人工智能（AI）逐渐从一个专用的研究领域走向成为其他学科的工具，这种方式也很好地促进了跨学科合作。
据斯坦福大学 2021 年的人工智能相关数据索引报告指出，人工智能相关期刊出版物的数量从 2019 年到 2020 年增长了 34.5%；从 2018 年到 2019 年的 19.6%。2019 年，人工智能出版物占全球所有同行评审科学出版物的 3.8%，远高于 2011 年的 1.3%。
利用好 AI 算法也成了当前科研的必备素质，Nature 采访了五位研究人员，调查了一下他们如何与 AI 进行合作。
理论物理学家与 AI
Phiala Shanahan 是一名理论物理学家，并且一直与 AI 研究部门 Google DeepMind 在合作。
合作的开展源于一次在以色列的会议上，她和学生展示了一些麻省理工学院 (MIT)项目，其中使用了伦敦 DeepMind 高级研究科学家 Danilo Jimenez Rezende 提出的一些想法；Rezende 的工作包括复杂数据的建模，例如医学图像、视频、3D 场景几何和复杂的物理系统。他做了一些关键的机器学习研究，并且已经将这些研究应用于基础物理学中的问题。
她们进行了交谈，并由此产生了长期合作，主要涉及到 DeepMind 的几个人，我的几个博士后和一个博士生。过去几年她们共同写了四五篇论文，确实利用 AI 做了一些创新的事情，使用机器学习模型来加速已建立的物理计算。
最终目标是使我们能够进行现有算法和资源在计算上不可能进行的研究。
Phiala 认为合作取得成功的关键是平等感，她的团队和 DeepMind 团队一样努力推动 AI 方面的发展。DeepMind 小组的人也非常了解物理学，双方都可以做科学的两个部分，所以这是一次非常平衡和充满活力的合作，非常有趣。
Phiala 也参与过一些无效合作，他们认为，一组应该担心物理部分，一组应该担心计算机科学部分，最后在中间相遇。但实际的情况，这两个群体最终都陷入孤立并与语言障碍作斗争。
所以跨学科的合作需要双方对两边的领域都有了解。
药物设计与 AI
Simon Olsson 是瑞典哥德堡查尔默斯技术大学应用人工智能副教授。他说他们在去年 10 月成立的实验室中用到了机器学习方法来解决自然科学中的计算问题。
例如，目前他们正在与英国和瑞典的合资公司阿斯利康合作开发药物设计方法，该公司在哥德堡设有一个研究中心，同时他们还在研究如何将实验数据整合到蛋白质结构和动力学的机器学习模型中。
如果你想弄清楚一种蛋白质是如何折叠的，或者一种药物是如何与之相互作用的，那么使用一个考虑到有关该蛋白质的文献以及控制其行为的物理和化学定律的计算模型可能会有所帮助。
如果你有计算机科学背景，想在学习自然科学的同时进入人工智能领域，试着找出一个你感兴趣的领域，并找到一个你想解决的问题。
Olsson 最初是通过研究分子动力学和分子设计而被吸引到这个领域的，在分子动力学和分子设计中，分子及其相互作用是在计算机中模拟的，通常是为了新药物的发现。人工智能有可能使以前无法解决的问题在这样的领域中得以解决，这类领域的计算要求非常高。
Olsson 建议对人工智能感兴趣的人开始学习编程，只需尝试自动化他们在工作生活中经常做的事情：无论是发送模板电子邮件还是将数据输入电子表格。如果重复这项任务很无聊，那么自动化的动机就会很快产生。之后，逐渐用越来越复杂的任务挑战自己。
实验物理学家与 AI
Siddharth Mishra-Sharma 是麻省理工学院（剑桥）粒子物理学博士后。
他在英国剑桥大学读本科时在实验高能物理和天体物理学方面做了一些实习。其中包括在瑞士日内瓦附近的欧洲粒子物理实验室 CERN 度过的几个夏天，在新泽西州普林斯顿大学攻读粒子物理学博士学位期间涉足了机器学习，并在目前在麻省理工学院担任职务时又回到了机器学习领域。
人工智能工具往往是对物理学的一个很好的补充，他们经常使用来自粒子对撞机或望远镜的大量数据集，这些数据集可以产生 PB 级的数据。
由于天文数据集种类繁，从单个星系的图像到银河系的地图，没有一种机器学习方法可以有效地用于寻找暗物质的影响。当机器学习开始用于天体物理学时，在新的环境中使用既定的算法。例如，如果机器学习方法擅长区分猫和狗的图像，那么它也可以适用于区分不同星系的图像。
但是今天物理学家和其他自然科学从业者的需求可以为机器学习方法的发展提供信息，物理学家不再直接使用来自对撞机或望远镜的大量数据集。相反，他们日常工作的一部分涉及查看哪种方法对给定的问题或观察有效，如果不存在这样的方法，则尝试开发一个新的模型。
在这样的工作中，物理学和机器学习之间的信息流是双向流动的，人工智能和物理两个学科得到充分交流。
管理学与 AI
Fabio Cozman 是巴西圣保罗大学人工智能中心（C4AI）的主任，他们的主要目标是开展对社会和行业有直接影响的机器智能研究。
主要开展有五个核心项目。其中一个的目标是能够显著改进巴西官方语言葡萄牙语的自然语言处理和翻译能力，以便通过计算机语音工具更好地翻译、转录和理解葡萄牙语使用者所说的话。
另一个项目 Blue Amazonia Brain，主要研究气候变化、生物多样性和矿产资源对巴西大西洋海岸线和居住在那里的人们的影响。
人工智能中心于 2020 年 10 月成立，每年由技术公司 IBM 提供 200 万巴西雷亚尔（380000 美元），来自圣保罗研究基金会的 200 万雷亚尔和来自圣保罗大学的 400 万雷亚尔，州政府也会提供未来的财政支持。
该中心的合作目标十分广泛合作，但合作者通常对计算机科学可以实现的目标有不同的期望，合作前都需要通过与合作者清楚地解释 AI 可以做什么和不能做什么来解决。
并且研究成果经常出现分歧，例如，自然科学领域的人们通常将期刊论文视为传播研究的最佳方式，而人工智能研究人员更重视会议。
另一个挑战是一些研究人员只想要一个程序员。这些研究人员需要更愿意分享他们的知识和问题，而不是仅仅采用「过来帮我做编程」的方法，协作需要是一种旨在解决和回答问题的伙伴关系。
AI 发展得如此之快，以至于计算机科学和工程领域的人们觉得他们必须伸出手来解决现实世界的问题：仅仅做自己领域内的事情对我们来说不再那么有意义。并且其他领域的研究人员也正在遵循一个趋势：所有主要的人工智能实验室和中心现在都参与到现实生活中的应用问题中。
对于希望与 AI 专家合作的研究人员，Fabio 的建议是首先降低期望：您是否希望有「擅长编程」的人帮助您进行一些数据分析，还是您实际上需要提出更深入的问题？
一些 AI 相关的背景知识和实践经验对合作者很有用。
艺术家与 AI
Roman Lipski 是一名艺术家，2016 年 4 月，他开始在柏林美术学院教授难民课程，在那里遇到了数据科学家 Florian Dohmann 并展开合作，试图利用人工智能探索艺术。
Lipski 曾看过谷歌的数据科学家用人工智能制作的图片，但主要是由重复元素制作的恐怖故事图像，主要特征像 1000 只眼睛或 1000 英尺长的动物。
刚开始他还天真的以为 AI 技术马上就要落地了，能够助力拍出有史以来最好的电影，他虽然知道 AI 有巨大的潜力，但却无从入手。Florian 加入后，为了忠于 Lipski 自己的艺术灵感，他们决定只在自己的作品中训练算法。拍摄了职业生涯中的每一幅画后，就创建一个小数据集来训练算法，然后要求它创建一个原创作品。
但结果又是惨不忍睹，生成作品和谷歌工程师那里看到的画差不多，都充满了重复形状和颜色，没有添加任何新东西。但从艺术上讲，它们比其他任何东西都更具噱头。
当更换应用场景到风格迁移时，Lipski 使用一张 2016 年 3 月访问过的洛杉矶街道风景图，他曾经用不同的颜色和纹理多次绘制这个场景。这一次，当要求算法制作新图片时，结果令人惊叹。
虽然不是每张照片都很好，但能够在不同的艺术风格、真正的艺术质量和形式上获得了成千上万的优秀成果，这也是仅靠艺术家自己无法达到的。
在遇到 Florian 的前一年，Lipski 认为自己遭遇了一场彻底的艺术危机。他觉得自己的世界里可以用绘画讲述的故事已经用完了，但他现在又开始画画了，但不是简单地打印 AI 算法生成的内容，而是将其输出作为灵感来创作自己的原创作品。
Lipski 的建议是不要被 AI 吓倒，而要学习开始使用它们：就像任何工具一样，它们有其优点和缺点。但对他来说，人工智能改变了我的职业生涯。
