新书出版！建议所有海洋领域研究生及技术人员都去读！AI for Science（智能辅助科研）：深度学习革命

（请在订单备注处注明发票抬头和税号）

AI for Science，即智能辅助科研，从2021 年前后开始越来越频繁地出现在科研工作者的视野中。国际顶级学术期刊之上，人工智能（AI）辅助计算分子、设计药物、挖掘数据逐渐成为常态，国内的科技管理部门也在有识之士的推动下启动了多个重大专项，支撑AI 在科研领域的应用。在日常工业、科技和生活中，AI 的渗透面更是广得多、深得多，可谓无处不在。

深度神经网络示意图

智能辅助科研思想的首次出现，可追溯到2016 年，就在人们为AlphaGo首次战胜人类围棋世界冠军而或欢呼或惊叹之时，科学家已经在尝试将机器学习等AI 工具用于科学问题的求解。芝加哥大学丰田中心的许锦波教授尝试用深度神经网络预测蛋白质的三维结构，普林斯顿大学的鄂维南和Roberto Car 团队也开始着手运用机器学习构建原子间相互作用的势函数。

2020 年前后，智能辅助科研正式走入人们的视野。DeepMind 推出的AlphaFold2 在CASP14 大赛中轰动世界，深度势能团队的DeePMD 以“AI+ 物理模型+HPC”新范式获得高性能计算界的“诺贝尔奖”——戈登·贝尔奖。

AlphaFold 迭代模型的“最差”和“最佳”预测结果

此后FermiNet、DeePKS、DM21 等优秀开源工具也相继诞生。这些工具与成果的出现，意味着智能辅助科研已经得到真正意义的重视，科学家在很多领域不用再“造轮子”，而是可以直接使用新方法、新工具进行科学研究。

2016～2021 年是智能辅助科研的“概念导入期”：智能辅助科研的概念被初步证明，智能辅助科研思想的潜力被核心圈层认可，但更多处在萌芽阶段。该阶段的主要目标是AI 在各个科学场景应用的概念落地，主要工作是定义出迫切需要也十分适合使用AI 来求解的关键科学问题，并实现算法领域从0 到1的突破。2021 年后，智能辅助科研进入大规模基础建设期，我国在2022 年和2023 年分别在国家自然科学基金委员会与科学技术部新列了该领域的重点专项。另外，AI 的头部公司开始打造平台和面向工业及大众应用的工作流，吸引科研工作者和社会普通用户使用和贡献数据，进一步推进各自模型的进步，并在材料、生物、环境、制造等领域起到显著的加速研发的作用。这些工作都进一步加速了已经精进的智能辅助科研领域的发展速度。

智能辅助科研 : 深度学习革命

( 美 ) 阿洛克 ·乔杜里 (Alok Choudhary),

( 美 ) 杰弗里·福克斯 (Geoffrey Fox),

( 英 ) 托尼·海伊 (Tony Hey) 编著

张浩等译

北京: 科学出版社, 2025.9

ISBN 978-7-03-081341-1

尽管智能辅助科研领域的国内外科研论文众多，但系统总结进展的著作较少。2023年4 月，该领域的三位计算机和数据科学家出版了Artificial Intelligence for Science: A DeepLearning Revolution。由张浩等组织翻译团队推出中译本《智能辅助科研: 深度学习革命》，希望能填补国内智能辅助科研领域系统性著作的空白，搭建 AI 技术与科研实践的跨学科沟通桥梁，为国内相关专业人士、研究者、学习者及关注科技发展的读者提供国际前沿参考，助力该领域在国内的体系化探索与创新应用。

本书系统介绍了人工智能（AI）、机器学习（ML）和深度神经网络技术，这些技术正引领着从超级计算机模拟和现代实验设施产生的数据集中进行科学发现。本书作为一部涵盖数学、物理、化学、材料、农学、医学等多个学科成果的综合性文集，各章节均由各领域顶尖科学家撰写，他们权威地论述了人工智能技术在其专业领域所面临的挑战和发展前景。

智能辅助科研是一个快速发展的新兴领域，新概念与新方法不断涌现，部分术语尚无统一或确切的中文译法。此外，各章节由不同领域的专家撰写，写作风格与表述深度存在一定差异。针对新兴概念与创新性表述，译者力求忠实原文，尽可能还原作者的原意与思想。书中若有翻译疏漏或内容不足之处，恳请广大读者不吝指正，以利后续改进。

本文摘编自《智能辅助科研 : 深度学习革命》[( 美 ) 阿洛克·乔杜里 (Alok Choudhary),( 美 ) 杰弗里·福克斯 (Geoffrey Fox), ( 英 ) 托尼·海伊 (Tony Hey) 编著 ;张浩等译 . 北京 : 科学出版社 , 2025.9]一书“译者序”，有删减修改，标题为编者所加。

ISBN 978-7-03-081341-1

责任编辑：冯晓利　吴春花

本书系统介绍了人工智能（AI）、机器学习（ML）和深度神经网络技术，这些技术正引领着从超级计算机模拟和现代实验设施产生的数据集中进行科学发现。海量的实验数据来源众多，包括望远镜、卫星、基因测序仪、加速器和电子显微镜，以及位于瑞士日内瓦的欧洲核子研究中心（CERN）大型强子对撞机（LHC）和国际热核聚变实验堆（ITER，总部位于法国）托卡马克装置等国际大型设施。这些来源每年产生从数拍字节（ petabytes）到艾字节（exabytes）级别的海量数据。科学家们面临的主要挑战是如何从这些数据中提取科学洞见，而最新的AI 发展成果对此至关重要。

本书可为科学与工程领域的专业人士、研究人员，以及人工智能、机器学习和神经网络技术方向的从业者与学习者提供参考。书中展现的前沿视野和深刻洞见，不仅适用于跨学科研究者，也将启迪所有关注科技发展的广大读者。