AI4S的专家讨论，感觉不乐观

1）

主要是AI4S这个赛道还没真正起来，甚至在科学与工程计算领域的分量还远不如HPC
负载没有大的变化，性能功耗比又要严控，arm多合一的想法就很难往下走

2）

前不久，我看了十几篇用AI方法解偏微分方程的论文，有不少是瞎扯或者毫无意义，为发论文而编论文。比如有一篇论文说他们的模型很先进，求解纳维尔斯托克斯方程有非常好的性能。仔细看论文就知道，他们只考虑了低雷诺数条件。懂专业的人知道，他们在高雷诺数领域肯定失败了。因为高雷诺数意味着物理现象已经是确定性随机现象，参数的微小变动就导致完全不同的解。目前，看不出来人工智能对这样的问题有什么好办法。而低雷诺数领域的问题，本身就是小菜一碟，在求解方面没什么问题。

3）

👍👍，现在做学术真的要跟数学专业结合才行。昨天我跟我们学校农水专业的老师聊，他跟我介绍了他们学科的计算方向。比如土壤水则涉及到的条件就很多。类似包括蒸发、渗透、作物吸收、下雨，灌溉，还涉及到盐碱地改良的土壤清洗及排放等等，不是固定条件，条件更发散，则稀疏矩阵的计算量很大，他更需要CPU的计算，大概意思是这样。我听着似懂非懂，只能说大概了解。

4）

目前AI4S的主要方向是替代hpc的传统计算
但背后的原理是利用hpc产生的计算样本，通过自回归去拟合计算结果。
所以精度、泛化性是一个本质的问题。换言之，虽然快，但肯定不那么准。
对于设计类的问题，这种大概齐的结果有帮助；对于hpc本来就算不准的（比如计算生物学），也有帮助。但对于hpc方法dominant的领域，比如流体的模拟，就很难了。
即使是天气预报，也很难硬碰硬，时间一长误差就会累积，打不过传统hpc。
五年来，这个瓶颈问题没有得到解决。这是方法的本质决定的。可能还是要寻找更适合这种“大概齐”计算方法的场景，做成实锤。目前看，最大的出路还是在设计领域，比如新材料的设计、飞机外形设计等等。

5）

AI感觉更加适合快速完成重复性工作，输入输出都比较固定，如车牌识别之类。科学计算求解Ax=b，定义域在实数范围内，计算维度太大，感觉通用的AI4S会很难。估计万万亿参数的大模型也很难求解任意Ax=b。