實證研究輔助：透過 AI 驅動編碼加速科學發現

實證研究輔助：透過 AI 驅動編碼加速科學發現

科學發現的速度與範圍通常受限於編寫、測試與完善計算實驗時那種乏味且重複的迭代過程。為了應對這一挑戰，Google 推出了 Empirical Research Assistance (ERA)，這是一個由 Gemini 驅動的系統，能自動化科學程式碼的優化過程。近期在 Nature 發表的一篇論文中詳細介紹了 ERA，它代表了向「計算發現」(Computational Discovery) 的轉型，在這種模式下，AI 不僅僅是協助編寫程式碼，而是主動優化程式碼以達成特定的科學目標。

ERA 如何運作：超越簡單的程式碼生成

與僅根據提示提供單一建議的標準 AI 編碼助手不同，ERA 是專為科學研究的實證性質而設計的。給定一個科學問題與定義好的成功衡量標準，ERA 會執行以下步驟：

  1. 文獻搜尋：它會掃描科學文獻以識別相關的方法與技術。
  2. 程式碼合成：它會編寫用於解決問題的初始計算程式碼。
  3. 迭代探索：使用樹狀搜尋 (tree search) 方法，ERA 會考慮數千種潛在選項，結合不同的技術並探索各種解決方案。
  4. 評估與優化：它會根據目標持續評估結果，不斷完善程式碼直到達到最佳狀態。

這種迴圈讓 ERA 能夠超越簡單的模式匹配，使其能夠發現人類研究人員可能會忽略的專家級計算模型。

跨學科的專家級表現

為了驗證 ERA 的能力，Google 在多種不同的基準測試中進行了測試，包括基因組學、公共衛生、衛星影像分析、神經科學預測、時間序列預測以及數學。結果顯示，ERA 在所有這些領域都達到了專家級的表現，這表明對於可能不是專業程式設計師的科學家來說，高端的計算建模能力正趨於民主化。

真實世界的科學應用

Google 已將 ERA 應用於多個開放的科學問題，並產出了一系列展示其即時影響力的論文手稿：

公共衛生與環境

  • 流行病學預測：ERA 被用於預測美國醫院因流感、COVID-19 與 RSV 的入院人數。產出的預測結果始終位居 CDC 排行榜的前列或接近頂尖。
  • 加州水資源管理：ERA 為加州由雪水補給的河流流域開發了一套季節性徑流預測模型。該模型表現優於加州官方的季節性供水展望 (Bulletin 120)，為關鍵資源提供了更準確的早期預測。
  • 大氣 CO2 地圖繪製：透過利用地球靜止氣象衛星數據，ERA 建立了一個能以空前的解析度繪製 CO2 濃度地圖的模型，捕捉了人類驅動的城市增強效應以及植物的自然吸收週期。

工程與經濟

  • 太陽能優化：透過與 Google Antigravity 合作，ERA 優化了太陽能板的地形設計。它發現了一種「500-triangle volumetric fan」設計，透過捕捉散射輻射且不產生後向遮蔽，實現了能量捕捉的最大化。
  • 零售預測：ERA 將其能力應用於宏觀經濟零售銷售預測，其準確度達到或超過了芝加哥聯邦儲備銀行 (Chicago Fed) 的 CARTS 每月零售預測以及其他商業共識預測。

通往計算發現之路

ERA 現在是 Gemini for Science 計畫下更廣泛工具套件中的基礎組件。它與其他實驗性工具協同工作，例如：

  • Computational Discovery：一個結合 ERA 與 AlphaEvolve 建立的工具，用於自動化計算模型的發現。
  • Hypothesis Generation：由 AI Co-Scientist 驅動，此工具透過提出新假設來協助科學方法的早期階段。
  • Literature Insights：一個旨在簡化現有科學知識合成過程的工具。

透過整合這些工具，Google 的目標是支持科學方法的不同階段——從閱讀文獻、提出假設，到編寫與優化用於證明這些假設所需的實證程式碼。

Sources