《Science》公布年度十大突破，AIGC和AIforscience获奖。今年获得AI席位的是两个热门研究方向，即AI生成的内容(AIGC)和AI加速的科学发现。艺术创作和科学发现曾被认为是人工智能的难点领域，因为它们需要人类的智慧和创造力。但是现在，AI在两个方向上都做得很好。2022年研究最多的AIGC领域无疑是文本到图像生成模型。此类模型使用机器学习在线分析成对的文本和图像，找到从新文本创建新图像的模式。从OpenAI2021年演示DALL·E生成“鳄梨形椅子”开始，文本到图像生成模型进入了一个新阶段。2022年4月，OpenAI发布了升级模型DALL·E2。DALL·E2建立在CLIP之上，使用一种称为扩散的过程从“噪声”生成图像。DALL·E2可以高效生成逼真的画面。今年也有多种扩散模型面世，Meta、谷歌等公司也发布了可以生成视频的扩散模型。下图是文转图生成模型Midjourney生成的《太空歌剧院》。39岁的游戏设计师JasonAllen凭借这幅AI生成的画作获得了在美国科罗拉多州举办的艺术博览会数字艺术类冠军。2022年AIGC模式的发展，引发了人们对人工智能创造的艺术的关注和伦理思考。另一方面，2021年科学、数学和编程方面的AI模型也不断取得进展。《Science》的2021年度十大突破包括预测蛋白质结构的AI模型AlphaFold。在这项工作的基础上，研究人员现在已经使用人工智能来设计可用于疫苗、建筑材料或纳米机器的全新蛋白质。在今年9月发表的一篇论文中，华盛顿大学医学院生物化学教授DavidBaker等研究人员提出，AI可以通过两种方式从头设计蛋白质。一种被称为“幻想”，一种从随机序列开始并将它们变异成其他人工智能工具确信会折叠成稳定蛋白质的序列的技术。他们设计了一种用于生成氨基酸序列的新算法“ProteinMPNN”，可以在1秒内开始运算，比之前的顶级软件快200多倍。与此同时，DeepMind发布了一个名为AlphaTensor的工具。它找到了人类数学家几十年来一直忽视的捷径，允许为矩阵乘法块设计更高效的算法。矩阵乘法是计算机图形学、数字通信、神经网络训练和科学计算等许多计算任务的核心组成部分，AlphaTensor发现的算法可以显着提高这些领域的计算效率。根据DeepMind的说法，AlphaTensor建立在AlphaZero之上。这项工作首次展示了AlphaZero从用于游戏到解决数学问题的转变。虽然AlphaTensor在诞生之初只专注于矩阵乘法这一具体问题，但DeepMind表示希望它能启发更多人用AI来指导其他基础计算任务的算法发现。此外，DeepMind的研究还表明，AlphaZero强大的算法远远超出了传统游戏的领域，可以帮助解决数学领域的开放性问题。DeepMind还推出了AlphaCode，这是一个可以通过编程来解决数值问题的系统，例如计算有多少个给定长度的二进制字符串没有连续的零。AlphaCode使用基于先前程序及其描述训练的模型来生成许多候选程序，然后选择最有希望的程序。上周，AlphaCode研究正式发表于《Science》。与人类程序员相比，AlphaCode的性能处于中等水平。DeepMind的研究人员在编程竞赛平台Codeforces挑战赛上测试了AlphaCode。AlphaCode在Codeforces网站上对5,000名用户解决的10个挑战进行了测试。综合排名前54.3%，击败46%的参赛者。虽然未能赢得比赛，但结果已经代表了人工智能解决问题能力的重大飞跃，展示了深度学习模型在需要批判性思维的任务中的潜力。DeepMind指出，AlphaCode目前的技能组合目前仅在竞争激烈的编程领域可用，但它的功能为创建未来工具打开了新的大门，这些工具可以使编程变得更容易，并有朝一日实现完全自动化。除了关于这些壮举是否算作真正创造力的争论之外，它们还引发了实际和道德上的困境。一些观察家担心这些人造程序员和艺术家会侵犯版权、延续刻板印象、传播错误信息或裁员。
