目錄
執(zhí)行摘要 1
0 科學中的人工智能：概述和政策建議 5
1 科學變得越來越難了嗎？ 50
1.1 想法越來越難找到了嗎？對證據(jù)的簡要回顧 50
1.2 摩爾定律終結了嗎？計算系統(tǒng)的創(chuàng)新持續(xù)高速發(fā)展 57
1.3 美國農(nóng)業(yè)的技術進步是否正在放緩？ 61
1.4 埃魯姆定律與生物制藥研究生產(chǎn)力下降 69
1.5 研究生產(chǎn)力是否有所放緩？來自中國和德國的證據(jù) 79
1.6 研發(fā)效率下降：來自日本的證據(jù) 84
1.7 量化科學的“認知程度”以及其如何隨著時間和國家的變化而變化 88
1.8 文獻計量學對理解研究生產(chǎn)力有什么貢獻？ 94
2 當今科學中的人工智能 101
2.1 人工智能如何幫助科學家？一個（非詳盡的）概述 101
2.2 人工智能驅(qū)動的科學自動化評估框架 112
2.3 使用機器學習來驗證科學聲明 121
2.4 機器人科學家：從亞當?shù)较耐薜絼?chuàng)世紀 129
2.5 從知識發(fā)現(xiàn)到知識創(chuàng)造：基于文獻的知識發(fā)現(xiàn)如何促進科學進步？ 140
2.6 通過公民科學和人工智能提高科學生產(chǎn)力 149
2.7 人工智能能為物理學做什么？ 156
2.8 藥物發(fā)現(xiàn)中的人工智能 159
2.9 數(shù)據(jù)驅(qū)動的臨床藥物研究創(chuàng)新 168
2.10 將人工智能應用于現(xiàn)實世界的醫(yī)療保健實踐和生命科學：通過聯(lián)邦學習解決數(shù)據(jù)隱私、安全和政策挑戰(zhàn) 172
3 不久的將來：挑戰(zhàn)和前進之路 181
3.1 科學發(fā)現(xiàn)中的人工智能：挑戰(zhàn)和機遇 181
3.2 機器閱讀：在科學中的成功實踐、挑戰(zhàn)和啟示 189
3.3 可解釋性：我們應該并且能夠理解機器學習系統(tǒng)的推理嗎？ 202
3.4 在知識的前沿集成集體智慧和機器智能 209
3.5 Elicit：一個作為研究工具的語言模型 217
3.6 民主化人工智能以加速科學發(fā)現(xiàn) 227
3.7 人工智能研究的多樣性是否在減少？ 234
3.8 從用于醫(yī)學成像的機器學習技術不足中吸取的教訓 242
4 科學中的人工智能：對公共政策的進一步影響 248
4.1 科學與工程領域的人工智能：研發(fā)領域的公共投資重點 248
4.2 人工智能知識庫在科學中的重要性 253
4.3 高性能計算的領先地位可促進人工智能的進步和計算
生態(tài)系統(tǒng)的蓬勃發(fā)展 259
4.4 提高人工智能研究的可復制性，以增加信任度和生產(chǎn)力 264
4.5 人工智能和科學生產(chǎn)力：考慮政策和治理挑戰(zhàn) 274
5 人工智能、科學和發(fā)展中國家 283
5.1 人工智能和開發(fā)項目：撒哈拉以南非洲優(yōu)化卓越研究
資助機制的案例研究 283
5.2 非洲科學領域的人工智能 289
5.3 人工智能、發(fā)展中國家科學研究與雙邊合作 296