助人工智能技術(shù)，通過(guò)分析從網(wǎng)絡(luò)中捕獲的流量值，使用多種人工智能方法訓(xùn)練高性能網(wǎng)絡(luò)行為分類模型，對(duì)正常情況下的網(wǎng)絡(luò)行為以及不同鏈路故障情況下的網(wǎng)絡(luò)行為進(jìn)行分類，從而識(shí)別并分析鏈路故障。故障檢測(cè)任務(wù)中存在歷史數(shù)據(jù)少且數(shù)據(jù)分布不均的問(wèn)題，針對(duì)該問(wèn)題，F(xiàn)-RAN中的故障診斷系統(tǒng)首先基于無(wú)監(jiān)督學(xué)習(xí)對(duì)正常和異常數(shù)據(jù)進(jìn)行分類，然后，系統(tǒng)再利用在大模型上進(jìn)行過(guò)遷移學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行集中式和分布式故障診斷，最終，完成數(shù)據(jù)采集處理、故障診斷、集中決策/分布式?jīng)Q策的整套流程。利用人工智能技術(shù)和大數(shù)據(jù)平臺(tái)，可實(shí)現(xiàn)告警提示—故障檢測(cè)—根因分析—網(wǎng)絡(luò)自優(yōu)化流程，在無(wú)需人工干預(yù)的情況下自動(dòng)且迅速地修復(fù)網(wǎng)絡(luò)故障，降低了網(wǎng)絡(luò)運(yùn)維成本，也提高了網(wǎng)絡(luò)可靠性。（二）6G借助人工智能技術(shù)實(shí)現(xiàn)6G發(fā)射功率控制，人工智能驅(qū)動(dòng)的發(fā)射功率控制系統(tǒng)架構(gòu)基于卷積神經(jīng)網(wǎng)絡(luò)模型，將歸一化信道矩陣輸入該卷積神經(jīng)網(wǎng)絡(luò)，即可在輸出端得到歸一化發(fā)射功率。首先，輸入數(shù)據(jù)經(jīng)過(guò)卷積層進(jìn)行多次二維空間卷積操作，獲得高度抽象化的特征，然后特征經(jīng)過(guò)非線性整流操作進(jìn)一步生成中間特征，中間特征經(jīng)過(guò)全連接層進(jìn)行整合用來(lái)確定發(fā)射功率，最后，由Sigmoid歸一化函數(shù)進(jìn)行歸一化操作最終輸出天線參數(shù)。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(CNN)確定了合適的發(fā)射功率以最大化頻譜效率或能量效率，優(yōu)化了覆蓋和容量。結(jié)合人工智能技術(shù)賦予網(wǎng)絡(luò)的智能化能力，可對(duì)無(wú)線信道、用戶、網(wǎng)絡(luò)的動(dòng)態(tài)狀況進(jìn)行全面感知，根據(jù)不斷變化的網(wǎng)絡(luò)特征和用戶業(yè)務(wù)需求配置網(wǎng)絡(luò)資源，可以建立差異化的網(wǎng)絡(luò)模型，達(dá)到更優(yōu)網(wǎng)絡(luò)性能。人工智能賦能核能研究在全球能源緊缺的背景下，核能作為清潔、安全、高效的能源，已成為全球攜手推進(jìn)低碳可持續(xù)發(fā)展的重要選項(xiàng)。常見(jiàn)核能釋放過(guò)程主要有核裂變和核聚變兩種形式。核裂變是利用中子去撞擊一個(gè)質(zhì)量

較重的原子核，使其分裂為兩個(gè)或兩個(gè)以上的中等質(zhì)量的原子核。裂變反應(yīng)過(guò)程是持續(xù)進(jìn)行的，是非常典型的鏈?zhǔn)椒磻?yīng)。跟核裂變的原理不同，核聚變是幫助2個(gè)原子克服電磁力和強(qiáng)核力，聚合形成新的原子并釋放能量。聚變反應(yīng)過(guò)程中釋放的能量非常大，其能量密度遠(yuǎn)超于現(xiàn)有能源的能量密度。當(dāng)前全球核能正在向安全性更能夠滿足更廣泛用戶需求發(fā)展?？煽睾司圩兎磻?yīng)條件研究、核裂變反應(yīng)堆的安全保障研究是目前國(guó)際關(guān)注的焦點(diǎn)。在可控核聚變方面，因核聚變需要制造一個(gè)極端高溫和高壓的條件，對(duì)臨界狀態(tài)實(shí)現(xiàn)智能控制是實(shí)現(xiàn)商用可控核聚變的重要路徑。在核裂變方面，目前世界范圍內(nèi)已經(jīng)使用核能和核電的國(guó)家，尚未能實(shí)現(xiàn)核反應(yīng)堆100安全保障。人工智能強(qiáng)大的復(fù)雜問(wèn)題處理能力為可控核聚變和核裂變安全保障研究提供了新的路徑。（一）DeepMind用人工智能控制核聚變今年，谷歌旗下DeepMind人工智能團(tuán)隊(duì)在可控核聚變領(lǐng)域取得突破，成功訓(xùn)練出能夠控制“托卡馬克”裝置的人工智能軟件，對(duì)應(yīng)論文《通過(guò)深度強(qiáng)化學(xué)習(xí)對(duì)托卡馬克等離子體進(jìn)行磁控》（Magneticcontroloftokamakplasmasthroughdeepreinforcementlearning）已刊登在《Nature》上。DeepMind基于人工智能技術(shù)，通過(guò)強(qiáng)化學(xué)習(xí)系統(tǒng)實(shí)19操縱等離子體自主呈現(xiàn)各種形狀，并產(chǎn)生了科學(xué)界一直探索的更高能量的新配置。該學(xué)習(xí)系統(tǒng)包含以下三個(gè)主要階段：首先，設(shè)計(jì)者指定實(shí)驗(yàn)?zāi)繕?biāo)，可能伴有時(shí)變控制目RLtokamak仿真器交互，尋找接近最優(yōu)的控制策略以滿足指定的目標(biāo)。最終，控制策略以神經(jīng)網(wǎng)絡(luò)的形式直接在tokamak硬件上實(shí)時(shí)運(yùn)行。該實(shí)驗(yàn)借助人工智能算法，以目前人類無(wú)法做到的調(diào)整磁場(chǎng)的方式實(shí)現(xiàn)了等離子體控制，為可控核聚變提供了可能的新的反應(yīng)堆配置，使在反應(yīng)堆內(nèi)進(jìn)行不同條件的實(shí)驗(yàn)變得更加容易，加快了商業(yè)核聚變的發(fā)展。

（二）我國(guó)借助人工智能研發(fā)高溫球床核反應(yīng)堆我國(guó)借助人工智能技術(shù)，自主4代反應(yīng)堆——高溫球床反應(yīng)堆，它是應(yīng)用在核反應(yīng)堆的一種降溫技術(shù)，能夠確保核反應(yīng)堆的安全指數(shù)，不會(huì)在任何情床”核反應(yīng)堆的過(guò)程中，需要借助人工智能技術(shù)模擬“核網(wǎng)球”在正常冷卻條件下的位置和運(yùn)動(dòng)，并且分析計(jì)算所有“核網(wǎng)球”之間流動(dòng)引起的運(yùn)動(dòng)和摩擦作用，然后，在實(shí)驗(yàn)中對(duì)耦合模型進(jìn)行測(cè)試，從而研發(fā)出最高效、實(shí)用的“球床”核反應(yīng)堆“被動(dòng)核