Bagaimana Singapura Menggunakan AI untuk Menukar Penemuan Sains kepada Teknologi Praktikal

Kemudahan yang dirancang itu akan menggabungkan AI, robotik dan pengukuran in situ dalam sebuah makmal autonomi terbuka. Daripada bergantung hanya pada data bahan yang diterbitkan, makmal ini akan menjana data eksperimen yang menghubungkan keadaan sintesis dengan prestasi bahan sebenar. Ukuran tersebut kemudiannya boleh memperbaik model dan membimbing eksperimen seterusnya, lalu mewujudkan kitaran maklum balas antara ramalan komputer dan ujian fizikal.

Sasaran projek itu termasuk menjalankan sejumlah besar eksperimen serta menghasilkan resipi sintesis yang praktikal dan boleh diulang bagi bidang seperti bahan kuantum atau bahan pascasilikon, elektropemangkin yang berkaitan dengan hidrogen bersih dan salutan tahan kakisan. Maka, hasil yang diharapkan bukan sekadar senarai calon bahan yang dijana AI, tetapi bukti tentang cara bahan berpotensi itu benar-benar boleh dihasilkan dan dinilai.

AI menapis reka bentuk pemangkin sebelum diuji penyelidik

Program berasingan bernilai S$10 juta yang diketuai A*STAR dan Imperial akan membangunkan Surface Science Foundation Model serta platform awan untuk meramal sifat pemangkin dan keadaan sintesisnya. Penyelidikan ini menyasarkan aplikasi termasuk bahan api yang lebih bersih, bahan suapan daripada karbon dioksida dan bahan kimia berasaskan bio.

Penerangan utama program menyatakan sasaran untuk mempercepat saringan pengiraan sebanyak 500 kali ganda. Itu ialah sasaran bagi proses saringan, bukannya bukti bahawa bahan api atau proses kimia siap akan dibangunkan 500 kali lebih pantas. Dakwaan bahawa penyelidikan ini akan menjadi “hampir lima kali lebih pantas dan murah” wajar ditafsir dengan berhati-hati kecuali ia merujuk kepada metrik hiliran yang berasingan. Ujian sebenar adalah sama ada pemangkin yang dipilih secara pengiraan berfungsi dengan baik dalam eksperimen dan boleh dibangunkan menjadi proses yang berdaya maju.

Projek perisian menguji kod yang dijana AI

AI4S turut menganggap kebolehpercayaan perisian sebagai masalah penyelidikan saintifik dan kejuruteraan. NUS dan Imperial sedang membangunkan alat penaakulan program yang boleh menganalisis serta menguji kod, mengesahkan sifat tertentu secara formal dan membuktikan ketepatan apabila boleh. Alat ini disasarkan kepada perisian yang rumit atau berimpak tinggi, termasuk protokol rangkaian dan komponen kernel Linux.

Salah satu kegunaan yang dicadangkan ialah membolehkan sistem AI mengaudit kod yang dihasilkan oleh sistem AI lain. Langkah ini berpotensi menjadikan pengaturcaraan berbantukan AI lebih boleh dipercayai, tetapi analisis automatik bukan jaminan keselamatan sejagat. Kaedah formal boleh membuktikan sifat tertentu berdasarkan andaian yang ditetapkan; kebolehpercayaan secara menyeluruh masih bergantung pada mutu spesifikasi, ujian dan sistem tempat kod itu beroperasi.

Projek kesihatan menggabungkan data biologi dan klinikal

Dalam bidang bioperubatan, program ini merangkumi projek yang menggunakan AI untuk menggabungkan data yang lazimnya dianalisis secara berasingan.

MultiOmicsFM oleh NUS dan A*STAR dirancang sebagai model asas yang menggabungkan data DNA, RNA dan aktiviti gen daripada set data pelbagai etnik Singapura. Matlamat penyelidikannya termasuk mengkaji risiko penyakit serta memperbaik reka bentuk dan penghantaran terapi mRNA.

Projek BloodCounts! pula mengambil pendekatan berbeza. Ia akan membangunkan model DeepCBC menggunakan semua parameter mentah daripada ujian kiraan darah lengkap, bersama imej sapuan darah. Tujuannya adalah untuk mendapatkan lebih banyak maklumat diagnostik daripada ujian yang biasa digunakan dan mengkaji sama ada gabungan data itu boleh membantu meramalkan risiko berkaitan keadaan seperti strok dan kanser.

Ini ialah aplikasi penyelidikan yang masih dalam perancangan, bukannya dakwaan bahawa ujian darah rutin kini boleh mendiagnosis keadaan tersebut. Sebarang penggunaan klinikal memerlukan pengesahan, semakan kawal selia dan bukti bahawa model itu berfungsi secara konsisten merentas populasi serta persekitaran penjagaan kesihatan yang berkaitan.

Kembar digital membawa AI ke bidang pertanian dan daya tahan iklim

Satu lagi projek akan membangunkan kembar digital pertanian berpandukan pengetahuan untuk kawasan ladang di Asia Tenggara. Perwakilan maya ini dirancang untuk menggabungkan data pemerhatian dengan prinsip sains tanaman, seterusnya menghasilkan ramalan dan alat membuat keputusan berkaitan penanaman, penggunaan sumber dan rantaian bekalan.

Penekanan terhadap pengetahuan saintifik adalah penting. Kembar digital yang mengambil kira kekangan agronomi mungkin lebih mudah ditafsir dan dicabar berbanding ramalan yang tidak telus, walaupun keberkesanannya tetap bergantung pada kualiti, liputan dan ketepatan masa data asas.

Portfolio lapan projek itu turut merangkumi antara muka yang direka menggunakan AI untuk memperbaik pengangkutan tenaga. Secara keseluruhan, projek-projek ini meliputi bahan, pengkomputeran, genomik, kesihatan, tenaga, pertanian dan daya tahan iklim—bukannya tertumpu pada satu sektor komersial sahaja.

Model AI4S: kitaran tertutup antara AI dan eksperimen

Merentas portfolio ini, model yang sama berulang dalam bentuk satu kitaran:

1. AI mencari atau mencadangkan hipotesis, bahan, pemangkin, reka bentuk molekul, kod atau intervensi pertanian.
2. Eksperimen fizikal atau digital menguji cadangan tersebut melalui makmal automatik, pengukuran, analisis perisian atau model yang berkaitan dengan keadaan lapangan.
3. Bukti baharu memperbaik sistem, supaya ramalan seterusnya lebih berasaskan keputusan yang diperhatikan.
4. Pakar bidang menentukan nilainya, termasuk sama ada hasil itu boleh dihasilkan, boleh dipercayai, berguna secara klinikal atau relevan kepada alam sekitar.

Materials Data Foundry menunjukkan kitaran ini dengan paling jelas kerana ia memang direka untuk menghubungkan ramalan AI dengan sintesis dan pengukuran automatik. Prinsip yang sama muncul dalam saringan pemangkin, pengesahan perisian dan pemodelan bioperubatan: ramalan yang lebih pantas hanya bernilai jika ia menghasilkan bukti yang boleh dipercayai.

Mengapa Singapura melabur dalam AI4S?

Inisiatif ini juga merupakan strategi membangunkan bakat dan infrastruktur. NRF meletakkan AI4S sebagai wadah kerjasama antara penyelidik AI dengan saintis dalam bidang seperti sains bahan, sains hayat dan sains kuantum. Matlamat yang dinyatakan adalah melatih penyelidik “dwibahasa”—iaitu mereka yang memahami kaedah pengiraan serta masalah saintifik yang hendak diselesaikan.

Projek-projek ini menghimpunkan institusi Singapura seperti NUS, Nanyang Technological University (NTU) dan A*STAR, bersama rakan antarabangsa seperti University of Toronto, Imperial College London, University of Cambridge dan Kyoto University. Dua program Imperial ditempatkan melalui Imperial Global Singapore di kampus CREATE, dengan penekanan terhadap kerjasama penyelidikan antarabangsa dan akses kepada penyelidik.

Struktur ini memberi Singapura satu cara untuk bersaing dalam penyelidikan berasaskan AI: membiayai projek cabaran yang besar, membina infrastruktur eksperimen dan digital yang dikongsi, menarik rakan global serta melatih penyelidik yang boleh menterjemahkan antara model komputer dan kerja makmal.

Ukuran kejayaan bukan sekadar jumlah ramalan

AI4S akan dinilai bukan berdasarkan jumlah ramalan yang dihasilkan model, tetapi berdasarkan apa yang mampu bertahan apabila diuji dalam keadaan sebenar. Hasil paling kukuh termasuk:

• resipi pengilangan yang boleh diulang bagi bahan termaju;
• pemangkin yang berfungsi dalam keadaan operasi realistik;
• alat perisian yang menunjukkan jaminan ketepatan atau kebolehpercayaan yang bermakna;
• model bioperubatan yang disahkan menggunakan set data dan persekitaran klinikal yang sesuai; serta
• alat membuat keputusan pertanian yang benar-benar memperbaik ramalan atau perancangan sumber.

Program S$120 juta Singapura ini pada asasnya mempertaruhkan AI yang dihubungkan dengan eksperimen, pengesahan dan kepakaran bidang. Ia berpotensi menjadikan penemuan saintifik lebih sistematik serta mempercepat perjalanan daripada idea kepada prototaip. Namun, persoalan utama masih terbuka: adakah lapan projek penyelidikan ini mampu menukar ramalan yang dibantu AI kepada teknologi yang boleh diperluas, selamat dan berguna?