從處理深海生物到改善氣候預測，該技術可以是變革性的。

人工智能（AI）已經被證明是生物信息學的革命性工具；谷歌旗下的倫敦DeepMind公司建立的AlphaFold數據庫允許科學家預測100萬個物種中2億個蛋白質的結構。但其他領域也在受益。在這里，我們描述了研究人員的工作，他們追求尖端的人工智能和機器人技術，以更好地預測地球上不斷變化的氣候，揭開藝術品背后隱藏的歷史，了解深海生態，開發新材料。

具有柔軟觸感的海洋生物學

要承受深海生活的嚴酷考驗，需要一種堅韌的生物體。但是這些有彈性的物種往往也是非常精致的，從柔軟的生物，如水母和海參，到堅固但脆弱的深海魚類和珊瑚。它們的脆弱性使得研究這些生物體成為一項復雜的任務。

在許多海底機器人上發現的堅固的金屬操縱器更有可能傷害這些標本，而不是將它們完整地打撈出來。但是基于柔性聚合物的 "軟體機器人 "正在為紐約市立大學的David Gruber等海洋生物學家提供一種更溫和的替代方案，與這些神秘的深海居民進行互動。

一些方法涉及用這些柔軟的元素來建造傳統自主車輛上的樣本處理臂，而另一些方法則更接近于模仿它們的對象，完全由柔軟和靈活的材料組成。Gruber說，問題是這是否將允許科學家在深海中采集活體樣本，"并做一些我們通常在受控的實驗室環境中，在潛艇的球體內做的事情"。

答案似乎是一個決定性的肯定。在過去的八年里，格魯伯一直在與馬薩諸塞州劍橋市哈佛大學的機器人專家羅伯特-伍德合作，構建能夠在潛水員害怕去的環境中有效運作的機器人，他在該領域的其他一些同事也完成了類似的壯舉。例如，在2021年，由浙江大學的機器人專家李鐵峰領導的中國研究人員設計了一個機器人，可以在馬里亞納海溝的陰暗深處--西太平洋表面以下近11公里的地方航行。

早期的這些軟體機器人主要集中在安全捕捉和處理活的海洋生物，但是下一波機器人應該能夠在不返回陸地的情況下進行更廣泛的分析。Gruber描述了在水下進行質譜分析或復雜的成像方法的系統開發進展，他和Wood甚至開發了一個軟體機器人，可以對新捕獲的標本進行基因組分析。

成本仍然是一個非常大的障礙。Gruber指出，即使是較小的潛水器系統也要花費數十萬美元。但是軟體機器人的設計也賦予了很大的靈活性。例如，格魯伯的同事已經證明，他們可以在海上工作時使用3D打印機來創建專門的操縱和抓取部件，使他們能夠迅速為考察期間發現的水母、珊瑚或其他生物定制其機器人。

盡管這項技術還沒有被廣泛接受，但格魯伯對軟體機器人技術可能改變海洋生物學充滿熱情，因為它允許研究人員快速獲得對新物種的有用見解，而不僅僅是來自潛水艇攝像機的轉瞬即逝的快照。"他說："這些動物中的大多數都是非常新的，我們對它們要么所知甚少，要么一無所知。

改變氣候預測

每隔三到七年，太平洋的水域就會在相對溫暖和涼爽的表面溫度之間波動。雖然只有幾度，但這些變化對全球氣候有深遠的影響，對亞洲、大洋洲和美洲的降雨和風暴活動有很大影響。

對這些變化時間的了解--正式稱為厄爾尼諾-南方濤動，或ENSO--可以幫助社區為干旱、嚴重颶風或其他極端天氣事件做好準備。這種預測很難有很大的把握，但在2019年，韓國光州全南國立大學的Yoo-Geun Ham團隊開發了一種算法，基于一種被稱為深度學習的人工智能技術，可以提前兩年成功預測這些海洋變暖和變冷事件。事實上，他們的算法的預測在過去三年里一直在預測ENSO模式。"到目前為止，這么好。"Ham說。

人工智能是氣候科學工具箱的新成員，但已經證明它擅長通過觀測數據來發現有意義的大氣和海洋活動模式。在某些情況下，人工智能可以產生很好的未來預測，例如 Ham 與 ENSO 的合作，但該技術也可以立即提供相關的見解。例如，谷歌姊妹公司 DeepMind 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于實時雷達數據，以準確預測未來幾個小時內的降水模式。

可以提前很好地預測 ENSO 模式信號事件（例如臺風）

氣候研究人員也在使用人工智能來克服傳統的基于統計或物理學的氣候學方法的一些缺點。例如，深度學習算法可用于識別氣候建模的基本參數，這些參數無法根據當前知識或直接觀察準確量化，例如海水混合或云的區域運動。人們甚至可以應用人工智能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、全球范圍的問題仍然很大程度上超出了人工智能的范圍。這種規模的預測通常來自地球系統模型——基于對海洋、大氣和陸地生態系統中關鍵物理過程的理解的數學框架。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”，盡管他指出，該領域的大部分初步工作尚未在準確性方面得到強有力的評估或驗證。

部分問題在于，當前的人工智能系統通常是在研究數據中的模式，而不是對物理現象的真正理解。除此之外，還難以追溯算法使用的過程以得出結論。漢姆說，他的團隊在他們的工作中努力克服與這個問題相關的懷疑。“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，”Ham 認為，人工智能最終將改變氣候預測領域。“我認為未來非常光明。”

催化材料發現

過渡金屬元素，如鐵、銅和鉑，廣泛用于各種行業的化學加工和合成——部分原因在于它們獨特的電子結構，適合催化。然而，材料科學家只觸及了眾多可能配方的表面，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。

美國麻省理工學院的計算化學家 Heather Kulik 是不斷壯大的研究人員社區的一員，他們正在使用 AI 算法來顯著加快材料發現和設計過程。在今年發表的一項研究中（A. Nandyet al.JACS Au2, 1200–1213; 2022），她的團隊使用了一種稱為“主動學習”的方法——人工智能算法使用自己的模型來識別可能導致進一步提高性能——揭示可以有效地將甲烷轉化為甲醇的過渡金屬催化劑的結構和化學特征。

Kulik 說：“我們搜索了大約 1600 萬種候選催化劑。并且能夠在幾天到幾周內提出設計原則，否則這需要幾十年的時間。這種催化劑很重要，因為它們可以促進甲烷（化石燃料和溫室氣體的主要成分）有效轉化為更通用和更有用的化學構件。“

Kulik 將該領域的增長部分歸功于開源工具包的開發激增，這些工具包使研究人員更容易在廣泛的物理化學特征上訓練人工智能以發現潛在材料。盡管 Kulik 指出，獲取高質量數據仍然是一個緊迫的問題，但還有許多可公開訪問的理論和實驗衍生化學數據存儲庫可以輸入這些算法。“我認為對于生成高質量數據集需要什么達成共識，”她說，并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。人工智能在這里也有其可能的用途；

目前，這些分析主要用于識別針對某一特定特性進行優化的材料，例如特定環境條件下的穩定性。但現在“多目標優化”領域正在進行有前途的工作，其中機器學習算法被用于研究化合物和結構，這些化合物和結構同時在各種不同的參數上產生出色的性能。

Kulik 還熱衷于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。這個想法是通過訓練計算機識別質量差的數據、不現實的材料或其他可能導致失敗的條件來消除典型的基于機器學習的實驗可能出現的錯誤開始和死胡同。

對 Kulik 來說，這并不是要把人類專家排除在外，而是讓他們將更多的時間和精力投入到高質量計算結果的分析中，“這樣博士生就不必把所有的時間都花在做乏味的事情”。

刮擦表面

即使是最偉大的藝術家也是從草稿開始的。對于列奧納多·達·芬奇這樣的大師來說，許多早期的努力都已被歷史遺忘，但復雜的成像技術和人工智能算法的結合使得挖掘隱藏在成品畫下的初步草圖成為可能。

英國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 世紀后期達芬奇作品《圣母瑪利亞》中的天使和其他人物的蹤跡巖石。他們首先使用 X 射線熒光檢測與整個繪畫中某些顏料相關的元素，然后使用人工智能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變得不堪重負。“我們很少依賴單一技術。”Higgitt 說：“我們傾向于將信息拼湊在一起，因此您可能擁有一系列不同波長的成像數據。這就是人工智能可以派上用場的地方：幫助集成和解釋復雜的數據集。”

De Goya 的Do?a Isabel de Porcel，在其下發現了另一幅肖像。

這些類型的人工智能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，該計劃匯集了來自藝術界的專家和來自不同學科的計算專家。

今天，人工智能是 Higgitt 在國家美術館工作的常規組成部分，這使她的團隊相對于大多數其他博物館處于最前沿，盡管她承認“這仍然是非常初級的步驟”。

許多其他小組也展示了通過將算法分析應用于藝術品可以獲得的見解。例如，俄羅斯和比利時的研究人員已經使用神經網絡進行“虛擬修復”，以數字方式修補裂縫，并在退化的畫作上填充缺失和褪色的油漆。位于美國俄亥俄州克利夫蘭的凱斯西儲大學的另一個團隊設計了一種算法，可以幫助根據物理筆觸識別對給定作品負責的藝術家——甚至可能揭示贗品。

在她的學科中使用人工智能的早期階段，希吉特對它給予過多的信任持謹慎態度。她指出了檢查人工智能系統如何得出答案的困難，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的表現如何。她認為它提供了數據的“第一次通過”，以幫助提取“專家——化學家、保護者或策展人——會回來審查的趨勢或信息”。

隨著進展的繼續，Higgitt 看到了令人興奮的機會，讓人工智能改變策展人和公眾與藝術互動的方式。希吉特說，這甚至可能包括重建藝術品“生活故事”的各個方面，讓觀眾“不僅了解一件作品最初可能位于的位置，還可以了解它在過去不同時間點的樣子” .