漆远教授《AI for Science：人工智能驱动科研革命》课程大纲

• 理解“AI for Science”（科学智能）的核心理念与发展脉络
• 掌握AI在物理、化学、生物、材料、气候等基础科学中的典型方法
• 分析AI如何重构传统科研范式：从“试错实验”到“预测驱动”
• 了解中国在科学智能领域的战略布局与关键突破
• 培养跨学科思维，推动AI与科研深度融合的实践能力

• 从“第四范式”到“第五范式”：数据密集型科学发现
• 全球典型案例：AlphaFold、ClimateBench、GNoME、Materials Project
• 科研效率瓶颈：高成本、长周期、高失败率
• AI如何成为科学家的“新显微镜”与“新实验室”

• 科学数据的特点：多模态、稀疏、噪声大、标注难
• 表示学习：分子图神经网络（GNN）、晶体结构编码、场论嵌入
• 物理信息神经网络（PINNs）与守恒律约束
• 多尺度建模：从量子力学到宏观现象的AI桥接
• 工具生态：DeepMD、Open Catalyst、ASE、PyTorch Geometric等

• 蛋白质结构预测：AlphaFold之后的新挑战（动态构象、复合物）
• 小分子生成与性质预测：Diffusion模型、强化学习在药物设计中的应用
• 单细胞多组学整合分析
• 案例分享：上海科学智能研究院在抗肿瘤靶点发现中的实践

• 高通量筛选 vs. 生成式设计
• 晶体结构生成与稳定性预测
• 电池材料、催化剂、超导体的AI辅助发现
• 实验-仿真-AI闭环：机器人实验室（Self-Driving Lab）初探

• 气候模型降尺度与极端天气预测
• 碳中和路径模拟：能源-经济-排放耦合系统建模
• 卫星遥感+AI：森林碳汇、海洋温度、城市热岛监测
• 欧盟“Destination Earth”与中国“地球系统数值模拟装置”对比

• 科学大模型（Scientific Foundation Models）的构建逻辑
• 高质量科学数据集：开放共享与产权挑战
• 国产算力适配：面向科学计算的AI芯片与超算融合
• 上海科学智能研究院的“AI4S云平台”架构解析

• 可解释性 vs. 黑箱：科学发现需要因果还是相关？
• 数据偏差导致的“虚假规律”风险
• 实验验证仍是金标准：AI是助手，不是替代者
• 伦理议题：AI加速武器/病毒设计的双刃剑效应

• “人工智能+”行动方案中的AI4S布局
• 高校-国家实验室-企业协同机制（如复旦-之江-阿里合作模式）
• 青年科学家如何切入AI4S交叉领域？
• 圆桌讨论：中国能否在下一轮科学革命中占据先机？

• 理论讲授 + 前沿论文精读 + 行业案例研讨
• 动手实践（可选）：基于魔搭（ModelScope）或开源科学AI工具包进行分子性质预测、材料生成等小项目
• 嘉宾对话：邀请生物医药、材料、气候等领域一线科学家参与对谈

• 《十问人工智能大模型》（漆远 著）
• Nature / Science 近三年AI4S专题综述
• DeepMind AlphaFold系列论文
• 中国科学院《AI for Science 白皮书》
• 上海科学智能研究院年度技术报告

• 高校理工科研究生（物理、化学、生物、材料、地学、计算机等）
• 国家重点实验室科研人员
• 医药、能源、化工、环保等行业的研发工程师
• 科技政策制定者与科技投资分析师

备注：本课程强调“问题导向”而非纯技术堆砌，突出真实科研痛点与AI解决方案的匹配逻辑。可根据受众背景定制侧重方向（如偏生命科学或偏工程材料）。