【百道编按】杰贝·威尔逊是爱思唯尔的文本数据分析部咨询总监，最近他撰文《增强型研究人员》，重点表述2018年让AI在出版中得以应用的努力。2018年 , 人工智能作为研发中一个有效的技术手段将会得到更大的关注和认可。同时，因为技术使世界“变小”，并不断改善我们的交流方式，科学家和研究人员之间将更倾向于合作，由此所得的见解也会通过合作网络共享。研究人员会越发从广阔、综合、跨领域的关联事实网络中受益。

　　近年来学术出版发生了很大变化，其中最大的转变可能就是数字化了。不只是出版业和科研，数字化给很多行业人们的工作方式带去了深刻影响。但对学术出版来说，这种转变尤其重要，因为研究人员需要筛选的数据太多了。比如，索引价值的提升以及各种形式的分析都让学术出版向更好的方向发展。在每年都有250万篇科学论文发表的当下，数字化势在必行。
　
　　如果有合适的分析工具，数字化能让研究人员从大量数据中滤掉不相关的，更容易地在日益复杂的问题中找到答案、有所见解。为了找到最合适的分析工具，许多公司都投资了人工智能（AI）；据弗罗斯特分析公司（Forrester）估计，人工智能市场2017年增长了300%。技术，特别是人工智能技术，催生了“增强型研究员”。

　　从人工管理到机器推理

　　学术出版已经成为数字化企业，创建抓捕知识的语义数据的行为显著增加。换种说法，也可以把这种趋势说成是焦点从整体阅读文章转变为寻找出版物中单个的语义“事实”。这一转变背后的驱动力是识别和提取语义事实的自动化手段日趋成熟，人工智能在机器学习中得到应用。近年来，独立的人工管理转向基于规则的自动索引，之后又转变为深度学习和机器推理等统计方法的应用。这些手段帮助研究人员在更短的时间有所发现，大大提高了效率。

　　语义数据对研发很重要，它意味着我们可以把不同论文、不同知识领域里相关的事实联系起来，获得仅阅读单篇论文得不出来的见解。这样做需要用分类法把术语的标准化，需要创建一个网络。对关联事实日渐依赖也表明当代研究人员的要求正在改变。研究人员需要能满足其具体需求的、建立在强大的语义数据库基础上的定制分析产品。也就是说，他们需要结合了语义技术、机器学习和机器推理的解决方案。

　　随着我们对人工智能的理解加深，如何应用它将变得更加复杂，但也更有利于研究人员。这可能意味着我们能从不同的科学文献中提取事实来突出和深化现有的知识，或聚焦于如何用迁移学习等方式让人工智能能够更加高效地识别新知识。与此同时，人工智能工具也将变得更容易理解。爱思唯尔正在探索“人工智能神经科学（AI neuroscience）”，即创建工具来观察深度学习模型的“黑盒子”，弄明白个人决策是如何做出的。

　　可预期的未来

　　2018年, 人工智能作为研发中一个有效的技术手段将会得到更大的关注和认可。同时，因为技术使世界“变小”，并不断改善我们的交流方式，科学家和研究人员之间将更倾向于合作，由此所得的见解也会通过合作网络共享。作为语义数据的进展结果，研究人员会越发从广阔、综合、跨领域的关联事实网络中受益。他们可以举一反三，从机器和深度学习——人工智能系统的基本面——的使用中识别模式。

　　这些技术让我们能用人工智能解决感兴趣的问题，理解和解释人工智能给出的答案。如果我们要克服很多科研领域正在经历的生产率危机，加深合作、加强对人工智能的关注这两点就益发重要。斯坦福大学的一项研究表明，自上世纪三十年代以来，在职研究人员的数量翻了23倍，但科研产出的年增长率却下降了。新概念越来越难被发现，用人工智能来武装研究人员也就成为解决这些问题的重要方式。

　　我们已经为人工智能驱动的未来搭好了基石——积极拥抱数字化，并愿意和机器一起工作，而不是反对机器。相信在接下来的12个月,我们将会看到人工智能辅助研究的第一批成果；我们在扭转科学和研发产出危机上也将获得有意义的进展；通过解决抗生素耐药性、环境恶化和气候变化等全球性问题，人类的生存也会得到改善。

来源：《百道网》2018年03月14日