从处理深海生物到改善气候预测，该技术可以是变革性的。

人工智能（AI）已经被证明是生物信息学的革命性工具；谷歌旗下的伦敦DeepMind公司建立的AlphaFold数据库允许科学家预测100万个物种中2亿个蛋白质的结构。但其他领域也在受益。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，以更好地预测地球上不断变化的气候，揭开艺术品背后隐藏的历史，了解深海生态，开发新材料。

具有柔软触感的海洋生物学

要承受深海生活的严酷考验，需要一种坚韧的生物体。但是这些有弹性的物种往往也是非常精致的，从柔软的生物，如水母和海参，到坚固但脆弱的深海鱼类和珊瑚。它们的脆弱性使得研究这些生物体成为一项复杂的任务。

在许多海底机器人上发现的坚固的金属操纵器更有可能伤害这些标本，而不是将它们完整地打捞出来。但是基于柔性聚合物的 "软体机器人 "正在为纽约市立大学的David Gruber等海洋生物学家提供一种更温和的替代方案，与这些神秘的深海居民进行互动。

一些方法涉及用这些柔软的元素来建造传统自主车辆上的样本处理臂，而另一些方法则更接近于模仿它们的对象，完全由柔软和灵活的材料组成。Gruber说，问题是这是否将允许科学家在深海中采集活体样本，"并做一些我们通常在受控的实验室环境中，在潜艇的球体内做的事情"。

答案似乎是一个决定性的肯定。在过去的八年里，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-伍德合作，构建能够在潜水员害怕去的环境中有效运作的机器人，他在该领域的其他一些同事也完成了类似的壮举。例如，在2021年，由浙江大学的机器人专家李铁峰领导的中国研究人员设计了一个机器人，可以在马里亚纳海沟的阴暗深处--西太平洋表面以下近11公里的地方航行。

早期的这些软体机器人主要集中在安全捕捉和处理活的海洋生物，但是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。Gruber描述了在水下进行质谱分析或复杂的成像方法的系统开发进展，他和Wood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。

成本仍然是一个非常大的障碍。Gruber指出，即使是较小的潜水器系统也要花费数十万美元。但是软体机器人的设计也赋予了很大的灵活性。例如，格鲁伯的同事已经证明，他们可以在海上工作时使用3D打印机来创建专门的操纵和抓取部件，使他们能够迅速为考察期间发现的水母、珊瑚或其他生物定制其机器人。

尽管这项技术还没有被广泛接受，但格鲁伯对软体机器人技术可能改变海洋生物学充满热情，因为它允许研究人员快速获得对新物种的有用见解，而不仅仅是来自潜水艇摄像机的转瞬即逝的快照。"他说："这些动物中的大多数都是非常新的，我们对它们要么所知甚少，要么一无所知。

改变气候预测

每隔三到七年，太平洋的水域就会在相对温暖和凉爽的表面温度之间波动。虽然只有几度，但这些变化对全球气候有深远的影响，对亚洲、大洋洲和美洲的降雨和风暴活动有很大影响。

对这些变化时间的了解--正式称为厄尔尼诺-南方涛动，或ENSO--可以帮助社区为干旱、严重飓风或其他极端天气事件做好准备。这种预测很难有很大的把握，但在2019年，韩国光州全南国立大学的Yoo-Geun Ham团队开发了一种算法，基于一种被称为深度学习的人工智能技术，可以提前两年成功预测这些海洋变暖和变冷事件。事实上，他们的算法的预测在过去三年里一直在预测ENSO模式。"到目前为止，这么好。"Ham说。

人工智能是气候科学工具箱的新成员，但已经证明它擅长通过观测数据来发现有意义的大气和海洋活动模式。在某些情况下，人工智能可以产生很好的未来预测，例如 Ham 与 ENSO 的合作，但该技术也可以立即提供相关的见解。例如，谷歌姊妹公司 DeepMind 的科学家在 2021 年进行的一项研究展示了一种“临近预报”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内的降水模式。

可以提前很好地预测 ENSO 模式信号事件（例如台风）

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学的气候学方法的一些缺点。例如，深度学习算法可用于识别气候建模的基本参数，这些参数无法根据当前知识或直接观察准确量化，例如海水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。

迄今为止，大多数工作都集中在全球气候的特定组成部分或区域要素上，但目前更大的、全球范围的问题仍然很大程度上超出了人工智能的范围。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 表示，该领域“是应用深度学习进行气候预测和气候建模的未来”，尽管他指出，该领域的大部分初步工作尚未在准确性方面得到强有力的评估或验证。

部分问题在于，当前的人工智能系统通常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，还难以追溯算法使用的过程以得出结论。汉姆说，他的团队在他们的工作中努力克服与这个问题相关的怀疑。“我们应用了一种非常严格的验证方法来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，”Ham 认为，人工智能最终将改变气候预测领域。“我认为未来非常光明。”

催化材料发现

过渡金属元素，如铁、铜和铂，广泛用于各种行业的化学加工和合成——部分原因在于它们独特的电子结构，适合催化。然而，材料科学家只触及了众多可能配方的表面，还有更多的化合物有待发现，它们可以提供卓越的催化性能、更低的成本或更简单的生产方法。

美国麻省理工学院的计算化学家 Heather Kulik 是不断壮大的研究人员社区的一员，他们正在使用 AI 算法来显着加快材料发现和设计过程。在今年发表的一项研究中（A. Nandyet al.JACS Au2, 1200–1213; 2022），她的团队使用了一种称为“主动学习”的方法——人工智能算法使用自己的模型来识别可能导致进一步提高性能——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。

Kulik 说：“我们搜索了大约 1600 万种候选催化剂。并且能够在几天到几周内提出设计原则，否则这需要几十年的时间。这种催化剂很重要，因为它们可以促进甲烷（化石燃料和温室气体的主要成分）有效转化为更通用和更有用的化学构件。“

Kulik 将该领域的增长部分归功于开源工具包的开发激增，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材料。尽管 Kulik 指出，获取高质量数据仍然是一个紧迫的问题，但还有许多可公开访问的理论和实验衍生化学数据存储库可以输入这些算法。“我认为对于生成高质量数据集需要什么达成共识，”她说，并指出她的团队通常完全依赖内部生成的数据来训练他们的算法。人工智能在这里也有其可能的用途；

目前，这些分析主要用于识别针对某一特定特性进行优化的材料，例如特定环境条件下的稳定性。但现在“多目标优化”领域正在进行有前途的工作，其中机器学习算法被用于研究化合物和结构，这些化合物和结构同时在各种不同的参数上产生出色的性能。

Kulik 还热衷于计算化学的新兴领域，该领域使用算法来监督 AI 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质量差的数据、不现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可能出现的错误开始和死胡同。

对 Kulik 来说，这并不是要把人类专家排除在外，而是让他们将更多的时间和精力投入到高质量计算结果的分析中，“这样博士生就不必把所有的时间都花在做乏味的事情”。

刮擦表面

即使是最伟大的艺术家也是从草稿开始的。对于列奥纳多·达·芬奇这样的大师来说，许多早期的努力都已被历史遗忘，但复杂的成像技术和人工智能算法的结合使得挖掘隐藏在成品画下的初步草图成为可能。

英国伦敦国家美术馆首席科学家 Catherine Higgitt 与伦敦帝国理工学院电气工程师 Pier Luigi Dragotti 合作，发现了隐藏在 15 世纪后期达芬奇作品《圣母玛利亚》中的天使和其他人物的踪迹岩石。他们首先使用 X 射线荧光检测与整个绘画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图案。

非侵入性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不堪重负。“我们很少依赖单一技术。”Higgitt 说：“我们倾向于将信息拼凑在一起，因此您可能拥有一系列不同波长的成像数据。这就是人工智能可以派上用场的地方：帮助集成和解释复杂的数据集。”

De Goya 的Doña Isabel de Porcel，在其下发现了另一幅肖像。

这些类型的人工智能辅助图像分析现在在生物医学成像等学科中相当普遍，但博物馆科学家通常缺乏计算资源和使用这些技术的专业知识。Higgitt 与英国一项名为 ARTICT 的研究计划联手，该计划汇集了来自艺术界的专家和来自不同学科的计算专家。

今天，人工智能是 Higgitt 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最前沿，尽管她承认“这仍然是非常初级的步骤”。

许多其他小组也展示了通过将算法分析应用于艺术品可以获得的见解。例如，俄罗斯和比利时的研究人员已经使用神经网络进行“虚拟修复”，以数字方式修补裂缝，并在退化的画作上填充缺失和褪色的油漆。位于美国俄亥俄州克利夫兰的凯斯西储大学的另一个团队设计了一种算法，可以帮助根据物理笔触识别对给定作品负责的艺术家——甚至可能揭示赝品。

在她的学科中使用人工智能的早期阶段，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出答案的困难，目前尚不清楚在一件艺术品上训练的算法在其他艺术品上的表现如何。她认为它提供了数据的“第一次通过”，以帮助提取“专家——化学家、保护者或策展人——会回来审查的趋势或信息”。

随着进展的继续，Higgitt 看到了令人兴奋的机会，让人工智能改变策展人和公众与艺术互动的方式。希吉特说，这甚至可能包括重建艺术品“生活故事”的各个方面，让观众“不仅了解一件作品最初可能位于的位置，还可以了解它在过去不同时间点的样子” .