人工智能和机器人正在从四个方面帮助改变其他研究领域

人工智能(AI)已经被证明是生物信息学的革命性工具;总部位于伦敦的DeepMind公司(谷歌旗下公司)建立的AlphaFold数据库正允许科学家们这样做预测100万个物种中2亿种蛋白质的结构．但其他领域也从中受益。在这里，我们描述了研究人员的工作，他们追求尖端的人工智能和机器人技术，以更好地预测地球的气候变化，揭开艺术品背后隐藏的历史，了解深海生态和开发新材料。

海洋生物学与柔软的触摸

要经受住深海生活的严酷考验，必须有坚韧的有机体。但这些适应力强的物种通常也非常脆弱，从软软的黏糊糊的生物，如水母和海参，到坚固但脆弱的深海鱼类和珊瑚。它们的脆弱使得研究这些生物成为一项复杂的任务。

在许多海底机器人上发现的粗糙的金属操纵器更有可能伤害这些标本，而不是完整地取回它们。但是，基于柔性聚合物的“软机器人”为纽约城市大学的大卫·格鲁伯(David Gruber)等海洋生物学家提供了一种与这些神秘的深海生物互动的更温和的选择。

自然指数2022人工智能和机器人

有些方法包括在传统自动驾驶汽车上用这些更柔软的元素建造样本处理臂，而另一些方法则更接近于模仿受试者，完全由柔软和灵活的材料组成。格鲁伯说，问题是，这是否能让科学家在深海中采集活检样本，“并做我们通常在受控实验室环境下，在潜艇球体内做的事情”。

答案似乎是肯定的。在过去的八年中，格鲁伯一直在与马萨诸塞州剑桥市哈佛大学的机器人专家罗伯特·伍德(Robert Wood)合作，建造能够在潜水员不敢去的环境中有效工作的机器人，他在该领域的其他一些同事也取得了类似的成就。例如，在2021年，由浙江大学机器人学家李铁峰领导的中国研究人员设计了一个机器人，可以在西太平洋表面以下近11公里的马里亚纳海沟阴暗的深处航行。

早期的软机器人主要专注于安全捕获和处理活的海洋生物，但下一波机器人应该能够在不返回陆地的情况下进行更广泛的分析。格鲁伯描述了在水下进行质谱分析或复杂成像方法的开发系统的进展，他和伍德甚至开发了一个软体机器人，可以对新捕获的标本进行基因组分析。

成本仍然是一个很大的障碍。格鲁伯指出，即使是较小的潜水系统也可能花费数十万美元。但软机器人设计也赋予了很大的灵活性。例如，格鲁伯的同事已经证明，他们可以使用3D打印机在海上工作时创建专门的操作和抓握组件，使他们能够快速定制机器人，以适应在探险中发现的水母、珊瑚或其他生物。

尽管这项技术还没有被广泛接受，但格鲁伯对软机器人将如何改变海洋生物学充满热情，因为它可以让研究人员快速获得对新物种的有用见解，而不仅仅是通过潜艇相机拍摄的短暂快照。他说:“这些动物大多是新出现的，我们对它们了解甚少或一无所知。”

改变气候预测

每隔三到七年，太平洋的海水就会在相对温暖和凉爽的表面温度之间波动。虽然只是几度的变化，但这些变化对全球气候产生了深远影响，对亚洲、大洋洲和美洲的降雨和风暴活动产生了强烈影响。

了解这些变化的时间——正式称为El Niño-Southern振荡，或ENSO -可以帮助社区做好准备吗用于干旱、严重飓风或其他极端天气事件。这种预测很难充满信心，但在2019年，韩国光州全南国立大学的Yoo-Geun Ham的团队基于一种被称为深度学习的人工智能技术开发了一种算法，可以成功地提前两年预测这些海洋变暖和变冷事件。事实上，他们的算法在过去三年中一直在预测ENSO的模式。“到目前为止，一切都很好，”哈姆说。

人工智能是气候科学工具箱中的新成员，但已被证明擅长梳理观测数据，以发现大气和海洋活动的有意义的模式。在某些情况下，人工智能可以产生对未来的预测，例如哈姆与ENSO的工作，但该技术也可以立即提供相关的见解。例如，谷歌姐妹公司DeepMind的科学家在2021年的一项研究中展示了一种“nowcasting”算法，该算法将深度学习应用于实时雷达数据，以准确预测未来几个小时的降水模式(美国Ravuriet al。自然597, 672 - 677;2021）.

气候研究人员也在使用人工智能来克服传统的基于统计或物理的气候学方法的一些缺点。例如，深度学习算法可用于确定气候建模的基本参数，这些参数无法根据现有知识或直接观测进行精确量化，例如海水的混合或云的区域运动。人们甚至可以应用人工智能来填补历史气候数据的空白。

到目前为止，大多数工作都集中在全球气候的特定组成部分或区域元素上，但更大的、全球范围的问题目前仍在人工智能的控制范围之外。这种规模的预测通常来自地球系统模型——基于对海洋、大气和陆地生态系统中关键物理过程的理解的数学框架。Ham说，这一领域“是将深度学习应用于气候预测和气候模型的未来”，尽管他指出，这一领域的大部分初步工作尚未得到可靠的评估或准确性方面的验证。

部分问题在于，目前的人工智能系统一般都是在研究数据中的模式，而不是对物理现象的真正理解。除此之外，回溯算法得出结论的过程也很困难。Ham说他的团队在工作中努力克服与这个问题相关的怀疑。他说:“我们应用了一种非常严格的验证方法，以证明我们的深度学习模型确实超越了其他最先进的预测系统。”哈姆认为，人工智能最终将改变气候预测领域。“我认为未来相当光明，”他说。

催化材料的发现

过渡金属元素，如铁、铜和铂，在各种工业中广泛用于化学加工和合成，部分原因是它们独特的电子结构适合催化。然而，材料科学家们只触及了可能的配方的广阔宇宙的表面，还有更多的化合物有待发现，它们可以提供更好的催化性能，更低的成本或更简单的生产方法。

剑桥麻省理工学院的计算化学家希瑟·库利克(Heather Kulik)是一个不断壮大的研究团队中的一员，该团队正在使用人工智能算法大幅加速材料发现和设计过程。在今年发表的一项研究中(答:Nandy等．江淮盟2, 1200 - 1213;2022)，她的团队使用了一种称为“主动学习”的方法——在这种方法中，人工智能算法使用自己的模型来识别可能导致进一步改进性能的数据——来揭示可以有效地将甲烷转化为甲醇的过渡金属催化剂的结构和化学特征。

“我们搜索了大约1600万种候选催化剂，”库利克说，“我们能够在几天到几周内得出设计原则，否则可能需要几十年。”这种催化剂很重要，因为它们可以促进甲烷(化石燃料的主要成分和温室气体)的有效转化为更多功能和更有用的化学构件。

库利克将该领域的发展部分归功于开源工具包的发展，这些工具包使研究人员更容易在广泛的物理化学特征上训练人工智能，以发现潜在的材料。尽管库利克指出，获得高质量的数据仍然是一个紧迫的问题，但也有一些理论和实验得出的化学数据的公开访问库可以输入到这些算法中。她说:“我认为，对于如何生成高质量的数据集，人们还没有达成共识。”她指出，她的团队通常完全依赖内部生成的数据来训练算法。人工智能在这里也有它可能的用途;机器学习算法可以应用于已发表的文献，通过文本挖掘直接获取关于不同化合物家族化学特征的见解。

目前，这些分析很大程度上是为了识别针对某一特定特性进行优化的材料，例如在特定环境条件下的稳定性。但目前在“多目标优化”领域正在开展有前景的工作，在这一领域，机器学习算法被用来锁定化合物和结构，这些化合物和结构在各种不同的参数下同时产生优异的性能。

库利克还对一个新兴的计算化学领域充满热情，该领域使用算法来监督人工智能建模过程本身的关键方面。这个想法是通过训练计算机识别劣质数据、不真实的材料或其他可能导致失败的条件，来消除典型的基于机器学习的实验中可能出现的错误开始和死胡同。

对于库利克来说，这并不是要把人类专家排除在这个过程之外，而是让他们投入更多的时间和精力来分析高质量的计算结果，“这样博士候选人就不必把所有的时间都花在乏味的事情上”。

做表面文章

即使是最伟大的艺术家也会从一个粗略的草稿开始。对于列奥纳多·达·芬奇(Leonardo da Vinci)这样的大师来说，许多早期的努力都已湮没在历史中，但复杂的成像技术和人工智能算法的结合，使挖掘隐藏在成品画作下的初步草图成为可能。

凯瑟琳·希吉特是伦敦国家美术馆的首席科学家，她与帝国理工学院的电气工程师Pier Luigi Dragotti合作，发现了达芬奇15世纪晚期作品中隐藏的天使和其他人物的痕迹岩间圣母．他们首先使用x射线荧光检测与画作中某些颜料相关的元素，然后使用人工智能重建由这些颜料形成的隐藏模式。

无创成像正在成为艺术修复领域的标准工具，但生成的数据量很快就会变得势不可挡。“我们很少依赖单一的技术，”希吉特说。“我们倾向于把信息拼凑在一起，所以你可能会有一系列不同波长的成像数据。”这就是AI可以派上用场的地方:帮助整合和解释复杂的数据集。

这种人工智能辅助的图像分析现在在生物医学成像等学科中相当常见，但博物馆科学家通常缺乏计算资源和专业知识来使用这些技术。希吉特加入了一个名为artit的英国研究项目，该项目汇集了艺术界的专家和不同学科的计算专家。

如今，人工智能是希格特在国家美术馆工作的常规组成部分，这使她的团队相对于大多数其他博物馆处于领先地位，尽管她承认“这仍然是非常婴儿阶段”。

其他一些小组也在展示将算法分析应用到艺术品中可以获得的见解。例如，俄罗斯和比利时的研究人员使用神经网络进行“虚拟修复”，用数字技术修补裂缝，并在退化画作上填补缺失和褪色的油漆。另一个来自俄亥俄州克利夫兰的凯斯西储大学的团队设计了一种算法，可以根据实际笔触来帮助识别某幅作品的作者，甚至有可能发现赝品。

在她的学科中使用人工智能的早期，希吉特对它给予过多的信任持谨慎态度。她指出了检查人工智能系统如何得到答案的困难，目前尚不清楚针对一件艺术品训练的算法在其他艺术品上的表现如何。她认为这是提供数据的“第一遍”，以帮助提取出“化学家、保管员或策展人等专家会回来审查的趋势或信息”。

随着进展的继续，希吉特看到了人工智能改变策展人和公众与艺术互动方式的令人兴奋的机会。希吉特说，这甚至可能包括重建一件艺术品的“生命故事”的各个方面，让观众“不仅能感觉到一件艺术品最初可能位于哪里，还能感觉到它在过去的不同时刻可能是什么样子”。