人工智能重塑科學(xué)與工程研究

人工智能重塑科學(xué)與工程研究Recognition，

LEarning，

Reasoning提綱2科學(xué)研究方法以蛋白質(zhì)結(jié)構(gòu)預(yù)測為例AI驅(qū)動科學(xué)研究的全過程小結(jié)科學(xué)研究方法第一范式：經(jīng)驗驅(qū)動——基于觀察和歸納的實驗研究以經(jīng)驗主義和人的思考為主導(dǎo)的科學(xué)研究范式實驗是開展研究的主要手段起源可追溯至古希臘和中國的早期實驗方法數(shù)千年文明史中，人類絕大多數(shù)技術(shù)發(fā)展源于對自然現(xiàn)象的觀察和實驗總結(jié)察自然現(xiàn)象(如天氣、農(nóng)作物生長、天象等)，并進行記錄的做法。甲骨文反映了早期古人通過觀

亞里斯多德認為自由落體運動中，

伽利略的落體實驗：通過實驗物體越重，下落越快；物體越輕，

驗證物體落下速度與質(zhì)量無關(guān)下落越慢。開普勒發(fā)現(xiàn)行星的移動遵守著三條定律科學(xué)研究方法第二范式：理論驅(qū)動——基于科學(xué)假設(shè)和邏輯演繹的理論研究當實驗條件不具備時，第一范式難以為繼不再局限于描述經(jīng)驗事實，使用數(shù)學(xué)工具研究更精確的自然現(xiàn)象從“知其然”到“知其所以然”，對自然界規(guī)律做出背后原理性的解釋探索第一性原理（First

Principle），提供精確描述自然規(guī)律的語言，形成可分析的理論模型牛頓定律薛定諤方程歐幾里德《幾何原本》23個定義明確了點、線、面等基本幾何概念5條公設(shè)確立了幾何作圖的基本操作5條公理奠定了幾何推理的基礎(chǔ)規(guī)則科學(xué)研究方法第三范式：計算驅(qū)動——以計算和仿真為主導(dǎo)的科學(xué)研究肯尼斯·威爾遜博士（計算物理學(xué)家、諾貝爾獎獲得者）指出，計算是與理論和實驗并列的科學(xué)方法之一高性能計算機和大規(guī)模并行計算興起利用計算機精確、大規(guī)模求解方程組探索無法通過實驗和理論推導(dǎo)解決的復(fù)雜問題將量子力學(xué)方程轉(zhuǎn)換為計算機高效求解的形式處理復(fù)雜多電子體系問題密度泛函理論（DFT）原子結(jié)構(gòu)電荷密度波函數(shù)哈密頓量有限元仿真的汽車碰撞測試超級計算機系統(tǒng)科學(xué)研究方法第四范式：數(shù)據(jù)驅(qū)動——數(shù)據(jù)密集型科學(xué)研究方法圖靈獎獲得者吉姆·格雷提出數(shù)據(jù)密集型科學(xué)研究利用海量數(shù)據(jù)采集取代傳統(tǒng)觀察，以機器學(xué)習(xí)、統(tǒng)計學(xué)等技術(shù)替代人類歸納大數(shù)據(jù)：例如，美國國家海洋和大氣管理局每天收集數(shù)十T的環(huán)境數(shù)據(jù)，包含衛(wèi)星、雷達、船舶、氣象傳統(tǒng)模式（先提出假設(shè)再驗證）

vs.讓數(shù)據(jù)本身”說話”天文大數(shù)據(jù)大型強子對撞機(LHC)實驗數(shù)據(jù)統(tǒng)計科學(xué)研究方法第五范式：智能驅(qū)動（AI

for

Science）——人工智能驅(qū)動的科學(xué)研究計算驅(qū)動范式準但不夠快，擅長處理小規(guī)模的科學(xué)問題數(shù)據(jù)驅(qū)動范式中，AI主要作為數(shù)據(jù)分析工具；然而僅靠統(tǒng)計分析，難以在復(fù)雜系統(tǒng)的研究上實現(xiàn)突破第五范式中，AI驅(qū)動科學(xué)發(fā)現(xiàn)的全過程，包括提出假設(shè)、設(shè)計實驗等，應(yīng)對計算復(fù)雜性高的組合爆炸問題，實現(xiàn)實驗、理論、計算和數(shù)據(jù)科研范式的融合科學(xué)發(fā)現(xiàn)是一個多方面的過程，包含幾個相互關(guān)聯(lián)的階段，包括假設(shè)形成、實驗設(shè)計、數(shù)據(jù)收集和分析。人工智能有望通過增強和加速研究過程的各個階段來重塑科學(xué)發(fā)現(xiàn)1。Scientific

discovery

in

the

age

of

artificial

intelligence,

Nature2024.A

New

Golden

Age

of

Discovery

|

Seizing

the

AI

for

Science

opportunity,

Google

DeepMind知識：改變科學(xué)家獲取和傳遞知識的方式

數(shù)據(jù)：生成、提取和標注大規(guī)?？茖W(xué)數(shù)據(jù)集實驗：模擬、加速并指導(dǎo)復(fù)雜實驗?zāi)Ｐ停航?fù)雜系統(tǒng)及其組件的相互作用解決方案：為大規(guī)模搜索問題提供方案科學(xué)研究方法經(jīng)驗驅(qū)動理論驅(qū)動計算驅(qū)動數(shù)據(jù)驅(qū)動觀察假設(shè)總結(jié)歸納建模仿真客觀現(xiàn)象數(shù)據(jù)分析海量數(shù)據(jù)關(guān)系挖掘智能驅(qū)動實驗無實驗數(shù)據(jù)收集無數(shù)據(jù)收集數(shù)據(jù)分析無自動收集AI數(shù)據(jù)精準采集AI

AI規(guī)則發(fā)現(xiàn) 實驗輔助AI數(shù)據(jù)輔助分析數(shù)學(xué)表達式生成...鉆木取火開普勒定律牛頓定律...天氣預(yù)測

模擬核試驗...瘟疫傳播規(guī)律交通改善...蛋白質(zhì)結(jié)構(gòu)預(yù)測藥物快速發(fā)明

快速天氣預(yù)測...方程加速求解....數(shù)據(jù)合成...粒子碰撞檢測科學(xué)方法科學(xué)成果比薩斜塔麥克斯韋爾方程易染-感染-免疫傳播模型模擬數(shù)據(jù)驅(qū)動機器學(xué)習(xí)應(yīng)用：方程求解

9三維Maxwell方程二維Navier-Stokes方程標量場向量場二維Darcy

Flow方程二維Diffusion-Reaction方程地轉(zhuǎn)方程從左到右分別是地轉(zhuǎn)相對渦度、行星渦度和伸展渦度。斯托克斯方程氣壓梯度力的向量式湍流系統(tǒng)給定時間內(nèi)在垂直于流動的方向上的熱通量和動量傳遞（由剪切應(yīng)力τ表示）為應(yīng)用：工程仿真

10湍流煙霧仿真機翼空氣流動仿真光聲成像仿真血管液體流動仿真塑形鍛造仿真應(yīng)用：地球科學(xué)

11地球氣候狀態(tài)預(yù)測地球淺水狀態(tài)預(yù)測地下水流狀態(tài)預(yù)測應(yīng)用：工程設(shè)計

12Ansys發(fā)布AnsysSimAI?，通過結(jié)合AI，將設(shè)計流程加速10-100倍雷諾集團利用AnsysSimAI，加速了汽車零部件的設(shè)計和測試過程，數(shù)分鐘內(nèi)完成測試，減少了產(chǎn)品開發(fā)周期飛機機型設(shè)計的優(yōu)化流程首先確定需要優(yōu)化的設(shè)計參數(shù)，然后進行CFD分析評估氣動性能，確定多個優(yōu)化目標，進行參數(shù)敏感性分析根據(jù)結(jié)果實施最優(yōu)約束設(shè)計變更，通過形態(tài)變換調(diào)整機身外形，最終得到空氣動力學(xué)性能更優(yōu)的機型設(shè)計應(yīng)用：氣象預(yù)報

13華為云盤古氣象模型是首個精度超過傳統(tǒng)數(shù)值預(yù)報方法的AI模型，速度相比傳統(tǒng)數(shù)值預(yù)報提速10000倍以上氣象模型能夠提供全球氣象秒級預(yù)報，其氣象預(yù)測結(jié)果包括位勢、濕度、風速、溫度、海平面氣壓等Google

DeepMind的GraphCast：利用圖神經(jīng)網(wǎng)絡(luò)，不到

1分鐘內(nèi)生成10天全球預(yù)報，在90%的1380個驗證目標上優(yōu)于傳統(tǒng)系統(tǒng)人工智能重塑科學(xué)與工程研究——以蛋白質(zhì)結(jié)構(gòu)預(yù)測為例14蛋白質(zhì)結(jié)構(gòu)預(yù)測：為什么蛋白質(zhì)結(jié)構(gòu)如此重要？

生命的基本構(gòu)件和功能執(zhí)行者結(jié)構(gòu)決定功能主要結(jié)構(gòu)（Primary

structure）：由氨基酸殘基（Aminoacid

residue）通過肽鍵（Peptidebond）連接形成的多肽鏈（Polypeptide

chain）二級結(jié)構(gòu)（Secondarystructures）：多肽鏈局部折疊形成的規(guī)則結(jié)構(gòu)，包括α螺旋（αhelix）和β折疊（βsheet）三級結(jié)構(gòu)（Tertiary

structure）：整個多肽鏈在三維空間中的折疊結(jié)構(gòu)四級結(jié)構(gòu)（Quaternarystructure）：由多個蛋白質(zhì)亞基組合在一起形成的復(fù)合蛋白質(zhì)結(jié)構(gòu)疾病與蛋白質(zhì)結(jié)構(gòu)異常藥物開發(fā)與蛋白質(zhì)靶點蛋白質(zhì)結(jié)構(gòu)預(yù)測：蛋白質(zhì)折疊問題

蛋白質(zhì)折疊序列決定結(jié)構(gòu)：蛋白質(zhì)的氨基酸序列包含了所有必要的信息，決定了其最終三維結(jié)構(gòu)。一條線性氨基酸鏈如何在水溶液中自發(fā)折疊成特定的三維結(jié)構(gòu)？折疊機制的復(fù)雜性：蛋白質(zhì)折疊涉及多種分子力的精確平衡：氫鍵形成、疏水相互作用（疏水核心的形

成）、范德華力、靜電相互作用、熵效應(yīng)、溶劑效應(yīng)實驗挑戰(zhàn)直接觀察蛋白質(zhì)折疊過程極其困難建立完整的折疊理論困難計算挑戰(zhàn)從計算角度看，蛋白質(zhì)折疊問題搜索空間巨大，需要模擬復(fù)雜的物理和化學(xué)過程頭計算折疊過程十分緩慢蛋白質(zhì)結(jié)構(gòu)預(yù)測：CASP競賽

早期挑戰(zhàn)與背景結(jié)構(gòu)預(yù)測的可靠性問題：1980年代末到1990年代初，蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域處于混亂狀態(tài)。John

Moult和Jan

Pedersen的愿景完全透明、公正的“盲測”競賽CASP的建立與運作機制首屆CASP競賽（1994年）獨特的盲測機制CASP的演變與影響CASP1到CASP9（1994-2010）：穩(wěn)步進展CASP10-CASP13（2012-2018）：深度學(xué)習(xí)興起CASP14（2020）：AlphaFold2蛋白質(zhì)結(jié)構(gòu)預(yù)測：AlphaFold（2018年）

CASP132018年12月，AlphaFold在CASP13獲全球第一，平均得分明顯高于其他參賽者。技術(shù)方案使用多序列比對(MSA)收集同源蛋白質(zhì)序列數(shù)據(jù)，通過分析序列變異模式找出蛋白質(zhì)中的殘基對接觸可能性將這些信息輸入深度殘差神經(jīng)網(wǎng)絡(luò)，預(yù)測蛋白質(zhì)內(nèi)各殘基之間的距離和角度約束使用梯度下降優(yōu)化算法，將預(yù)測的距離和角度約束轉(zhuǎn)化為完整的三維結(jié)構(gòu)引起轟動但尚未完全突破盡管AlphaFold表現(xiàn)出色，仍未達到實驗精度水平蛋白質(zhì)結(jié)構(gòu)預(yù)測：AlphaFold

2（2020年）

“AlphaFold時刻”：CASP14上的驚人表現(xiàn)2020年11月30日，在CASP14的線上會議上，DeepMind團隊公布了AlphaFold2的結(jié)果，平均GDT_TS得分達到92.4分（滿分100）在100個測試蛋白質(zhì)中，有三分之二的預(yù)測達到了與實驗結(jié)構(gòu)幾乎無法區(qū)分的精度水平（GDT_TS>90）《科學(xué)》雜志評為2021年度科學(xué)突破蛋白質(zhì)結(jié)構(gòu)預(yù)測：AlphaFold

2（2020年）

技術(shù)方案：采用端到端架構(gòu)多序列比對(MSA)處理AlphaFold2首先對輸入蛋白質(zhì)序列進行大規(guī)模數(shù)據(jù)庫搜索，找到同源蛋白質(zhì)序列，并構(gòu)建MSAEvoformer模塊Transformer變體：包含多個交替的行(序列)和列(殘基位置)注意力機制三角乘法更新操作維護殘基間距離和角度的幾何一致性結(jié)構(gòu)模塊：將Evoformer處理的信息轉(zhuǎn)換為三維坐標預(yù)測每個氨基酸殘基的主鏈角度(φ,ψ,ω)和側(cè)鏈角度(χ)使用前饋網(wǎng)絡(luò)預(yù)測3D坐標框架采用等變神經(jīng)網(wǎng)絡(luò)保持空間變換不變性損失函數(shù)設(shè)計LDDT(局部距離差異測試)損失：評估局部結(jié)構(gòu)準確性TM-score(模板建模評分)損失：評估全局結(jié)構(gòu)相似性幾何約束損失：確保蛋白質(zhì)物理合理性2024年諾貝爾化學(xué)獎（2024年10月9日）

2024年諾貝爾化學(xué)獎聚焦于人工智能在蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域的突破性進展大衛(wèi)·貝克（DavidBaker）表彰其在計算蛋白質(zhì)設(shè)計領(lǐng)域的工作戴密斯·哈薩比斯（Demis

Hassabis）和約翰·朱姆珀（JohnM.Jumper）表彰其在使用人工智能進行蛋白質(zhì)結(jié)構(gòu)預(yù)測方面取得的進展。人工智能應(yīng)用于基礎(chǔ)科學(xué)研究首次獲得諾貝爾獎，標志著計算方法在化學(xué)、生物學(xué)領(lǐng)域的重要性得到認可2024年諾貝爾物理學(xué)獎（2024年10月8日）

·

John

Hopfield，Neural

networks

and

physical

systems

withemergentcollectivecomputationalabilities(《具有涌現(xiàn)集體計算能力的神經(jīng)網(wǎng)絡(luò)和物理系統(tǒng)》),1982,

PNAS1949年赫布(Hebbiantheory）提出：神經(jīng)元之間持續(xù)重復(fù)經(jīng)驗刺激可導(dǎo)致突觸傳遞效能增加(Neurons

that

fire

together,wire

together)，即學(xué)習(xí)和記憶的本質(zhì)是大腦結(jié)構(gòu)在后期經(jīng)驗刺激下改變神經(jīng)元之間強弱聯(lián)結(jié)的權(quán)重的結(jié)果。Hopfield以能量最小這一物理學(xué)視角優(yōu)化神經(jīng)網(wǎng)絡(luò)而得到局部最優(yōu)解。·

Ackley

David

H,

HintonGeoffrey

E,Sejnowski

Terrence

J,

A

learningalgorithm

for

Boltzmann

machines,

Cognitive

science,

Elsevier,

9

(1):147–169,1985Boltzmann機能夠達到全局優(yōu)化原因在于基于統(tǒng)計物理所設(shè)計的MonteCarlo方法，以一定的概率重新設(shè)置神經(jīng)元的值，選擇的概率保證網(wǎng)絡(luò)收斂于由“能量”完全確定的熱平衡態(tài)。從神經(jīng)網(wǎng)絡(luò)的生物學(xué)機制闡釋到物理學(xué)可計算模擬小結(jié)

蛋白質(zhì)結(jié)構(gòu)預(yù)測：存在近50年的科學(xué)難題AlphaFold2（DeepMind）和RoseTTAFold（Baker實驗室）兩個系統(tǒng)的開發(fā)，將蛋白質(zhì)結(jié)構(gòu)預(yù)測精度從之前的40-50%提高到90%以上AI不只是大模型：專用AI系統(tǒng)AlphaFold是科學(xué)嗎？盡管AlphaFold2可以精確預(yù)測結(jié)構(gòu)，但它并不能解釋蛋白質(zhì)如何折疊或為何采取特定結(jié)構(gòu)傳統(tǒng)研究試圖通過理解基本物理過程來解決蛋白質(zhì)折疊問題，DeepMind通過關(guān)注結(jié)果而非過程，采取了不同路徑。如果你能治愈癌癥，你關(guān)心它是如何真正工作的嗎？蛋白質(zhì)折疊只是“冰山一角”模擬整個細胞蛋白質(zhì)復(fù)合物蛋白質(zhì)設(shè)計蛋白質(zhì)動力學(xué)蛋白質(zhì)構(gòu)象變化突變解釋…AI驅(qū)動科學(xué)研究的全過程24科學(xué)研究的主要挑戰(zhàn)

降水預(yù)測風速預(yù)測海洋溫度預(yù)測多尺度天小時分鐘秒1km100km5,000km宏觀介觀微觀空間40,000km時間周非線性耦合：不同尺度之間的相互作用并不是簡單的線性疊加，而往往是復(fù)雜的、非線性耦合某一尺度上的微小變化，可能會通過耦合機制對其他尺度產(chǎn)生巨大影響。數(shù)據(jù)量大、類型多，包括蛋白質(zhì)序列、學(xué)術(shù)出版物、電子醫(yī)療記錄、基因測序和影像等領(lǐng)域。每種類別都具有獨特的屬性某些科學(xué)領(lǐng)域數(shù)據(jù)稀缺大數(shù)據(jù)/小數(shù)據(jù)任務(wù)多PDB（蛋白質(zhì)數(shù)據(jù)庫）中的結(jié)構(gòu)數(shù)量·

1982年有100個結(jié)構(gòu)·

1993年有1,000個結(jié)構(gòu)·

1999年有10,000個·

2014年有100,000個·

…環(huán)境科學(xué)領(lǐng)域航空航天領(lǐng)域醫(yī)療健康領(lǐng)域材料科學(xué)領(lǐng)域地質(zhì)學(xué)與資源勘探領(lǐng)域…科學(xué)領(lǐng)域非常廣泛，知識體系復(fù)雜各學(xué)科發(fā)展出各自專業(yè)術(shù)語、研究方法和理論框架，導(dǎo)致跨學(xué)科交流困難學(xué)科壁壘和專業(yè)分化使得研究人員難以全面掌握相關(guān)領(lǐng)域知識，解決綜合性問題困難從聊天出發(fā)：Artificial

General

Intelligence(AGI)

26Stage

Level

5:

Organizations,AI

that

can

do

the

work

of

anorganization.Stage

Level

4:

Innovators,AI

that

can

aid

in

invention.Stage

Level

3:

Agents,systems

that

can

take

actions.Stage

Level

2:

Reasoners,human-level

problem

solving.Stage

Level

1:

Chatbots,AI

with

conversationallanguage.AI驅(qū)動科學(xué)研究的全過程知識：改變科學(xué)家獲取和傳遞知識的方式

數(shù)據(jù)：生成、提取和標注大規(guī)?？茖W(xué)數(shù)據(jù)集實驗：模擬、加速并指導(dǎo)復(fù)雜實驗27知識：改變科學(xué)家獲取和傳遞知識的方式

挑戰(zhàn)科學(xué)知識呈指數(shù)級增長，專業(yè)化程度不斷提高跨學(xué)科合作需求增加，但知識壁壘阻礙學(xué)習(xí)與交流自動文獻管理與分析Semantic

Scholar有超過2.14億篇論文圖表理解與信息提取結(jié)合圖像、表格、公式和文本，分析復(fù)雜科學(xué)文獻代碼輔助生成與優(yōu)化使用大模型將難維護的代碼進行轉(zhuǎn)換與注釋推理->科研助手（Science

Copilot）陶哲軒：AI在數(shù)學(xué)和編程領(lǐng)域變得越來越有用，但人類的洞察力和創(chuàng)造力仍是關(guān)鍵/video/BV1c946eVEPu/29挑戰(zhàn)一：如何實現(xiàn)復(fù)雜科學(xué)任務(wù)的高效推理？挑戰(zhàn)1.2：獎勵難定義推理結(jié)論評估困難，難以定義獎勵標準推理模型消耗大量思考時間，計算資源需求大挑戰(zhàn)1.3：推理成本高復(fù)雜推理資源消耗大推理結(jié)論多樣且非唯一最優(yōu)，

難以構(gòu)建精準的獎勵函數(shù)評估推理結(jié)論質(zhì)量問題：患者，男，45歲，出現(xiàn)胸痛、氣短和左

臂麻木，有高血壓和糖尿病史。思維鏈：首先分析癥狀組合：胸痛、氣短和左臂麻木

是心臟問題的典型信號，特別是左臂麻木常見

于冠狀動脈疾病評估風險因素：患者有高血壓和糖尿病史，

這兩種慢性病都是冠心病的高風險因素鑒別診斷考慮：需要立即的檢查：心電圖、心肌酶譜、胸部

影像初步診斷：急性冠脈綜合征可能性最大，需

要緊急治療方案答案：最可能是急性冠脈綜合征，建議立即進

行心電圖檢查和心肌酶譜檢測，同時啟動胸痛推理模型在輸出答案之前需要花費大量時間思考，導(dǎo)致實時性差。并且難度越大的問題思考時間越長，因此消耗更多的推理資源。中心流程。醫(yī)療診斷示例醫(yī)療診斷的正確性難以給出基于規(guī)則的

評估標準，無法直接由程序自動化評估。行業(yè)知識更新快專業(yè)領(lǐng)域知識迭代頻繁，

模型難以及時學(xué)習(xí)新推理鏈條挑戰(zhàn)1.1：數(shù)據(jù)更新快訓(xùn)練數(shù)據(jù)更新慢：基于2023年12月前數(shù)據(jù)的DeepSeekR1無法獲取最新知識，導(dǎo)致在介紹“GaN充電器發(fā)展”時，無法結(jié)合更新的行業(yè)知識。更新知識成本高：模型需要額外的訓(xùn)練學(xué)習(xí)更新的內(nèi)容，需要額外的算力資源和時間成本。30挑戰(zhàn)二：如何實現(xiàn)復(fù)雜科研流程的智能執(zhí)行Deepresearch以O(shè)penAIo3推理模型作為支撐，能夠獨立完成聯(lián)網(wǎng)資料查詢，海量信息處理，綜合報告生成。依托其強大的搜索分析能力，在金融、政策、工程等領(lǐng)域都能提供可靠的幫助。幫我查找過去10年，GDP前十的發(fā)達國家的的iOS和Android市場占有率，將這些信息整理成表格。國家iOS市場占有率Android市場占有率美國58%42%日本69%31%………GDP排名前10的發(fā)達經(jīng)濟體手機OS市場份額modelAccuracy(%)GPT-4o3.3Grok-23.8Claude

3.5

Sonnet4.3Gemini

Thinking6.2OpenAI

o19.1DeepSeek-R1*9.4OpenAI

o3-mini(medium)*10.5OpenAI

o3-mini(high)*13.0OpenAI

deep

research**26.6*模型不是多模態(tài)的，僅在文本子集上進行評估**聯(lián)網(wǎng)檢索信息+python工具OpenAI

Deep

Research

（2025年2月2日，目前僅供Pro訂閱用戶使用，每月200美元）Deep

research在Humanity’s

LastExam數(shù)據(jù)集上和其他模型的對比推理模型OpenAI

o1和DeepSeek-R1相比GPT-4o等，具有更高的性能Deep

research以O(shè)penAI

o3作為基礎(chǔ)，通過合理的工作流在復(fù)雜任務(wù)上取得了當前最好性能3031挑戰(zhàn)三：如何抑制推理大模型的幻覺現(xiàn)象當前推理大模型知識邊界不確定，難以把握知識覆蓋范圍和可靠程度，推理幻覺嚴重DeepSeek

R1的幻覺問題相對嚴重問：8,8,3,4算24點已深度思考（用時312秒）嗯，今天老師布置了一個算24點的題目，四個數(shù)字是8、8、3、4。我得好好想想怎么用這四個數(shù)字通過加減乘除來得到24。首先，我應(yīng)該回憶一下算24點的基本方法，通常是先嘗試用乘法或者除法來得到較大的數(shù)，或者組合出能夠相互抵消的情況，比如3×8=24這樣的組合。不過這里有兩個8，一個3和一個4，可能需要結(jié)合其他運算。首先，我先把這四個數(shù)字列出來：8、8、3、4。我需要用每個數(shù)字各一次，通過加減乘除以及可能的括號來組合它們得到24。讓我嘗試不同的組合方式。首先，我注意到如果有兩個8的話，或許可以先用這兩個8進行某種運算。比如

8+8=16，不過這樣的話剩下的3和4要怎么處理呢？16加上3和4的話，16+3+4=23，不夠?；蛘?6乘以（4-3）=16×1=16，還是不夠。或者16乘以3再除以4的話，16×3=48，48÷4=12，還是不夠。或者16×(4+3)/某個數(shù)，但這樣可能也不太行。......或者，用減法來調(diào)整，比如8×4=32，然后用剩下的8和3來減，比如32-8=24，但這樣用了三個數(shù)字，剩下的3沒用上。或者32-(8-3)=32-5=27，也不對。再試試其他的組合方式，比如用8、8、4這三個數(shù)先組合，比如8+8+4=20，然后20+3=23，不夠?；蛘?×8=64，64÷4=16，然后16+3=19，還是不夠。或者考慮用除法來結(jié)合，例如，(8×(4-3))×8，這樣就是8×1×8=64，不對?；蛘?×(4-(8/3))，不過這樣會涉及到分數(shù)，可能比較復(fù)雜，而且結(jié)果可能不是整數(shù)。比如8×(4-8/3)=8×(4/1-8/3)=8×(12/3-8/3)=8×(4/3)=32/3≈10.666，不是24。有沒有可能用加減乘除混合運算？比如，8×3=24，然后剩下的8和4如何組合成

0，這樣24+0=24。但如何用8和4得到0呢？比如8-8=0，但這里已經(jīng)用了兩個8，剩下的還有3和4。不對，因為題目中每個數(shù)字只能用一次。所以，這樣的話，可

能不行。再想想，可能用減法來調(diào)整。例如，8×4=32，然后32減去（8-3）=5，得到

32-5=27，還是不對?；蛘?×3=24，然后用剩下的8和4組成0，但同樣的問題，無法用剩下的兩個數(shù)得到0?！?每個數(shù)字均被使用一次，符合規(guī)則。最終答案為：

8

*

3

*(8/4-(4-3))=24思考長度達6672，最終答案仍有錯誤AI驅(qū)動科學(xué)研究的全過程知識：改變科學(xué)家獲取和傳遞知識的方式

數(shù)據(jù)：生成、提取和標注大規(guī)?？茖W(xué)數(shù)據(jù)集實驗：模擬、加速并指導(dǎo)復(fù)雜實驗32數(shù)據(jù)：生成、提取和標注大規(guī)模科學(xué)數(shù)據(jù)集

[1]

Scaling

deep

learning

for

materials

discovery,

Nature

2023基于主動學(xué)習(xí)的數(shù)據(jù)清洗與合成1基于已知的穩(wěn)定材料生成候選結(jié)構(gòu)對候選結(jié)構(gòu)進行篩選基于密度泛函理論驗證穩(wěn)定性將新材料放到GNoME數(shù)據(jù)集，重復(fù)迭代提供了超過220萬種無機材料AlphaFoldDB由DeepMind與歐洲生物信息學(xué)研究所合作開發(fā)的大型蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫超過200萬用戶來自190個國家使用高準確度：提供的結(jié)構(gòu)預(yù)測在多數(shù)情況下接近實驗確定的結(jié)構(gòu)包含超過2.14億個蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)：生成、提取和標注大規(guī)?？茖W(xué)數(shù)據(jù)集

V3R1階段0通過拒絕采樣蒸餾強化學(xué)習(xí)模型的推理能力，數(shù)學(xué)、代碼等領(lǐng)域的樣本基于規(guī)則進行篩選，其他領(lǐng)域則使用大模型提供反饋的方式進行篩選DeepSeek

V3

BaseR1-ZeroR1-SFT

a強化學(xué)習(xí):GRPO基于規(guī)則獎勵R1-SFT

cDeepSeek

V3

Base監(jiān)督微調(diào)強化