Nature Geo: 地球和环境科学领域中的机器学习亟需教育和研究政策改革

Nature Geoscience:

地球科学综合期刊

• 中科院SCI期刊分区（2021年12月最新升级版）：一区（TOP期刊）

• JCR（WOS分区）：Q1，1/200

• 影响因子：16.908

 Fleming, S.W., Watson, J.R., Ellenson, A. et al. Publisher Correction: Machine learning in Earth and environmental science requires education and research policy reforms. Nat. Geosci. (2021). 

【集韵增广】| Nature Geo: 地球和环境科学领域中的机器学习亟需教育和研究政策改革 (qq.com)https://mp.weixin.qq.com/s?__biz=Mzg5MTcyODU4OQ==&mid=2247483719&idx=1&sn=3664172b60e0ad4d38486bfea9ef4851&chksm=cfc9a6e5f8be2ff373fc0e5cac5882800cf6fa61a5ba2f81b4b56b6b892b3903a54f4885c3bf&token=938462005&lang=zh_CN#rd

一、导读

在地球和环境科学 (Earth and environmental science) 中，定量预测模型可以权衡科学知识的现状并帮助将其付诸实践。随着大数据的出现、计算速度的指数级增长以及对基于经典物理学和统计模型的局限性的认识不断提高，出现了一种新的建模方法：人工智能 (AI)。作为更广泛的数据科学浪潮的主要组成部分，人工智能被认为是第四次工业革命，由于其可扩展性、确定大型数据集中模式的能力和广泛的适用性，人工智能可以加速科学的研究进展。

那么现在存在什么问题呢？每个研究领域都有自己的哲学、理论、术语、实施细节和实践文化，而在新的人工智能技术和概念（特别是在如何使用和解释这类新的科学工具）方面具有专业知识的地球科学家比例仍然非常有限。

作者认为，目前为了使人工智能更充分地过渡到地球和环境科学领域，需要围绕研究资助的优先级和教育内容进行政策改革。

二、主要内容

1 Novel applications and challenges

为了说明这一点，以人工智能在水流预测中的应用为例。政府机构使用基于物理过程或线性统计水文模型进行高风险的实际应用，如洪水和供水预测。25年来，人工智能文献中出现的机器学习算法已被一小部分研究企业来探索河流的预测。这大大提高了发现建立数据模式并使用这些模式进行准确预测的能力。尽管如此，人工智能还没有实质性地扩散到操作系统中，或者更广泛地扩散到科学研究、工程应用和教育中。

在作者看来，这归结为人工智能专家未能参与水文领域研究，因此，大多数人工智能应用程序都无法满足其详细的理论和实践要求。但人工智能地广泛应用仍是充满希望额：人工智能已经开始通过人工智能研究人员和水文学家之间的合作关系转移到实际操作中，从而将水文气象过程知识和实用需求整合到新的、专门构建的人工智能技术中。

尽管在许多方面人工智能已经证明有能力超越现有的定量方法，但在这种情况下人工智能仍旧无法进入主流。

2 Research policy and AI

为了在地球和环境科学领域中被广泛地接受，人工智能不能存在于空中楼阁：它必须整合并扩展大量现有的定量生物地球物理过程的知识进行进一步使用。

现今对人工智能的信任受到其名义上“黑箱性质”的限制；也就是说，无法根据公认的知识基础解释为什么算法得到了它所得出的答案。解决这个问题是当今许多工作的重点。

当人工智能应用于地球和环境科学时，需要跨越至少四个类别：生物地球物理系统表征（biogeophysical system）、理论指导或物理知识引入的人工智能、原始知识发现和基于过程模型的模拟。与特定领域的实际需求和问题一样的是，需要考虑数据限制或计算成本，这也是物理感知（physics-informed）AI的另一个重要方面。

对于政策含义来说，研究资金必须强调具有物理信息的人工智能，这将需要并反过来使人工智能的地球和环境科学领域专家与实践工程领域的其他成员之间建立更紧密的联系。

3 Education policy and AI

地球和环境科学领域学生的人工智能学习经验主要是通过自学、短期非正式课程或选择具有人工智能专业的指导导师进行，绝大多数的地球和环境科学学生没有接受过任何人工智能正式培训。因此，许多地球科学家，包括刚毕业的学生，可能不具备有效运用这些概念的技能。可能导致了从没有该领域知识的高级研究人员对人工智能的全盘否定，到新的使用者的“工具包应用”；他们从现有的Python、R或Julia库中使用人工智能功能，而不首先了解内在的包含意义。如果不清楚这些预测计算工具如何与当前地球和环境科学领域问题的生物地球物理过程和统计细节相关联，将会导致计算结果存在缺陷。

这种普遍缺乏人工智能技术能力的情况，将会对地球和环境科学领域毕业生的能力不均衡产生更深层次的影响。虽然并非每一位地球科学家都需要先进的定量技术，但作者认为，由于未能在数学和计算方法方面提供统一坚实的基础，大学正在让学生无法有效地进行现代的科学研究，包括（但不限于）明智地使用人工智能来支持地球和环境科学解决问题。作者急切希望能够大学围绕核心课程重新思考其政策，以便下一代毕业生为迎接人工智能的未来做好准备。

三、小结

研究资助应促进新的合作关系，来创造变革性的见解。尖端人工智能专业知识和对人工智能促进实际解决方案的需求通常都存在于工业界中。因此，专门设计应用研究和开发中实现多部门学术-公共-私人关系和双向知识转移的创新融资机制，可以成为将该领域发展为主流应用的有力政策。另一个考虑因素是人工智能的兴趣和专业知识往往集中在职业早期的地球科学家身上，他们获得资金的机会相对有限。这表明，在诸如国家科学基金会（美国）或自然环境研究委员会（英国）等机构调整优先权，以支持将机器学习纳入地球和环境科学的高风险/高回报建议可能是有益的。最重要的是，具有物理过程的人工智能形式的资助将是成功弥合机器学习专家与更广泛的地球科学界之间差距的关键。

至于教育政策，地球和环境科学首先应该设置必修课程，向所有地球科学本科生介绍人工智能，并使其具备必要的数学、统计和计算基础。进一步来说，创建地球和环境科学/计算机科学本科联合课程，为学生提供这两个学科的坚实基础。大学还可以设立双聘职位，帮助提升地球科学家的人工智能专业知识和计算机科学家的地球科学专业知识。一旦开始认真考虑这些政策改革，毫无疑问会创造更多的研究方向。

人工智能现在已经渗透到社会中的方方面面，并将继续存在。地球和环境科学必须学会如何理解、构建、和使用批判性思维来评估人工智能，并以一种有见识、可信、客观和强大的方式解决地球科学问题，从而适应这一改变世界的变化。将人工智能移植到地球和环境科学研究人员、工业界从事者和教育工作者的标准中，需要融合三个方面：包括在地球和环境科学过程知识的既定体系、对当前和新兴人工智能技术的能力和局限性的综合理解、以创新为导向的符合地球科学知识和实践要求的人工智能解决方案。这一特征组合仅在少数地球和环境科学研究中以自发和自下而上的方式结合在一起，这表明还需要来自上层的温和推动，即研究和教育方面的有针对性的政策改革。

如果这些变化不发生，地球和环境科学可能会被继续前进的世界抛在后面。但哪里有挑战，哪里就有机会，地球和环境科学领域有潜力利用其现有的深层知识和新兴人工智能技术，以一种在很短时间内无法想象的方式推动整个学科向前发展。