《Computing in Science & Engineering》:Ecosystems for Scientific Computing in the Age of Artificial Intelligence
编辑推荐:
科学计算正处于一个转折点。人工智能(AI)正在重塑科学软件的开发方式、团队协作模式、项目管理方式以及下一代研究人员的培训方法。基于2025年一份研讨会报告的见解,本文认为,未来的科学发现将依赖于通过社会技术协同设计(socio-technical co-des
科学计算正处于一个转折点。人工智能(AI)正在重塑科学软件的开发方式、团队协作模式、项目管理方式以及下一代研究人员的培训方法。基于2025年一份研讨会报告的见解,本文认为,未来的科学发现将依赖于通过社会技术协同设计(socio-technical co-design)——即技术与人类系统的有意整合——构建的敏捷、稳健的生态系统。这一视角对于确保未来科学计算保持可信、可持续和可扩展至关重要。它结合了人工智能、高性能计算(HPC)和软件领域的进步,以及跨学科协作、教育和劳动力开发的新模式。关键建议包括:构建模块化、可信的AI赋能软件生态系统;使团队能够将AI集成到科学工作流程中,同时保留人类的创造力、完整性和严谨性;以及开发适应快速技术变革的灵活培训路径。通过分享这些观点,研究人员希望激发更广泛的社区对话,并鼓励协调一致的行动。CCBY - IEEE并非本材料的版权持有者。请通过https://creativecommons.org/licenses/by/4.0/获取全文文章和API文档中的规定。几十年来,高性能计算(HPC)社区一直推动着科学创新,将计算确立为与理论和实验并列的科学发现核心支柱。科学软件处于这一进展的核心,它以可跨研究者和机构扩展的形式,编码了领域知识、计算方法以及协作式问题解决。然而,今天,人工智能(AI)的快速崛起正在从根本上重塑这一格局。[1],[2] AI正在改变软件的编写方式、团队的互动方式以及新从业者的培训方式。传统计算科学方法与未来所需的技能和组织模式之间正在出现差距。一个变革性时刻:为了探讨这些变化,2025年召开了一次研讨会,汇聚了HPC、AI、计算科学、软件工程和社会科学领域的专家。参与者阐述了一个共同的愿景:未来的科学进步将依赖于集成生态系统,其中硬件、软件、AI和人类专业知识共同演化。[3] 基于该报告,本文对其发现进行了综合与解读,重点强调了对更广泛科学计算社区的影响。研究人员突出了跨领域主题,识别了新兴差距,并提出了需要协调社区行动的一系列挑战。迈向下一代科学的生态系统视角:高级模拟(涵盖材料科学、天体物理学、核能、生物学、发动机设计、天气预报和电池等领域)需要跨多个学科的综合专业知识。这些学科包括领域科学、应用数学、计算机科学和AI,如图1所示。没有任何单一团队能够开发或维护所有这些组件。相反,进展依赖于分布式、跨学科的合作,其中可重用库和共享工具封装了专业知识,并实现了跨领域的广泛应用。图1:现代科学计算依赖于由分布式团队开发的可重用库、工具和框架,为不同应用提供共享能力。经McInnes等人[3]许可转载。从代码到生态系统:这种转变在当代计算科学中显而易见,后者越来越依赖于涵盖建模、模拟、分析和AI驱动推理的集成工作流。这些工作流依赖于分层的软件栈,结合了编程模型、数学库、可视化和性能工具以及新兴AI框架。研究人员采用广泛的视角,将科学计算生态系统视为动态的社会技术系统,由人员、软件、基础设施、机构、工作流和文化实践组成,如图2所示。推进图2中的外层元素(软件、协作和教学法)需要有意为之的协同设计,并得到内环利益相关者(包括研究人员、软件开发人员和计算设施)之间强互动的支持,同时发展劳动力和社区。图2:下一代科学计算生态系统的视图,以研究人员为核心。经McInnes等人[3]许可转载。生态系统本质上是依赖于上下文的,由利益相关者互动塑造,并且只有当技术和社会组件协调一致时才有效。这一视角将焦点从单个代码或工具转移到相互连接的能力系统。成功的生态系统不是通过集中控制,而是通过支持快速演化并利用专业知识的合作、分布式努力而出现。这种日益增长的相互依赖性提出了一个核心挑战:如何有效整合跨团队的多样化专业知识、方法和需求。应对这一挑战需要改进的软件架构以及新的协调与协作方法。一个新视角:社会技术协同设计:为了应对这些紧迫而复杂的交织挑战,研讨会引入了社会技术协同设计作为指导框架(图3)。协同设计的概念在许多领域被广泛使用,通常指在设计过程中通过让多个利益相关者(特别是那些将使用或受结果影响的人)参与,来协作设计解决方案的方法。在HPC和AI中,协同设计对于当代计算机架构、应用、算法和软件的设计与实现至关重要,考虑了它们之间的相互关系(如图3左侧所示)。[4],[5] 尽管仍然必不可少,但这种方法已不再足够。现代科学计算还必须考虑AI颠覆科学事业的社会和教学方面,例如机构、培训和协作。图3:下一代科学计算的社会技术协同设计通过将技术元素与团队科学、人机协作、教学法和劳动力开发等社会维度相结合,扩展了传统的HPC协同设计。改编自McInnes等人[3]许可转载。社会技术协同设计通过将技术和社会元素视为相互依赖且共同演化,扩展了HPC协同设计范式。这种方法不是先设计架构、应用、算法和软件,再处理团队、教学法、社区和劳动力相关因素,而是从一开始就整合所有因素,包括人机协作。其结果是更富弹性和适应性的科学计算生态系统,能够在快速技术变革中保持科学完整性。AI驱动的科学计算软件生态系统:AI正在通过引入新能力和新复杂性来改变科学软件生态系统。AI赋能的科学计算软件生态系统将AI推理引擎与模拟和分析工作流集成,利用AI代理提高研究人员生产力。这些推理引擎依赖于来自模拟、观测和档案的数据。模拟和分析能力则依赖于软件栈的中间层,包括数学和可视化库、工作流工具以及性能优化能力。此类生态系统必须在快速演化的AI模型、数据管道和异构计算环境(例如CPU、GPU和量子系统)中运行。动态环境中的设计挑战:一个核心挑战是如何在快速演化的异构环境中设计、开发和维护下一代科学的软件,同时构建人类事业和协作协议。先前的研究,包括国家科学基金会/能源部国家人工智能研究资源软件报告[6]以及更广泛的软件工程分析[7],突显了这些挑战的范围。应对这些挑战需要技术创新与社区驱动协同设计的战略结合。可信性、验证与AI生成代码:当前AI能力与科学计算对可靠性和可重复性的严格要求之间存在一个关键挑战。[8] 与通用软件不同,科学应用必须保持物理原理、维持数值稳定性,并在不同平台上产生一致的结果。AI辅助(“vibe”)编码对科学软件仍然具有挑战性,因为自然语言规范本质上是不精确的。传统上,开发人员依赖迭代验证和调试来解决这种歧义。AI如何加速或安全地替代这种迭代收敛到可信软件,仍然是一个悬而未决的问题。联邦学习还带来了额外挑战,包括隐私保护协作以及对抗攻击和数据中毒等漏洞。此外,人在回路和持续学习机制对于保持AI生成软件与不断演化的科学需求之间的一致性至关重要。集成、重用与科学机器学习(SciML)权衡:开发全新的科学软件生态系统是不切实际的,但将AI集成到现有软件中也有其自身挑战。代码所需的更改将是深层次的,因此需要入侵感知设计以最小化干扰。同时,该领域仍在争论何时使用传统数值方法,何时更倾向于SciML[9]方法,以及如何有效结合两者。推进这种集成需要稳健、广泛接受的指标,用于评估SciML相对于既定数值方法的性能。团队、信任与作为协作者的AI:科学计算中团队的演化:随着软件生态系统的演化,开发和使用的团队也必须演化。科学合作越来越多地涉及跨学科团队,拥有多样化的专业知识、词汇和目标。[10] 这些差异带来了沟通、协调和决策方面的挑战。AI日益增长的作用进一步复杂化了这一格局,引发了关于AI系统应如何参与(作为工具、协作者或介于两者之间)的重要问题。团队、软件和AI中的信任:信任是所有这些维度中的核心问题。有效的协作不仅需要团队成员之间的信任,还需要对软件系统和AI生成输出的信心。建立和维护这种信任需要透明度、共享理解和持续互动。机构障碍与激励机制:此外,现有规范和机构结构常常阻碍有效协作。资助模式、认可系统和职业激励可能低估关键贡献,例如软件维护、文档编制和社区建设。解决这些不匹配对于维持现代研究所依赖的科学计算生态系统至关重要。AI时代的劳动力与教学法:跨学科培训的挑战:计算科学领域的教学法和劳动力开发长期以来一直面临挑战,因为需要整合多个学科的概念,并且受到传统学术部门结构的限制,这往往限制了跨学科培训。任务驱动的研究实验室历史上提供了可以发生这种整合的环境。随着AI的崛起和计算科学几乎扩展到科学和社会的所有方面,嵌入跨学科培训的机会和紧迫性都增加了。劳动力准备的不确定性:也许最深刻的挑战是围绕如何为计算科学中的颠覆性变化准备未来劳动力的不确定性。随着AI工具变得更加强大,人们越来越担心培养出的科学家能够使用AI生成的代码,但缺乏验证、调试或扩展代码所需的基本理解。这种情况造成了一个悖论:旨在民主化软件开发的AI工具可能无意中为深入的科学理解设置新的障碍。课程、技能与新的学习模式:同时,AI的快速进步使得教育项目难以随着技术和实践的变化更新课程。向AI辅助开发的转变也引发了关于什么构成基本知识的基本问题。为快速变化的技术生态系统构建课程和劳动力需要新的教学和劳动力开发范式,包括更依赖基于学徒的方法[11]以及由实践社区支持的协作学习环境。扎根于社区行动的路线图:虽然技术研究是创新的关键驱动力,但科学计算的进展也依赖于社区驱动的行动。构建可信、有能力和可持续的软件生态系统需要的不仅仅是技术突破。它需要战略协调、共享基础设施、支持性政策和劳动力投资。各种组织和基金会——例如科学软件推进联盟(Consortium for the Advancement of Scientific Software)a、高性能软件基金会(High Performance Software Foundation)b、NumFOCUS基金会c、研究软件联盟(Research Software Alliance)d、软件可持续性研究所(Software Sustainability Institute)e、研究软件工程师组织f——以及众多项目已经在推进文化和结构变革[12],但在基础设施、认可和职业路径方面仍存在显著差距。提高对这些努力的认识并为之做出贡献,无论是直接还是通过补充行动,都将使更广泛的科学界受益。战略公私合作伙伴关系:战略公私合作伙伴关系必须超越当前短期研究目标的模式,支持与长期科学需求和技术转变相一致的协同设计解决方案。私营部门包括计算技术的商业开发者——如硬件制造商、云服务提供商和AI平台公司——以及科学软件的主要工业用户。需要持续的协调来塑造软件工具的技术要求,以及支持其采用的做法和培训生态系统。联合努力可能包括跨部门学习社区、兴趣小组、共享培训倡议以及将HPC从业者、AI开发者和领域科学家聚集在一起的咨询伙伴关系。特别重要的是需要将快速演化的商业AI和硬件格局与科学界的长期需求对齐。这些共享努力在维持竞争力、推进研究以及确保科学、工程和制造业共同进步以实现长期社会经济韧性方面发挥着重要作用。社区参与与广泛接入基础设施:扩展科学软件需要确保信任、透明度和共享所有权的参与模式,并得到开放治理和广泛参与的支持。同样重要的是投资于降低资源不足社区准入门槛的基础设施,例如可访问的云资源和导师网络。认可、激励与长期社区投资:科学软件生态系统的可持续性取决于重视和支持所有基本贡献,包括开发、文档、用户支持、培训、维护和社区管理。这些角色必须在招聘、晋升和资助决策中得到体现,并通过长期投资策略得到加强。对这些角色的稳定、可见的支持会增强整个生态系统的韧性,并建立持久进步所需的能力。负责任创新指南与公平AI:在没有监督的情况下推进AI驱动的科学发现,会带来一系列意想不到的后果的风险。社区范围内关于负责任地集成AI的指南至关重要,必须作为最高优先事项对待。这些指南应涉及算法透明度、数据治理和可重复性,同时建立规范以防止偏见、保护用户并预见意外后果。这一努力的关键部分是确保数据集完整且代表其旨在服务的所有个体和视角。随着工具和团队的演化,负责任创新必须保持为核心设计原则。结论:这些政策和协作努力并非技术创新的次要方面,而是基础性的。随着AI生成代码、代理系统和复杂工作流重塑科学计算,维护正确性、信任和问责制不能再依赖传统假设或流程。满足这些需求需要战略伙伴关系,并得到社区驱动实践、机构改革以及研究、公共和私营部门持续投资的支持。这种集成方法支持技术和社会组件必须持续共同演化的生态系统,以应对验证、人机协作和劳动力开发方面的新挑战。研究人员提出这些观点,旨在为持续努力提供信息,并鼓励整个社区的协调一致。
论文解读:人工智能时代的科学计算生态系统
**研究背景与问题**
科学计算正处于一个转折点。几十年来,高性能计算(HPC)社区推动了科学创新,将计算确立为与理论和实验并列的科学发现核心支柱。科学软件通过编码领域知识、计算方法和协作式问题解决,以可跨研究者和机构扩展的形式推动了这一进展。然而,人工智能(AI)的快速崛起正在从根本上重塑这一格局。AI改变了软件的编写方式、团队的互动方式以及新从业者的培训方式。传统计算科学方法与未来所需的技能和组织模式之间出现了差距。现有研究面临的核心问题包括:如何设计、开发和维护能够适应快速演化的异构环境(如CPU、GPU、量子系统)的软件生态系统?如何将AI有效集成到现有科学软件中,同时保持可靠性、可重复性和物理一致性?如何培养能够使用AI工具但又不失深度理解力的未来劳动力?这些问题的复杂性要求超越传统技术解决方案,转向整合技术与社会维度的新范式。
**研究内容与结论**
本研究基于2025年一次研讨会报告,该研讨会汇聚了HPC、AI、计算科学、软件工程和社会科学领域的专家。研究人员通过分析研讨会的见解,提出了一个核心论点:未来的科学发现将依赖于通过社会技术协同设计(socio-technical co-design)构建的敏捷、稳健的生态系统。社会技术协同设计将技术元素(如架构、算法、软件)与社会元素(如团队科学、人机协作、教学法、劳动力开发)视为相互依赖且共同演化,并从研究初始阶段就加以整合。研究得出以下关键结论:构建模块化、可信的AI赋能软件生态系统至关重要;需要使团队能够将AI集成到科学工作流中,同时保留人类创造力、完整性和严谨性;开发适应快速技术变革的灵活培训路径是当务之急。论文发表在《Computing in Science》,其重要意义在于为科学计算社区提供了协调行动框架,强调了社会技术协同设计对于确保未来科学计算可信、可持续和可扩展的关键作用。
**主要关键技术方法**
为开展研究,研究人员采用了以下关键方法:1)研讨会组织与专家汇聚:召集HPC、AI、计算科学、软件工程和社会科学领域的专家,通过跨学科讨论形成共识。2)文献分析与综合:引用先前报告(如美国国家科学基金会/能源部国家人工智能研究资源软件报告[6])和软件工程分析[7],为挑战的识别提供依据。3)概念框架构建:提出社会技术协同设计作为指导框架,并定义了科学计算生态系统(socio-technical systems)的组成(人员、软件、基础设施、机构、工作流、文化实践)。4)案例与场景分析:通过分析高级模拟(如材料科学、天体物理学、核能等)所需的跨学科集成,以及AI驱动的软件生态系统设计挑战(如动态环境、信任验证、科学机器学习(SciML)权衡),总结出关键议题。5)社区路线图制定:基于识别出的挑战,提出包括战略公私合作伙伴关系、社区参与、认可激励、负责任创新指南等在内的行动建议。
**研究结果**
**A Transformative Moment(变革性时刻)**:通过研讨会,参与者阐述了共同愿景:未来科学进步将依赖于集成生态系统,其中硬件、软件、AI和人类专业知识共同演化。本文基于该报告进行综合解读,强调了对更广泛科学计算社区的影响。
**Toward Ecosystem Perspectives for Next-Generation Science(迈向下一代科学的生态系统视角)**:研究指出,现代科学计算依赖于可重用库和共享工具,它们由分布式团队开发,封装专业知识并实现跨领域应用。高效协作需要跨学科整合,包括领域科学、应用数学、计算机科学和AI。
**From Codes to Ecosystems(从代码到生态系统)**:研究将科学计算生态系统定义为动态的社会技术系统,由人员、软件、基础设施、机构、工作流和文化实践组成。推进生态系统需要意向性的协同设计,并得到核心利益相关者(研究人员、开发者、计算设施)之间的强互动支持。
**A New Lens: Socio-Technical Co-Design(新视角:社会技术协同设计)**:研讨会引入社会技术协同设计作为指导框架。该框架扩展了传统的HPC协同设计,将技术元素与社会元素(团队科学、人机协作、教学法、劳动力开发)整合,从初始阶段即考虑所有因素,从而产生更富弹性和适应性的生态系统。
**AI-driven Software Ecosystems for Scientific Computing(AI驱动的科学计算软件生态系统)**:AI通过引入推理引擎、AI代理等新能力,与模拟和分析工作流集成。这些生态系统必须在快速演化的AI模型、数据管道和异构计算环境中运行。核心挑战包括如何设计、开发和维护此类软件,同时构建人类事业和协作协议。
**Design Challenges in Dynamic Environments(动态环境中的设计挑战)**:研究识别出若干具体挑战:1)可信性、验证与AI生成代码:AI辅助编码对科学软件有挑战,因为自然语言规范不精确,且科学应用需要严格的物理原理和数值稳定性。2)集成、重用与科学机器学习(SciML)权衡:开发全新生态系统不切实际,但集成AI到现有软件中涉及深层次代码更改,需要入侵感知设计。同时,需要指标来评估SciML与传统数值方法的优劣。
**Teams, Trust, and AI as a Collaborator(团队、信任与作为协作者的AI)**:科学合作日益涉及跨学科团队,AI的参与引发了关于其角色(工具、协作者)的问题。信任是核心,包括团队内部信任、对软件系统的信任以及对AI生成输出的信任。现有机构结构(如资助模式、职业激励)往往低估软件维护、文档编制等关键贡献,需要调整。
**Workforce and Pedagogy in the AI Era(AI时代的劳动力与教学法)**:跨学科培训面临挑战,传统学术部门结构限制整合。AI工具的普及可能使科学家缺乏验证、调试代码的基本理解,形成悖论。教育项目难以跟上AI快速变化,需要新的教学范式,如基于学徒的方法和协作学习环境。
**A Roadmap Grounded in Community Action(扎根于社区行动的路线图)**:研究提出社区驱动的行动路线图,包括:1)战略公私合作伙伴关系:超越短期目标,支持长期协同设计。2)社区参与与广泛接入基础设施:通过开放治理确保信任和透明度,投资于降低资源不足社区准入门槛的基础设施。3)认可、激励与长期社区投资:在招聘、晋升和资助中体现对软件开发、文档、用户支持等角色的重视。4)负责任创新指南与公平AI:制定社区指南,处理算法透明度、数据治理、偏见预防等问题。
**结论与讨论**
论文结论部分指出:这些政策和协作努力并非技术创新的次要方面,而是基础性的。随着AI生成代码、代理系统和复杂工作流重塑科学计算,维护正确性、信任和问责制不能再依赖传统假设或流程。满足这些需求需要战略伙伴关系,并得到社区驱动实践、机构改革以及研究、公共和私营部门持续投资的支持。这种集成方法支持技术和社会组件必须持续共同演化的生态系统,以应对验证、人机协作和劳动力开发方面的新挑战。研究人员提出这些观点,旨在为持续努力提供信息,并鼓励整个社区的协调一致。讨论部分强调,各种组织(如科学软件推进联盟、高性能软件基金会等)已经在推进文化变革,但在基础设施、认可和职业路径方面仍存在显著差距,需要社区共同行动。