理工酷

现阶段，药物发现中的可解释人工智能已经取得了初步进展，基于不同原理的可解释方法都在为“以人为本的可解释”目标提供可行的探索方向。该领域的可解释人工智能技术具有试错成本高、迭代周期长等现实挑战，因此，需要结合药物设计中大量积累的专家知识。然而，具体到可解释方法设计中，如何对先验知识进行提取、抽象和运用，决定了先验知识能否有效辅助发现新知识。当前，可解释人工智能所学习到的信息已有部分可以解析为化学家和生物学家可理解的知识，但从整体而言，这种可解释程度距离人类认知还相去甚远。由于药物发现的风险敏感性，人类难以向不确定性做出妥协，因此，这条认知鸿沟注定要以机器走向人类的方式得以解决，这也意味着科学家需要以超越经验和直觉的方式，站在人工智能的角度，反向回溯药物发现的知识需求。可以预料，如此的需求，将会吸引跨领域专家打破领域知识的结构壁垒，发挥交叉融合的最大优势。在日趋平权化的这一领域，可解释人工智能将加速降低药物发现的技术门槛和推动新一轮知识涌现。