【信息化教育】谷歌发布AI赋能科学框架，建议全部科学学科融入AI教育
2025年2月6日，谷歌发布《利用AI构建科学未来政策框架》文件，旨在为世界各地的政策制定者提供一份蓝图，以帮助制定政策，充分释放AI在推动科学进步方面的潜力。
该文件指出，当前由AI驱动的科学革命并非要取代人类科学家，而是要将他们的能力提升到前所未有的程度。AI的真正力量在于其能够极大地加速科学研究过程，在某些领域，如新药研发、材料科学和疾病诊断，AI甚至能将传统实验和研究所需的数百年乃至上千年的工作压缩至几个月甚至几天内完成。
此外，AI工具使得对海量数据的复杂分析成为可能，并使更多的研究者能够参与其中，促进了科研合作，开辟了全新的研究方向。
2015年1月谷歌的调查显示，70%的人认为AI将在科学（72%）和医学（71%）领域产生积极影响，领先于在农业（60%）和网络安全（57%）等领域的应用。
如今，AI在自然科学领域的应用正以前所未有的速度加速发现，如AlphaFold对蛋白质结构的预测，GNoME更是已经成功发现了220万个新晶体，相当于近800年来经典研究技术的知识积累等。AI在气候科学领域（如谷歌的洪水预测AI模型、野火AI探测等）、能源领域、医疗保健、量子科学等领域也已有突破性应用。这些成功案例表明，AI不仅加速了科学研究的进程，还拓宽了科学探索的边界。
但是AI的潜力尚未完全释放。通过制定合适的政策，各国政府可以为科学家提供必要的工具和资源，从而推动更多科学突破，解决全球性的挑战。
基于此，该文件提出了一个政策框架，即“三I支柱”：基础设施（Infrastructure）、投资（Investment）、创新（Innovation）。
支柱一：基础设施——提升对AI基础设施的访问
该文件指出，当前AI在科学领域的应用面临诸多挑战，如数据获取的困难、计算能力的限制以及跨学科合作的障碍。为了解决这些问题，文件提出以下建议：
一是建立国家和国际数据、模型、计算和软件库。
各国政府应建立国家AI科学资源中心，提供高质量的科学数据、AI模型、计算能力和软件工具，开展案例征集以及提供AI教育资源等。这些中心不仅应服务于本国科学家，还应与国际资源中心合作，促进全球范围内的科学协作。
例如，在美国，Data.gov汇集了来自各政府机构的数据集，国家科学基金会还资助建立了国家数据平台，产业界和学术界还合作建立了一个名为The Well的大型科学数据存储库，其中包含15TB的物理模拟数据，涵盖了不同的科学领域。美国政府还与私营部门合作正在开展“国家AI研究资源试点”（NAIRR），通过提供计算、数据、软件和培训资源，促进AI研究。
二是促进数据可访问性和软件互操作性。
该文件认为，为了最大化数据的价值，政府应制定开放数据政策，确保政府资助的研究数据和公共数据集的可访问性。例如，例如，美国NASA的EMIT、德国的EnMAP和日本的HISUI为开发气候科学的人工智能模型提供了宝贵的数据。同时，该文件还建议，政府应该制定明确的路线图，列出它们最紧迫的挑战，并创建一个科学界缺乏数据的优先领域列表。但在构建科学数据集时必须保护个人隐私信息。在敏感领域，如医疗和卫生保健，政府应推动创建可以用于训练AI模型和解决公共产品与服务差距的全面匿名化、广泛代表性的数据集。
此外，该文件还强调了软件互操作性的重要性。通过开发和推广开源工具和标准化接口，科学家可以更方便地整合不同来源的数据和模型，从而提高研究效率。
支柱二：投资——投资AI科学
该文件指出，长期的科学研究需要稳定的资金支持，而AI的快速发展也为科学投资提供了新的机遇。
一是推动对社会有益的科学创新AI项目和倡议。
第一，扩展现有的财政支持机制，并建立新的资金支持体系，以帮助推动AI赋能科学应用领域的小型企业发展。
第二，增加对高社会影响项目的资金投入，以填补私人投资的不足。
第三，创建聚焦解决科学问题的公共重大挑战项目，包括减轻人口增长和过度消费、生态系统破坏、气候变化影响和污染等相互关联的问题。医疗、教育和国家安全等领域的AI挑战奖项还可能会加速创新。
第四，加强公共部门采购，以推动AI创新。例如，全球许多城市已经采纳了GreenLight项目，利用AI驱动的交通信号灯控制来减少交通排放和优化城市交通。
第五，确保在长时间内追求雄心勃勃的目标的充足和持续的资金。政策制定者应确保为AI研究提供的资金能够持续足够长的时间，以便研究议程能够演变、成熟并产生有形的结果。
第六，扩大利用科学进步造福社区的非营利组织的社会影响力。政府鼓励AI与科学研究进行社会有益组合的另一种方式是非营利领域。支持可以采取赠款和财政援助的形式，或者更重要的是扩大解决方案的合作努力。
二是加强跨学科研究以促进学科合作。
第一，建立和资助AI赋能科学的研究中心和项目，以应对复杂的科学挑战。AI专家与科学领域专家之间的跨学科合作对于开发更高效、更精确的AI科学解决方案至关重要。然而，研究环境的孤立化以及职业发展中对跨学科工作的激励机制不足，往往阻碍了这种合作。MIT-Google计算创新计划是产学合作如何将跨学科团队聚集在一起，加快全球社会和可持续发展挑战研究的一个例子。通过建立跨学科研究中心和项目，政府可以激励AI专家和非AI科学家之间的合作，整合多领域知识，推动跨部门创新。
第二，资助AI与其他新兴技术交叉领域的研究。AI与量子计算、生物技术和纳米技术等领域的融合进步为协同突破提供了前所未有的机会。
三是建立强大的人才储备。
第一，投资所有科学学科开展AI教育，培养下一代精通AI的科学家。政府应该通过公共资金和公私伙伴关系，增加奖学金、研究基金及资助计划的投入，支持从事AI与科学领域交叉研究的研究生及早期职业研究人员。
此外，政府应通过更新专业发展计划，率先对教育工作者进行AI概念的培训。大学和学院也可以将AI整合到他们的课程中发挥关键作用。学术机构可以通过提供专门的AI项目和跨学科课程，将AI与其他科学学科相结合，为下一代科学家提供驾驭未来AI驱动未来所需的技能。
第二，在STEM领域竞争人才，无论在哪里。STEM领域的学生、研究人员和科学家来自世界各地，政府应该给予自己一切机会，从竞争激烈的全球科学和人工智能人才中吸引候选人。为了争夺人才，政府可以增加获得培训项目和研究基础设施的机会，通过简化签证计划来积极招募国际研究人员，并在国内培养下一代AI和科学专家。
第三，支持提供AI技能项目的非营利组织。提升AI技能水平将增强各国社会在科学应用领域的开发和采用能力。专注于AI技能提升（upskilling）和再培训（reskilling）的非营利组织在这一过程中发挥着重要作用，它们不仅能够扩大AI技能在社区中的普及度，还能培养新一代的AI创新者、开发者和应用者，使其能够构建和利用AI技术，以推动科学和社会的进一步发展。
这种支持可以以赠款和合同的形式，提供培训/教育材料，或简化赠款申请和评估过程，以及数据驱动的赠款分配，以增强以教育为重点的非营利组织。
支柱三：创新——实施促进科学和创新的法律框架
该文件指出，科学进步依赖于数据的自由流动和开放合作，但同时也需要适当的法规来确保数据隐私、知识产权和跨境数据流动的安全。基于风险、特定行业、与技术中立的法律法规框架将促进全球合作、数据共享和合规，使世界各地的机构和公司能够快速、安全地创新。
一是制定负责任和合理使用数据的协调条例。
第一，制定（或维护）版权框架，以便安全使用公开可用的信息来训练和测试人工智能系统。AI模型并非仅仅是其训练数据的压缩副本。训练模型是对训练数据的一种转化性、非表现性的使用，应该在具有合理使用条款的司法管辖区内被视为合理使用，或在依赖于列举例外条款的司法管辖区内被视为符合文本数据挖掘（TDM）例外的条件。
第二，制定统一的数据隐私法，重点是负责任和合理的数据收集和使用。对于政策制定者来说，尤其重要的是要在数据保护权和科学进步的社会利益之间权衡。隐私法规应旨在具有适应性、基于风险、技术中立性，并侧重于减轻输出的潜在危害，而不是规定开发中使用的输入。
第三，加强贸易政策，支持跨境数据流动。AI依赖于快速访问大量数据（其中大部分可能存储在海外）的能力，以及在通常位于世界各地的不同研究小组之间快速交换信息的能力。使用和汇总来自不同地区的数据也使研究人员能够访问更广泛的样本、变量和条件，从而得出能够很好地推广到现实世界场景的稳健解决方案。
二是促进负责任的AI发展的法规。
第一，采用适度和基于风险的监管方法，重点关注使用环境和实际风险，而不是底层技术。通过将监管重点放在已知人工智能风险可能或可能产生重大影响的潜在有害用例上，各国可以实施相称的方法，保护人民并为科学进步留出空间。
第二，采取措施减轻整个科学生态系统发生危险后果的风险。
第三，将用于科学目的的进入市场前AI研发从AI法规中豁免。
第四，促进国际合作框架并接受科学届AI赋能研究共同指导方针。
第五，为快速实验建立与供应商无关的监管沙盒。
该文件最后指出，AI是我们实现突破的新方式。但AI带来的科学收益并非自动实现。公共政策将在塑造社会是否以及如何实现AI的科学潜力方面发挥重要作用，并决定我们是否能够取得新的发现，并将这些发现应用于健康、能源以及其他关键挑战的实际解决方案中。
资料来源：
Google（2025）. A Policy Framework for Building the Future of Science with AI. https://static.googleusercontent.com/media/publicpolicy.google/zh-CN//resources/ai_policy_framework_science_en.pdf
[本文为教育部国别和区域研究基地中国教育科学研究院国际教育研究中心成果]
本文由“教育国际前沿课题组”（IFRGE）课题组成员整理，课题负责人张永军，编辑刘强。
