AI for Science
人工智能成为科学家的新生产工具，催生科研新范式
概要
实验科学和理论科学是数百年来科学界的两大基础范式，而人工智能正在催生新的科研范式。机器学习能够处理多维、多模态的海量数据，解决复杂场景下的科学难题，带领科学探索抵达过去无法触及的新领域。人工智能不仅将加速科研流程，还将帮助发现新的科学规律。预计未来三年，人工智能将在应用科学中得到普遍应用，在部分基础科学中开始成为科学家的生产工具。
挑战
一是人机交互问题，人工智能与科学家在科研流程上的协作机制与分工需要更加明确，形成紧密的互动关系；
二是人工智能的可解释性，科学家需要明确的因果关系来形成科学理论，人工智能需要更容易被理解，以建立科学与人工智能之间的信任关系；
三是交叉学科人才，专业领域科学家与人工智能专家的相互理解程度低，彼此互相促进的障碍仍然较高。
个人看法
目前基础科学相关实验机械，国外（主要是美国）在全球存于垄断地位，中国因为先天积累不足难以追赶。不知是否能从“人工智能"弯道超车。
市场
具备高算力的科技公司，如商汤
有人工智能科研背景的 从事基础科学研究的公司
大小模型协同进化
大模型参数竞赛进入冷静期，大小模型将在云边端协同进化
概要
超大规模预训练模型是从弱人工智能向通用人工智能的突破性探索，解决了传统深度学习的应用碎片化难题，但性能与能耗提升不成比例的效率问题限制了参数规模继续扩张。人工智能研究将从大模型参数竞赛走向大小模型的协同进化，大模型向边、端的小模型输出模型能力，模型负责实际的推理与执行，同时小模型再向大模型反馈算法与执行成效，让大模型的能力持续强化，形成有机循环的智能体系。
优势
一是让小模型更容易获取通用的知识与能力，小模型专注在特定场景做极致优化，提升了性能与效率；
二是解决了过去大模型数据集过于单一的问题，小模型在真实场景回收的增量数据，让大模型有再进化的元素；
三是全社会不需要重复训练相似的大模型，模型可以被共享，让算力与能源的使用效率最大化。
挑战
一是大模型与知识常识的融合，将以规则存在的知识利用起来，提升模型通用能力的同时也降低训练所需的数据量，让大模型从数据驱动走向知识与数据融合驱动；
二是大小模型的协同机制，包含大模型的知识与能力向小模型降维迁移的有效性、小模型的小样本学习向大模型的升维融合、不同维度数据的清洗与治理等；
三是大模型的可解释性，对大模型依赖上升的同时，信任决定是否能被广泛使用。
个人看法
会促进AI应用的落地，可能像以前软件外包一样，冒出一堆进行AI应用开发的企业。
硅光芯片
光电融合兼具光子和电子优势，突破摩尔定律限制
概要
电子芯片的发展逼近摩尔定律极限，难以满足高性能计算不断增长的数据吞吐需求。硅光芯片用光子代替电子进行信息传输，可承载更多信息和传输更远距离，具备高计算密度与低能耗的优势。随着云计算与人工智能的大爆发，硅光芯片迎来技术快速迭代与产业链高速发展。预计未来三年，硅光芯片将承载绝大部分大型数据中心内的高速信息传输。
挑战
硅光的挑战来自产业链和工艺水平。硅光芯片的设计、量产、封装等环节尚未标准化和规模化，进而导致其在产能、成本、良率上的优势还未显现。光计算的精度低于电子芯片，限制了应用场景，集成度也需要提高来提升算力。近期产业需求的爆发，推动了硅光芯片产业链的发展，在光子元器件、硅光制程上都有重大突破，给硅光芯片商业化奠定了基础。
市场
光电融合是未来芯片的发展趋势，硅光子和硅电子芯片取长补短，充分发挥二者优势，促使算力的持续提升。未来三年，硅光芯片将支撑大型数据中心的高速信息传输；未来五到十年，以硅光芯片为基础的光计算将逐步取代电子芯片的部分计算场景。
