科研智能化背景下新型知识服务探索研究

大数据、人工智能等技术正带来知识服务的长远变革,出现了科研智能化发展趋向并为知识服务的深化研究带来机遇。对此进行探讨能够为今后开展新式知识服务形成思路与应用场景借鉴。立足于科技情报服务视角,论述科研智能化发展的环境和涵义,并阐明科研智能化知识服务模式的特征。借助培根归纳法,分析科研智能化知识服务的过程及场景,并提出科研智能化知识服务模式革新的方向。当科研发展迈向智能化,知识服务机构可以通过构建多来源、多专业联通化知识结构,建立机器可读、可计算化的信息呈现形式,构筑智能化场景助力科学研究,开发新型知识语言,打造数字化科研实验室,并对科研数据进行全程化、可溯化整合,建立人智互联的科研保障及协同机制等知识服务实践,以适应科研智能化发展的趋势。

科研智能化视域下融合智能机器人的知识服务研究

科研智能化不断推动科学研究范式的转型与升级,融合智能机器人的知识服务为支持新时代国家科技创新服务高质量发展提供了重要基础。文章运用文献研究、案例分析等方法,剖析科研智能化发展及其推动融合智能机器人知识服务的形成,同时探究科研智能化视域下融合智能机器人的知识服务内涵过程和典型模式。可以从数据资源的机器表征与关联融合、人智协同的服务保障与协调机制、科研用户的隐私安全与伦理风险、知识计算的过程优化与效率提升等方面,促进适应科研智能化的融合智能机器人的知识服务高质量发展。

科研智能化与知识服务:内涵、实现与机遇

[目的/意义]立足于科技情报服务视角,研判未来科研过程的发展趋势——智能化,同时明确当前知识服务智能化升级机遇,以此为国家的科技发展把握先机并提供更强有力保障。[方法/过程]文章借助培根归纳法分析框架,通过梳理生物学界“Alpha Fold”、化学界“A Mobilie Chemist”等“智能科学家”系统的实现原理和系统架构,发现未来科研智能化范式的典型特征是将AI算法和机器人技术与科学研究相融合,实现科研假说的自主提出甚至是假说合理性的自主验证。[结果/结论]当科研过程走向智能化,科技知识服务平台也需走向数据化和计算化,相应的服务角色、服务目标、服务方式和能力基础也将发生重大转变。

科研智能化新趋势下知识服务的挑战与机遇

[研究目的]当今数据驱动型研究时代,世界科技正呈现新的发展态势和特征。AI模型、系统的强有力发展,为科学研究带来新面貌,兴起了科研智能化的发展态势,同时也为当前知识服务的智能化升级带来契机。[研究方法]从科技情报服务视角,阐述了科研智能化的发展现状及内涵特征,解析了其中的实现过程及特点,列举了嵌入科研智能化范式的知识服务变革方向,探讨了未来科研生态的两大问题,以期得到相关研究领域研究者与应用者的共同关注。[研究结论]为把握时代机遇,知识服务机构需要借助科研数据基础设施及科研数据推理平台,转型升级为知识内容方案的提供者和一线科研人员提供更智能、更强有力的支撑,加速知识发现过程,推动我国在世界科技发展中抢占先机。

科研智能化趋势下科研数据研究

[目的/意义]探讨科研智能化趋势下科研数据服务的转型,明晰科研智能化研究中潜在的科研数据需求。[方法/过程]在科研数据生命周期的理论指导下,构建了包括研究准备、数据产生与收集、数据处理与分析、数据出版、数据存储与共享、数据再利用六大阶段的科研数据生命周期运行过程,面向材料和化学领域分析梳理数据在科研智能化中转变为知识的过程。[结果/结论]科研智能化趋势下科学研究对科研数据提出了多源异构集成、细粒度数据结构化、人机互动数据表示的探索、数据关联化挖掘和科研数据类型丰富化的要求,科研数据整体呈现出数据规模和复杂性上升、数据关联融合需求日益突出、科研数据主权受到各国发展重视的发展趋势。未来科研数据服务发展应加强高质量领域数据网络建设、重视文本型数据中实验信息的挖掘、关注人机互动语言的探索、深化嵌入科研式数据服务模式并提升图书馆员的领域知识和人工智能素养。

智能化科研(AI4R):第五科研范式

文章将“智能化科研”(AI4R)称为第五科研范式,概括它的一系列特征包括:(1)人工智能(AI)全面融入科学、技术和工程研究,知识自动化,科研全过程的智能化;(2)人机智能融合,机器涌现的智能成为科研的组成部分;(3)有效应对计算复杂性非常高的组合爆炸问题;(4)面向非确定性问题,概率统计模型在科研中发挥更大的作用;(5)跨学科合作成为主流科研方式,实现前4种科研范式的融合;(6)科研更加依靠以大模型为特征的科研大平台等。文章指出科研的智能化是一场科技上的革命,它带来的机遇和挑战将深刻影响中国科技发展的前途,呼吁各行业的科学家本身实现智能化转型。

智能时代呼唤新的科研方法

智能化科研(AI4R)是科研方法的重大变革。提出科技界不仅要关注科学智能(AI for Science,AI4S),更要重视技术智能(AI for Technology,AI4T);不仅要关注大语言模型(LLM),更要重视大科学模型(LSM)。同时提出,人工智能的突破主要不是靠大算力,而是计算模型的转变,中国应当争取在基础模型上做出颠覆性的创新;智能化科研适合做复杂问题的组合搜索,神经网络模型也许已接近能处理困难问题的复杂度阈值点;智能化科研的一种趋势是放弃绝对性,拥抱不确定性,一定时期内要适当容忍“黑盒模型”。

AI for Technology:技术智能在高技术领域的应用实践与未来展望

以智能化科研(AI for Science)为核心的第五科研范式已经在多个自然科学和高技术领域得到了广泛应用。与人工智能(AI)在自然科学领域的应用强调发现新原理、新机理和新规律不同,高技术领域更强调用AI技术来发明创造新方案、新工具和新产品,以解决特定的领域问题。文章总结了AI在高技术领域的应用——“技术智能”(AI for Technology)的典型特征和科学问题,并以CPU芯片全自动设计为例介绍过往的成功案例。最后,文章指出技术智能的目标不仅是加速创新流程并减少人工投入,同时也希望其具备更强的创造能力,最终超过人类的水平。